0 引言

    現(xiàn)代戰(zhàn)場電磁環(huán)境日益復雜,，偵察到的雷達信號具有以下特點：信號參數(shù)相互交錯,；信號部分參數(shù)特征缺失；雷達體制多樣,，特征參數(shù)復雜多變,；雷達信號復雜，特征參數(shù)存在不確定性,。這給利用單一參數(shù)或單一信號進行區(qū)分識別帶來了難度,，而利用多個參數(shù)、信號獨立互補的信息進行融合識別,，可去除冗余的信號,，降低不確定性帶來的影響，有利于提高識別性能^[1-3],。

    目前運用證據(jù)理論進行融合識別已成為雷達信號識別的重要內(nèi)容,。但運用經(jīng)典證據(jù)理論對完全沖突證據(jù)信號進行處理，其識別結果易出現(xiàn)錯誤,。因此,，Yager、孫權和李弼程等人對融合規(guī)則進行了改進,，解決了沖突證據(jù)利用的問題,，但融合結果提高不明顯^[4-6]；而肖明珠考慮了沖突性和不沖突性證據(jù)對融合結果的影響,，對沖突性證據(jù)進行加權合成,，對不沖突性證據(jù)按交叉融合程度合成，效果明顯,，但增加了算法的計算量^[7],。

    同時，現(xiàn)有的算法無法將屬于不同目標的證據(jù)進行分離^[8],。為更符合對實際雷達信號的識別,，改進算法首先對證據(jù)進行分類和計算各參數(shù)權重值,，再加權融合各參數(shù)來驗證分類結果，最后根據(jù)改進的證據(jù)融合規(guī)則對信號集內(nèi)的信號進行融合,，并作出識別判決,。仿真結果表明，該算法可將證據(jù)信號進行正確分類,，識別率高,，所消耗時間短。

1 算法原理

1.1 DS證據(jù)融合規(guī)則的改進

    運用經(jīng)典的證據(jù)理論對證據(jù)信號進行處理,，當證據(jù)高度沖突時,，將產(chǎn)生有悖常理的結果；當證據(jù)完全矛盾時,，經(jīng)典證據(jù)理論無法使用,。對此，Yager將沖突概率全部賦給未知領域,。該方法完全否定了證據(jù)沖突的作用,，解決了當證據(jù)完全沖突時，傳統(tǒng)證據(jù)理論無法使用的問題,，但融合結果的不確定性增加,，不利于決策，且證據(jù)源多于2個時,，合成效果不明顯,。孫全認為沖突的證據(jù)概率是可用的，可用程度取決于證據(jù)可信度,；李弼程廢棄了可信度的概念,，把證據(jù)沖突概率按各個目標的平均支持度進行分配。孫全和李弼程的方法解決了沖突證據(jù)利用的問題,，但存在一定的主觀因素,，融合結果提高不明顯。

    而肖明珠考慮了證據(jù)沖突性和不沖突性的合成要求,，提出一種新的合成公式,。

    設A_i，B_j,，C_k,，…，分別為N個不同證據(jù)源的焦元,，則：

    通過對證據(jù)融合規(guī)則進行修改,，沖突性證據(jù)按加權平均合成，不沖突性按與運算合成,，反映了證據(jù)間的交叉融合,，較大程度降低了沖突證據(jù)帶來的影響,，具有抗干擾能力，適合運用于不確定性雷達信號的識別,，但算法復雜,。

1.2 證據(jù)分類策略

    在復雜電磁環(huán)境中，各偵察單位所偵測到雷達信號由不同目標組成,，且有些雷達目標的參數(shù)會存在部分重疊甚至相同[9],。運用改進的融合規(guī)則對含有不同目標的證據(jù)源進行融合識別，算法會對沖突概率進行分配,，出現(xiàn)將少數(shù)數(shù)據(jù)的目標誤判別到多數(shù)數(shù)據(jù)的目標,，而無法將不同證據(jù)分離的現(xiàn)象，如對比實驗所示,。因此,，本文在算法改進中引入了證據(jù)分類策略。

    設有證據(jù)m₁,，m₁，…,，m_N,，雷達目標框架為：{A_l，l=1,，2,，…，M},，每個目標的參數(shù)屬性集為{B_j,，j=1，2,，…,，K}。

    分類策略以證據(jù)對目標框架的支持度作為分類的決策因素,，因素的確定有多種方法^[10],，根據(jù)信號實際情況，這里只介紹證據(jù)m_i支持目標A_l的平均指標：

其中,，J(B_j)為目標A_l所包含的參數(shù)屬性的個數(shù),，m_il(B_j)為證據(jù)m_i的參數(shù)B_j對目標A_l的支持程度。

    設證據(jù)m_i支持目標A_l的最大支持度為：

1.3 一致性排序法求參數(shù)權重值

    在雷達目標的識別過程中,，信號參數(shù)因偵測時受各種因素的影響,，帶有不同程度的不確定性，因此對于目標識別的重要性也有所不同[11],。這里引入一致性排序法來確定各信號集中參數(shù)的權重值^[12],。

    示例：設獲得4個雷達信號的載頻（RF）,、脈沖重復間隔（PRI）、脈寬（PW）,、脈內(nèi)調(diào)制特征（MOP）分別對于雷達目標1的參數(shù)相似度如表1,。

    對于證據(jù)1、證據(jù)2,、證據(jù)3和證據(jù)4參數(shù)相似度的一致性排序分別為RF>PRI>MOP>PW,、RF>PRI>PW>MOP、RF>PW>MOP>PRI和PW>RF>MOP>PRI,。利用式(5)和式(6)求得RF,、PRI、MOP和PW的權重向量為(ω₁,，ω₂,，ω₃，ω₄)=(0.458,，0.167,，0.25，0.125),。

    由示例得用一致性排序法求得的參數(shù)權重值可正確反映各參數(shù)的重要程度,，方法簡單，直觀計算量小,，且隨著證據(jù)源數(shù)目的增加,，所求的權重值可更客觀地反映出各參數(shù)對雷達信號識別的重要性。

2 算法改進的方法

    綜合考慮雷達信號的各類信息,，能最大程度地反映這一雷達信號整體特征,，使對雷達目標的準確融合識別有更加完備的證據(jù)源。本章提出改進算法,，主要是通過對雷達目標信號參數(shù)相似度的提取,、證據(jù)源的分類、各參數(shù)權重值的求解,、參數(shù)級和信號級的融合,，來完成對雷達信號的融合識別。算法流程如圖1所示,。

    (1)根據(jù)相似度模型獲取證據(jù)參數(shù)對雷達框架的相似度矩陣為：

    (2)進行證據(jù)源分類,。各證據(jù)信號對目標框架的支持度由式(2)求得。對目標A_l進行證據(jù)分類,，根據(jù)式(3)求得對目標的最大支持度,，設置門限G，將符合式(4)的分為同一證據(jù)集,，然后依次對各目標進行證據(jù)分類,，直至最后一個目標后結束,。

    (3)求解各參數(shù)權重值。根據(jù)證據(jù)集對各目標的相似度利用一致性排序法求得權重值,。同時令目標A_l各參數(shù)相對于關鍵參數(shù)的權重值為：

    (5)利用改進證據(jù)融合規(guī)則式(1)對證據(jù)各參數(shù)進行加權融合,。同時根據(jù)融合結果對步驟(2)所得的信號集進行驗證。驗證原理同分類策略一致,。

    (6)進行信號級的融合,。根據(jù)步驟(5)所得的信任值對驗證好的信號集進行信號級融合，獲得證據(jù)信號對目標框架的總信任值m(A_i),。然后運用證據(jù)決策對各信號集進行識別,。決策方法如下：

    則A₁為識別判決結果，其中ε₁,、ε₂為預先設定門限,。

3 仿真試驗

    本算法中雷達信號的描述特征參數(shù)有RF、PW,、PRI和MOP,。為驗證該算法具有融合各參數(shù)和融合各信號信息的優(yōu)越性，更貼近實際應用,，因此目標框架選取的雷達信號參數(shù)存在相似或部分交叉重疊,，甚至部分參數(shù)完全相同。構成目標框架U為{h₁,，h₂,，h₃,，h₄},，同時提取偵察目標區(qū)域的偵察設備所上報的待識別雷達信號共20組，根據(jù)相似度模型獲取各參數(shù)相似度矩陣,，如文獻[13],，這里不作為研究重點。利用分類策略對信號進行分類,，結果如表2,。

    從表2可以得出，利用分類策略可較好實現(xiàn)信號分類,，分成3個信號集,。但因信號參數(shù)較為相近和不確定性因素的影響，導致有些信號同時出現(xiàn)在不同的信號集中,。如信號8同時出現(xiàn)在信號集1和2中,，信號6同時出現(xiàn)在信號集2和3中，信號10同時出現(xiàn)在信號集1和3中,。

    然后根據(jù)步驟(3)換算各參數(shù)相對于關鍵參數(shù)的權重值,，結果如表3,。

    由表3可看出各參數(shù)對目標的相似程度及重要性，數(shù)值為1說明其相似程度最大,。而目標信號4的各參數(shù)全為1,，這是因為對于目標信號4沒有相應的信號集，根據(jù)分類策略原理得知其相似度也是最小的,，所以其參數(shù)權重值全設為1,，即在融合中保持其相似值，對融合結果沒有影響,。該方法可直觀地體現(xiàn)出各信號參數(shù)對融合的重要性,。對信號集進行參數(shù)加權融合。信號集1的融合結果如表4,。

    根據(jù)融合結果對信號集驗證,，驗證結果將信號10剔除出信號集1。同理,，將信號8剔除出信號集2,，信號集3保持不變。該驗證是在參數(shù)加權融合基礎下進行的,，可實現(xiàn)對分類的準確檢驗,。

    如步驟(5)，運用改進融合規(guī)則對各信號集的信號進行信號級融合,，融合結果如表5,。

    由表5可看出信任度在融合各信號集中的全部信號后，已明顯得以區(qū)分,，這是信號級的融合避免了識別結果因個別信號不確定性帶來影響,。同時對于非目標的信任值達到了0.01級別，說明改進融合規(guī)則兼顧了沖突性和非沖突性證據(jù),，減小了沖突證據(jù)對融合結果和決策的影響,。設ε₁=ε₂=0.1，用證據(jù)決策規(guī)則依次對信號集1,、2,、3進行識別決策，可得h₁,、h₂,、h₃分別為信號集1、2,、3的識別結果,。

    運用本文算法與其他4種改進方法進行仿真對比，統(tǒng)計識別結果及所消耗的時間，分別如表6,、表7所示,。

    因待識別證據(jù)中存在不同目標的證據(jù)信號，所以運用前4種方法只能將信號全部進行融合得出對目標框架的總信任值,，而不能將信號證據(jù)進行分離,，融合結果因受沖突證據(jù)的影響而識別錯誤，因此本文算法更加符合實際信號識別運用,，可將證據(jù)信號進行分類并得到正確的識別結果,。

    基于證據(jù)理論算法的計算量隨著證據(jù)數(shù)目和目標元素的個數(shù)成指數(shù)增加。而對于Yager來說,，其只需計算支持證據(jù)概率部分,，其所消耗的時間較少；對于孫全和李弼程來說,，其計算量要加上對矛盾證據(jù)概率的分配,；而本文算法使用的融合規(guī)則更加復雜，但加入了分類策略,，將證據(jù)信號分為3個信號集,，降低了每次處理的證據(jù)源數(shù)目，有效減少了計算量,，其消耗時間是最少的,。

4 結論

    本文對復雜雷達信號的識別算法進行了改進，引入了分類策略和一致性排序法,，并對證據(jù)信號進行了參數(shù)級和信號級融合識別,。仿真表明該改進算法可實現(xiàn)證據(jù)信號分類和復雜雷達信號正確識別，其識別率高,、消耗的時間少,。

參考文獻

[1] 王力，白靜.改進的證據(jù)理論在多傳感器目標識別中應用[J].科技通報,，2016,，32(7)：134-137.

[2] 安春蓮,，黃靜,，吳耀云.基于證據(jù)理論的多源信息融合模型[J].電子信息對抗技術，2017,，32(1)：23-26.

[3] 王龍,，楊承志，吳宏超,，等.基于FPGA的數(shù)字基帶多模雷達信號源設計[J].電子技術應用,，2016，42(8)：87-90.

[4] YAGER R R.On the dempster-shafer framework and new combination rules[J].Information Sciences,，1987,，41(2)：93-137.

[5] 孫全,，葉秀清，顧偉康.一種新的基于證據(jù)理論合成公式[J].電子學報,，2000,，28(8)：117-119.

[6] 李弼程，王波,，魏俊,，等.一種有效的證據(jù)合成公式[J].數(shù)據(jù)采集與處理，2002,，17(1)：33-36.

[7] 肖明珠.一種改進的證據(jù)合成[J].數(shù)據(jù)采集與處理,，2004，19(4)：467-469.

[8] 鄭旗,，袁曉兵,，李寶清.基于關聯(lián)系數(shù)的D_S融合悖論改進算法[J].電子設計工程，2017,，25(1)：17-21.

[9] 張月玲,，雷英杰，王睿,，等.一種基于證據(jù)相似性的證據(jù)分類策略[J].空軍工程大學學報,，2009，10(3)：55-58.

[10] 趙漫丹,，郝向陽,，張振杰.一種基于層級分類策略的復雜模式識別方法[J].計算機應用研究，2016,，33(8)：2320-2323.

[11] 費翔,，周健.一種處理沖突證據(jù)的D-S證據(jù)權重計算方法[J].計算機工程，2016,，42(2)：142-145.

[12] 李剛,，曹宏舉，賈秀嬌.基于一致性排序的群組G1賦值方法[J].統(tǒng)計與決策,，2010(21)：21-23.

[13] 楊丹.參數(shù)聯(lián)合的機載火控雷達輻射源識別技術研究[D].南京：南京航空航天大學,，2014.

作者信息：

趙汝鵬，田潤瀾,，王曉峰

（空軍航空大學 對抗系,，吉林 長春130022）