劉 建柴新新劉正成

(中國(guó)船舶集團(tuán)有限公司第八研究院,江蘇 揚(yáng)州 225101)

0 引言

電子戰(zhàn)是敵我雙方利用電磁能和定向能以破壞敵方武器裝備對(duì)電磁頻譜、電磁信號(hào)的利用或?qū)撤轿淦餮b備和人員進(jìn)行攻擊和殺傷,同時(shí)保障己方武器裝備效能的正常發(fā)揮和人員安全而采取的軍事行動(dòng)。雷達(dá)脈沖去交錯(cuò)技術(shù)是電子戰(zhàn)中至關(guān)重要的一部分,是電子支援的核心和雷達(dá)對(duì)抗系統(tǒng)中的關(guān)鍵技術(shù)。在復(fù)雜的電磁環(huán)境下,來(lái)自同一類(lèi)型的輻射源脈沖信號(hào)通常會(huì)采用同一傳播路徑,這使得接收到的信號(hào)在時(shí)域、空域和頻域上均高度重疊交錯(cuò)。來(lái)自相鄰方向上的同一類(lèi)型輻射源發(fā)出的脈沖信號(hào)往往只是在頻率上有所不同。但是,現(xiàn)代先進(jìn)輻射源的脈沖頻率會(huì)有一組集合,對(duì)于不同的輻射源而言,它們?cè)谶@個(gè)頻率集合上是存在交叉重疊的。在這種情況下,使用傳統(tǒng)的去交錯(cuò)方法很難識(shí)別輻射源數(shù)量以及對(duì)混合脈沖信號(hào)去交錯(cuò)。

本文提出一種對(duì)同一類(lèi)型、同一方向的混合脈沖信號(hào)的去交錯(cuò)方法。該方法首先根據(jù)脈沖信號(hào)的多參數(shù)對(duì)混合信號(hào)進(jìn)行聚類(lèi),產(chǎn)生大量交錯(cuò)的小信號(hào)群。接著,采用集成學(xué)習(xí)的Stacking方法對(duì)脈沖信號(hào)進(jìn)行分類(lèi),從而達(dá)到對(duì)不同輻射源信號(hào)去交錯(cuò)的結(jié)果。

1 傳統(tǒng)的脈沖信號(hào)去交錯(cuò)方法

傳統(tǒng)的去交錯(cuò)方法主要包括:基于脈沖重復(fù)間隔(PRI)的方法、基于脈沖多參數(shù)的方法、基于聚類(lèi)的方法和基于脈內(nèi)特征的方法。

常用的基于PRI的去交錯(cuò)方法有統(tǒng)計(jì)直方圖法(如CDIF和SDIF)和PRI變換法?；赑RI的去交錯(cuò)方法利用到達(dá)時(shí)間參數(shù)(TOA)來(lái)計(jì)算脈沖之間的PRI。但是在混合脈沖信號(hào)中,僅有交錯(cuò)在一個(gè)狹窄范圍內(nèi)的PRI能被正確檢測(cè)到。現(xiàn)代的輻射源越來(lái)越復(fù)雜,通常有較大的PRI范圍和復(fù)雜的交錯(cuò),這使得使用單一參數(shù)去交錯(cuò)的方法變得愈加困難。因此,目前研究多數(shù)集中在使用多個(gè)參數(shù)進(jìn)行去交錯(cuò)。

多元脈沖參數(shù)去交錯(cuò)方法的思路來(lái)自于模板匹配,從接收到的信號(hào)中提取TOA、DOA(波達(dá)方向)、射頻(RF)、脈寬(PW)和脈沖幅度(PA)等參數(shù),并與輻射源數(shù)據(jù)庫(kù)中的模板進(jìn)行比對(duì)。隨著人工智能技術(shù)的發(fā)展,多參數(shù)模板匹配方法也有了新的進(jìn)展。例如,使用神經(jīng)網(wǎng)絡(luò)能夠提高高度重疊脈沖信號(hào)去交錯(cuò)的正確性?；诿}沖多參數(shù)去交錯(cuò)方法的性能取決于輻射源數(shù)據(jù)庫(kù)的正確性和完整性。

基于聚類(lèi)的去交錯(cuò)方法也使用脈沖參數(shù)。每個(gè)輻射源被當(dāng)做一個(gè)群組,每個(gè)脈沖都是一個(gè)樣本。來(lái)自同一個(gè)輻射源的信號(hào)屬于一個(gè)群組,以此進(jìn)行混合信號(hào)去交錯(cuò)。由于聚類(lèi)方法是無(wú)監(jiān)督的,因此不需要先驗(yàn)知識(shí)?；诰垲?lèi)方法的性能取決于來(lái)自同一輻射源信號(hào)的相似性和不同輻射源信號(hào)的差異性。

基于脈沖特征的去交錯(cuò)方法除了使用上述提出的多個(gè)參數(shù)外,還引入了一個(gè)新的特征維度。然而,復(fù)雜電磁環(huán)境下脈沖信號(hào)的脈內(nèi)特征提取存在一定的困難,目前對(duì)該技術(shù)研究較少。

在復(fù)雜電磁環(huán)境下,混合脈沖信號(hào)的脈沖參數(shù)TOA、DOA、PW 和PA 非常接近,甚至相同。在這種情況下,傳統(tǒng)的基于多脈沖參數(shù)的去交錯(cuò)方法性能較差。因此,本文提出一種利用聚類(lèi)和集成學(xué)習(xí)相結(jié)合的方法對(duì)復(fù)雜電磁環(huán)境下的混合脈沖信號(hào)進(jìn)行去交錯(cuò)。

2 基于聚類(lèi)算法和集成學(xué)習(xí)的去交錯(cuò)方法

如圖1所示,本文提出了一種將聚類(lèi)方法和集成學(xué)習(xí)相結(jié)合的去交錯(cuò)方法。該方法首先利用脈沖參數(shù)進(jìn)行聚類(lèi),得到若干個(gè)小的信號(hào)群組;接著進(jìn)行特征提取,然后將數(shù)據(jù)集輸入到分類(lèi)器中進(jìn)行訓(xùn)練和預(yù)測(cè),采用集成學(xué)習(xí)的Stacking方法將不同信號(hào)群組按照輻射源進(jìn)行分類(lèi)融合,從而將交錯(cuò)信號(hào)分開(kāi)。

圖1 基于聚類(lèi)和集成學(xué)習(xí)的去交錯(cuò)方法模型圖

2.1 基于脈沖參數(shù)聚類(lèi)

在聚類(lèi)階段,分別利用脈沖的RF和TOA 2個(gè)參數(shù)進(jìn)行2次聚類(lèi)。通過(guò)不同的參數(shù)進(jìn)行聚類(lèi),將混合脈沖劃分成若干個(gè)小的信號(hào)群組,在同一個(gè)群組內(nèi)的信號(hào)來(lái)自于同一個(gè)信號(hào)源。下一步將會(huì)把不同群組按照信號(hào)源分類(lèi)進(jìn)行融合。

由于相同類(lèi)型的輻射源有著相同的DOA,為了避免互相干擾,就必須使用不同的RF。因此,在這種情況下RF是區(qū)分不同信號(hào)源最有效的參數(shù)。每個(gè)輻射源可能有多個(gè)頻率,但是不同輻射源的頻率集是不重疊的,因此將具有相同射頻的脈沖分到同一個(gè)群組()中,并計(jì)算PRI 值,方便后續(xù)處理。

第2次聚類(lèi)利用脈沖的TOA 參數(shù)。假設(shè)信號(hào)組()中最新的2個(gè)脈沖的PRI值相等,則后續(xù)脈沖()的TOA 可以根據(jù)脈沖信號(hào)的延續(xù)性計(jì)算得到:

式中:和分別表示來(lái)自同一個(gè)輻射源的群組索引號(hào);

表示某個(gè)信號(hào)群組中的脈沖序號(hào)。因此,相鄰脈沖群組滿足公式(1)的可以被歸為來(lái)自同一個(gè)輻射源,并融合到群組(),如圖2所示。

圖2 脈沖信號(hào)TOA 參數(shù)聚類(lèi)

2.2 基于集成學(xué)習(xí)的輻射源分類(lèi)

來(lái)自同一個(gè)輻射源的脈沖序列通常有著某種變化趨勢(shì),這取決于輻射源的特性和位置影響。因此,脈沖信號(hào)的變化趨勢(shì)可以被用來(lái)混合脈沖去交錯(cuò)。例如,搜索型輻射源脈沖信號(hào)的幅度(PA)通常會(huì)有一個(gè)凸起形狀,如圖3 所示。信號(hào)組()和()有著同一種變化趨勢(shì),很大概率來(lái)自于同一輻射源,而()來(lái)自于另外一個(gè)輻射源。

圖3 脈沖幅度的變化趨勢(shì)

專(zhuān)家能夠通過(guò)對(duì)大量數(shù)據(jù)進(jìn)行分析獲得信號(hào)的變化趨勢(shì),并且在遇到新的混合信號(hào)時(shí),可以確定輸入信號(hào)的數(shù)量以及根據(jù)所學(xué)知識(shí)識(shí)別來(lái)自于同一輻射源的信號(hào),我們的目標(biāo)就是構(gòu)建一個(gè)像專(zhuān)家這樣有效工作的機(jī)器系統(tǒng),因此本文采用了集成學(xué)習(xí)的思想來(lái)構(gòu)建這個(gè)系統(tǒng)。

如前文所述,聚類(lèi)是基于脈沖序列的變化趨勢(shì)。因此,從相鄰的2個(gè)信號(hào)群組中提取的特征應(yīng)該能夠表征它們之間的關(guān)系和脈沖序列的形狀。本文中用到的特征與文獻(xiàn)[6]中一致,如表1所示,其中表示信號(hào)組的索引號(hào),表示信號(hào)中脈沖的索引號(hào)。

表1 Stacking模型中輸入的脈沖特征

到達(dá)時(shí)間(TOA)差值特征表示信號(hào)組序列,來(lái)自同一個(gè)輻射源的信號(hào)組的差值必須為正值,而差值為負(fù)值則表示存在2 個(gè)不同的輻射源。幅度(PA)差值特征表示相鄰的信號(hào)組幅度的連續(xù)性,來(lái)自同一個(gè)輻射源的信號(hào)組必須有很小的幅度差值。幅度的變化范圍、變化趨勢(shì)用來(lái)表征信號(hào)組的形狀。

在機(jī)器學(xué)習(xí)的有監(jiān)督學(xué)習(xí)算法中,我們的目標(biāo)是學(xué)習(xí)出一個(gè)穩(wěn)定的且在各個(gè)方面表現(xiàn)都較好的模型,但實(shí)際情況往往不這么理想,有時(shí)候只能得到多個(gè)有偏好的模型(弱監(jiān)督模型,在某些方面表現(xiàn)得比較好)。集成學(xué)習(xí)潛在的思想是即使某個(gè)弱分類(lèi)器得到了錯(cuò)誤的預(yù)測(cè),其他的弱分類(lèi)器也可以將錯(cuò)誤糾正回來(lái)。集成學(xué)習(xí)是將幾種機(jī)器學(xué)習(xí)方法組合成一個(gè)預(yù)測(cè)模型的元算法,以達(dá)到減小方差、偏差或改進(jìn)預(yù)測(cè)的效果。

本文采用的是Stacking方法,該方法是一種集成學(xué)習(xí)技術(shù),通過(guò)多元分類(lèi)器組合多個(gè)分類(lèi)模型。如圖4所示,基于完整訓(xùn)練集訓(xùn)練各個(gè)分類(lèi)模型,基于各個(gè)分類(lèi)模型的輸出-元特征來(lái)擬合元分類(lèi)器。元分類(lèi)器可以根據(jù)預(yù)測(cè)類(lèi)標(biāo)簽或者來(lái)自集合的概率進(jìn)行訓(xùn)練。即首先訓(xùn)練多個(gè)不同模型,然后再以之前訓(xùn)練的各個(gè)基分類(lèi)器模型的輸出作為主分類(lèi)器的輸入進(jìn)行訓(xùn)練。本文中采用的基分類(lèi)器分別是樸素貝葉斯、決策樹(shù)和近鄰,目標(biāo)分類(lèi)器采用的是邏輯回歸。

圖4 Stacking模型圖

3 仿真實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文提出方法的有效性,用軟件仿真模擬電磁環(huán)境來(lái)生成混合脈沖信號(hào)。為了對(duì)比文獻(xiàn)[6]中提出的方法,我們?cè)O(shè)置的仿真訓(xùn)練環(huán)境參數(shù)與其保持一致。本實(shí)驗(yàn)設(shè)計(jì)了2個(gè)發(fā)射器和1個(gè)接收機(jī),2個(gè)輻射源是同一個(gè)類(lèi)型且由同一個(gè)方向發(fā)出。2個(gè)輻射源發(fā)出的信號(hào)有著一樣的PA、PW、PRI和DOA,進(jìn)行4輪仿真,每次持續(xù)20 s。

得到仿真數(shù)據(jù)后,訓(xùn)練集和測(cè)試集按7∶3的比例劃分,并采用5折交叉驗(yàn)證法對(duì)本文提出的方法進(jìn)行驗(yàn)證。

本文在4個(gè)測(cè)試集上對(duì)提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證,如表2所示,一共有4個(gè)數(shù)據(jù)集,分別是A、B、C、D,每個(gè)數(shù)據(jù)集包含2種輻射源。

表2 測(cè)試集數(shù)據(jù)描述

圖5展示了某訓(xùn)練集中混合脈沖信號(hào)分布,點(diǎn)和圓圈表示2種不同的輻射源。

圖5 某訓(xùn)練集脈沖信號(hào)分布

3.2 實(shí)驗(yàn)結(jié)果與分析

本文在4個(gè)數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證,并設(shè)計(jì)對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證本文提出方法的有效性,對(duì)比方法如下:CDMD 表示本文提出的方法;CDMD-NBM表示本文方法分類(lèi)模塊只保留樸素貝葉斯;CDMDDT 表示本文方法分類(lèi)模塊只保留決策樹(shù);CDMDKNN 表示本文方法分類(lèi)模塊只保留近鄰;Mu’19表示Mu等人在文獻(xiàn)[6]中提出的方法。

仿真實(shí)驗(yàn)結(jié)果如表3所示。從表3可以看出,只保留單一分類(lèi)器的3種方法仿真實(shí)驗(yàn)準(zhǔn)確性均不如本文提出的方法。從而說(shuō)明Stacking 確實(shí)可以提升預(yù)測(cè)結(jié)果的準(zhǔn)確性。同理,本文提出的方法CDMD 優(yōu)于Mu’19,因?yàn)镸u’19中采用支持向量機(jī)算法進(jìn)行分類(lèi),該方法也是單一的分類(lèi)器,單一的弱分類(lèi)器在分類(lèi)時(shí)可能存在欠擬合問(wèn)題。本文提出的方法采用的是Stacking融合方法,能夠彌補(bǔ)各個(gè)單分類(lèi)器的不足,從而提高分類(lèi)結(jié)果的準(zhǔn)確性。

表3 不同去交錯(cuò)方法的準(zhǔn)確性

4 結(jié)束語(yǔ)

本文提出了一種復(fù)雜電磁環(huán)境下混合脈沖去交錯(cuò)方法,首先利用脈沖的多參數(shù)進(jìn)行聚類(lèi),然后再采用集成學(xué)習(xí)的Stacking方法進(jìn)行分類(lèi)。與傳統(tǒng)的僅采用脈沖參數(shù)TOA、DOA、PW、PA 的方法不同,本文提出的方法提取的是表征脈沖序列變化趨勢(shì)的特征,接著將數(shù)據(jù)集輸入到分類(lèi)器中進(jìn)行模型訓(xùn)練,然后利用訓(xùn)練好的Stacking模型對(duì)2 類(lèi)輻射源信號(hào)組進(jìn)行分類(lèi)來(lái)達(dá)到去交錯(cuò)的效果。仿真實(shí)驗(yàn)結(jié)果表明本文提出的方法與對(duì)比方法相比,平均提升了2.41%,從而說(shuō)明本文提出方法的可行性與有效性。