陳天翊,張紅敏,盧方合

(1. 中國人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué),河南 鄭州 450001;2. 中國人民解放軍31650部隊(duì),云南 曲靖 655103)

在雷達(dá)對抗中,干擾效果是一項(xiàng)對抗博弈雙方都十分關(guān)注的指標(biāo)。通過評估干擾效果,干擾方可以掌握干擾是否有效,進(jìn)而可調(diào)整干擾策略，提升干擾效果;被干擾方則可以掌握自身在干擾條件下的工作狀態(tài),進(jìn)而可調(diào)整反干擾手段，減小受干擾影響。隨著合成孔徑雷達(dá)(SAR, Synthetic Aperture Radar)對抗技術(shù)的發(fā)展進(jìn)步,如何實(shí)時(shí)、系統(tǒng)、科學(xué)、定量地評估SAR干擾效果,已成為國內(nèi)外該領(lǐng)域研究熱點(diǎn),具有越來越重要的理論與應(yīng)用價(jià)值。

本文總結(jié)了現(xiàn)有SAR干擾效果評估方法,分析了各類方法的優(yōu)缺點(diǎn),進(jìn)一步面向非合作SAR干擾效果評估戰(zhàn)術(shù)應(yīng)用,提出一種基于層次分析法(AHP, Analytic Hierarchy Process)和目標(biāo)檢測識別性能的評估方法,并通過仿真實(shí)驗(yàn)進(jìn)行了驗(yàn)證。

1 現(xiàn)有SAR干擾效果評估方法分析

基于SAR圖像的干擾效果評估方法,從評估主體上可分為主觀評估、客觀評估和綜合評估三類:

1.1 主觀評估

主觀評估是指運(yùn)用人工判讀SAR圖像的方法對干擾效果進(jìn)行評估,是當(dāng)前最常用的手段之一。為了得到更準(zhǔn)確的評估結(jié)果,通常須選取盡可能多的評估人員參與判讀,并各自確定評估權(quán)重，綜合得到評估結(jié)果。主觀評估結(jié)果直觀，緊貼需求且易于實(shí)現(xiàn),但其評估質(zhì)量依賴于評估員的業(yè)務(wù)水平,難以保證客觀、公正和統(tǒng)一;評估流程非自動化,速度慢，效率低,時(shí)間和人力成本較高。

1.2 客觀評估

客觀評估是指從信號或圖像參數(shù)中提取量化、客觀的評估指標(biāo),以此對干擾效果進(jìn)行計(jì)算和評估。經(jīng)典的方法有:1) 評估點(diǎn)目標(biāo)成像質(zhì)量,常用評價(jià)指標(biāo)包括空間分辨率、峰值旁瓣比、積分旁瓣比、檢測率和虛警率等。2) 評估圖像質(zhì)量惡化程度,從干擾前后同一場景的兩幅SAR圖像提取灰度統(tǒng)計(jì)信息作為干擾效果評估的指標(biāo),如歐氏空間距離、均方誤差、等效視數(shù)、結(jié)構(gòu)相似度等。3) 模擬人眼觀感和視覺系統(tǒng)的評估,利用圖像小波分解、人眼視覺加權(quán)處理、圖像區(qū)域紋理匹配程度、分層視覺紋理特征等方法對結(jié)構(gòu)相似度等指標(biāo)進(jìn)行修正。4) 評估圖像包含信息量的變化,針對圖像信息與圖像熵的變化進(jìn)行評估?？陀^評估通過評估系統(tǒng)自動進(jìn)行,沒有人為因素參與,可達(dá)到比較客觀、公正、快速檢測的目的,然而從研究現(xiàn)狀來看,客觀評估的方法大多有適用的局限性,研究大多還停留在理論層次,離實(shí)際應(yīng)用還有一定的差距。

1.3 綜合評估

主觀評估與客觀評估各自存在優(yōu)劣,單一采用某種方法難以適用于復(fù)雜情況,因此有學(xué)者提出綜合評估的手段。最經(jīng)典的就是模糊綜合評價(jià)算法,即采用客觀評估的思想選定評估因素集,采用主觀評估的思想確定權(quán)重集,選取模糊綜合算法，最終得到評估結(jié)果。此外,也有學(xué)者將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到干擾效果評估領(lǐng)域,用人工智能來代替人力實(shí)現(xiàn)“主觀”評估。

1.4 現(xiàn)有研究存在的短板不足

一是較難適用于非合作評估?，F(xiàn)有的研究大多需要對干擾前后同一場景的兩幅SAR圖像進(jìn)行對比研究,一般只適用于對合作目標(biāo)的評估場景,如裝備研制試驗(yàn)、部隊(duì)訓(xùn)練演習(xí)等。而在作戰(zhàn)等非合作場景下,若目標(biāo)SAR已經(jīng)獲得了未受干擾的原始圖像,干擾和評估則已失去意義。因此開展非合作條件下的評估宜以偵察情報(bào)和先驗(yàn)信息為主要依據(jù)。

二是與戰(zhàn)術(shù)背景結(jié)合程度不高。從現(xiàn)有的公開資料來看,客觀評估與綜合評估往往側(cè)重于研究圖像指標(biāo)參數(shù),對戰(zhàn)術(shù)背景或干擾意圖等因素考慮得較少,不利于形成對作戰(zhàn)運(yùn)用的具體指導(dǎo)。

2 基于AHP和目標(biāo)檢測識別性能的SAR干擾效果評估方法

2.1 算法概述

在非合作場景下,評估方有可能在探測方SAR完成目標(biāo)區(qū)域探測后不久的時(shí)間內(nèi),從數(shù)傳通信信道截獲受干擾的SAR信號或圖像;此時(shí)目標(biāo)SAR可能仍處于干擾威力范圍內(nèi),若能迅速利用截獲圖像進(jìn)行“半在線”“近實(shí)時(shí)”的干擾效果評估,仍然具有很高的戰(zhàn)術(shù)應(yīng)用價(jià)值。

在探測方的SAR成像范圍內(nèi),可能存在多種重要目標(biāo)(如武器裝備、陣地工事、重要建筑、交通設(shè)施、地形地物等),其類型、數(shù)量、分布等情報(bào)信息是探測方試圖獲知的主要內(nèi)容,也是干擾方試圖通過干擾手段掩蓋或欺騙的主要對象。區(qū)域分布隱含著目標(biāo)情報(bào)價(jià)值,也是干擾的戰(zhàn)術(shù)應(yīng)用背景,因此可為各區(qū)域賦予評估權(quán)重,融入評估過程。

對于對抗雙方而言,目標(biāo)檢測識別性能是最能直觀體現(xiàn)從圖像獲取情報(bào)信息能力的指標(biāo):對一幅SAR圖像的檢測識別性能較差時(shí),說明探測方難以從中獲取準(zhǔn)確的情報(bào)信息,干擾方的意圖得以實(shí)現(xiàn),此時(shí)干擾效果較好;反之，則干擾效果較差。因此，干擾效果評估問題可轉(zhuǎn)化為目標(biāo)檢測識別性能評估問題。

本文提出如圖1所示的基于AHP和目標(biāo)檢測識別性能的SAR干擾效果評估方法,其基本思想如下。

圖1 算法流程圖

開始評估前,首先根據(jù)實(shí)際目標(biāo)類別及分布等信息,將可能被探測的范圍劃分為若干個區(qū)域;而后在充分收集專家經(jīng)驗(yàn)的基礎(chǔ)上,根據(jù)各區(qū)域價(jià)值利用層次分析法確定各自評估權(quán)重,并根據(jù)當(dāng)前采取的干擾樣式確定各評估指標(biāo)的權(quán)重。

獲取到受干擾的SAR圖像后,首先對其進(jìn)行目標(biāo)檢測、鑒別與識別;而后將各區(qū)域內(nèi)的檢測、鑒別與識別結(jié)果與已知的目標(biāo)信息進(jìn)行對照,以準(zhǔn)確率為基礎(chǔ)提取為評估指標(biāo),分別計(jì)算各區(qū)域的評估結(jié)果;最后根據(jù)區(qū)域評估權(quán)重加權(quán)得到最終評估結(jié)果。

2.2 基于AHP的區(qū)域權(quán)重與評估指標(biāo)計(jì)算

AHP是20世紀(jì)70年代初由美國運(yùn)籌學(xué)家T. L. Saaty最早提出的一種層次化、結(jié)構(gòu)化決策方法。其基本思想是將復(fù)雜問題劃分為若干層次、分解為若干因素,通過兩兩比較因素間重要性，逐層確定相對重要性排序,可以在決策中實(shí)現(xiàn)定性分析與定量分析的結(jié)合,具有系統(tǒng)、簡單、靈活等優(yōu)點(diǎn)。

利用AHP進(jìn)行權(quán)重計(jì)算的步驟如下:

1)構(gòu)建AHP模型。將確定評估權(quán)重作為評價(jià)目標(biāo);選取若干目標(biāo)價(jià)值(如軍事價(jià)值、經(jīng)濟(jì)價(jià)值等)作為評價(jià)準(zhǔn)則,準(zhǔn)則下還可包含若干子準(zhǔn)則(如軍事價(jià)值可以包含指揮、火力、防御、機(jī)動等);將劃分后的各區(qū)域作為評價(jià)方案。評價(jià)模型如圖2所示。

圖2 AHP確定區(qū)域權(quán)重模型

2)確定比例標(biāo)度。采用1-9之間的整數(shù)及其倒數(shù)作為比例標(biāo)度,標(biāo)度含義如表1所示。

表1 1-9重要性標(biāo)度含義

3)構(gòu)造判斷矩陣。設(shè)準(zhǔn)則對應(yīng)的下一層元素為,,…,,則需要針對準(zhǔn)則判斷任意兩個元素相對于的重要程度,并按照1-9比例標(biāo)度對重要性程度進(jìn)行賦值為,由此可以構(gòu)成一個判斷矩陣:

(1)

4)進(jìn)行一致性檢驗(yàn)。首先計(jì)算一致性指標(biāo)(Consistency Index):

(2)

其中為的最大特征根。

而后，根據(jù)判斷矩陣的階數(shù),由表2查得平均隨機(jī)一致性指標(biāo)(Random Index):

表2 1000次Monte Carlo算法得到的1-15階

最后，計(jì)算一致性比例(Consistency Ratio):

(3)

當(dāng)<01時(shí),認(rèn)為判斷矩陣的一致性是可以接受的,否則需要對判斷矩陣進(jìn)行修正。

5)計(jì)算單一準(zhǔn)則下的相對權(quán)重。求解判斷矩陣對于準(zhǔn)則的相對權(quán)重=(,,…,),方法有和法、根法、對數(shù)最小二乘法、最小二乘法、特征根法等。這里采用特征根法:

=

(4)

其中，為的最大特征根,是對應(yīng)的特征向量,將進(jìn)行歸一化處理后就可以作為權(quán)重向量。

6)計(jì)算合成權(quán)重。由上述方法，可以計(jì)算得到以上級因素為準(zhǔn)則、下級各因素的權(quán)重向量。重復(fù)此過程直至方案層,得到所有層級間的相對權(quán)重向量。而后從下至上對相對權(quán)重逐層作加權(quán)計(jì)算,最終可以得到底層各方案對總目標(biāo)的合成排序向量;進(jìn)行歸一化處理后,得到的就是各方案對應(yīng)的總權(quán)重值。

2.3 基于目標(biāo)檢測、鑒別、識別性能的評估指標(biāo)設(shè)計(jì)

對SAR而言,目標(biāo)檢測是指在SAR圖像上找到感興趣的目標(biāo),將其從背景中選擇出來;鑒別則是對檢測到的目標(biāo)進(jìn)行分類,區(qū)分出目標(biāo)的大致屬性(如武器裝備、建筑物、植被等);識別則需要從鑒別結(jié)果進(jìn)一步得到目標(biāo)種類、型號等信息。

為便于處理,本文將重要目標(biāo)(如武器裝備等)和非重要目標(biāo)(如植被、空地等)作為2個鑒別分類,重要目標(biāo)的型號作為若干個識別分類。評估目標(biāo)SAR的檢測識別性能,經(jīng)典的算法主要依據(jù)檢測概率、虛警概率、識別概率、誤識概率等指標(biāo)。在上述理論的基礎(chǔ)上,本文結(jié)合SAR干擾效果評估問題背景,提出下列4個評估指標(biāo):

1)檢測性能衰減度:

(5)

其中，為當(dāng)前評估區(qū)域內(nèi)的確檢目標(biāo)數(shù),即正確檢測到的重要目標(biāo)數(shù);為當(dāng)前評估區(qū)域內(nèi)實(shí)有目標(biāo)數(shù),即實(shí)際存在的目標(biāo)總數(shù)。

2)鑒別性能衰減度:

(6)

其中，為當(dāng)前評估區(qū)域內(nèi)的確鑒目標(biāo)數(shù),即正確鑒別到的重要目標(biāo)數(shù)。

3)識別性能衰減度:

(7)

其中，為當(dāng)前評估區(qū)域內(nèi)的確識目標(biāo)數(shù),即正確識別型號的重要目標(biāo)數(shù)。

4)虛警評估指標(biāo):

(8)

其中，為當(dāng)前評估區(qū)域內(nèi)的虛警目標(biāo)數(shù),即錯誤鑒別為重要的非重要目標(biāo)數(shù);為當(dāng)前評估區(qū)域內(nèi)的得鑒目標(biāo)數(shù),即鑒別為重要目標(biāo)的所有目標(biāo)數(shù)。

易知,、、、均為0-1之間的數(shù)值,且數(shù)值越大，表示當(dāng)前圖像的檢測、鑒別、識別性能越弱,對應(yīng)的干擾效果就越好。與經(jīng)典的檢測概率、虛警概率、識別概率、誤識概率等指標(biāo)相比,上述4個評估指標(biāo)更能充分反映檢測、鑒別、識別3個層次的性能,且根據(jù)問題實(shí)際定義了“分母為0”的情形,更適用于SAR干擾效果評估問題。

2.4 算法主要流程

對截獲的干擾后SAR圖像進(jìn)行檢測、鑒別、識別,并計(jì)算得到各區(qū)域內(nèi)、、、這4個評估指標(biāo)后,即可采取加權(quán)的方式計(jì)算評估結(jié)果。

2)計(jì)算區(qū)域評估結(jié)果。將各區(qū)域內(nèi)的、、、按前步確定的權(quán)重加權(quán)求和,即可得到當(dāng)前區(qū)域內(nèi)的評估結(jié)果:

(9)

(10)

3 實(shí)驗(yàn)與分析

本文采用仿真實(shí)驗(yàn)的方式驗(yàn)證了算法的可行性。實(shí)驗(yàn)素材為利用MSTAR官方數(shù)據(jù)集中的場景與目標(biāo)合成的模擬陣地(如圖3a)所示),包含了20個不同類別的武器裝備。

圖3 仿真實(shí)驗(yàn)場景設(shè)計(jì)

3.1 同場景不同干擾評估實(shí)驗(yàn)

采用恒虛警率(CFAR, Constant False-Alarm Rate)自動目標(biāo)檢測方法和卷積神經(jīng)網(wǎng)絡(luò)(CNN, Convolutional Neural Networks)圖像識別算法進(jìn)行目標(biāo)檢測、鑒別和識別,如圖4所示。

圖4 不同干信比條件下目標(biāo)檢測識別結(jié)果

而后,按本文提出的算法計(jì)算評估結(jié)果,如表3所示。評估結(jié)果表明,干信比越高，干擾效果越好,符合主觀評估的結(jié)論。本文算法利用了更具體的4個分層指標(biāo),且在不同干擾樣式下,分配不同權(quán)重,能夠充分考慮干擾戰(zhàn)術(shù)意圖,得到的定量評估結(jié)果更有實(shí)戰(zhàn)價(jià)值。

表3 不同干信比條件下干擾效果評估結(jié)果

3.2 同場景同干擾區(qū)域評估實(shí)驗(yàn)

在同等干信比條件下,選擇不同的壓制干擾范圍(干信比為0 dB),如圖5所示,也可得到不同的評估結(jié)果,如表4所示。

表4 不同壓制范圍下的干擾效果評估結(jié)果

評估結(jié)果表明,干擾壓制區(qū)域如圖5a)所示時(shí),干擾效果最好,符合主觀評估的結(jié)論。較已有方法,本文算法對同場景同干擾不同區(qū)域的評估結(jié)果并非定值,區(qū)分了不同區(qū)域受干擾對整體影響的差異,較好顧及了待掩護(hù)場景戰(zhàn)術(shù)背景。

圖5 不同壓制范圍下的檢測識別結(jié)果

4 結(jié)束語

通過計(jì)算區(qū)域評估權(quán)重,可以很好地將評估結(jié)果與實(shí)際戰(zhàn)術(shù)背景深度結(jié)合;通過對檢測、鑒別和識別性能分層設(shè)計(jì)評估指標(biāo),可以很好地與干擾樣式、干擾意圖深度結(jié)合;該評估方法計(jì)算簡單快捷,利用現(xiàn)實(shí)場景而非干擾前影像即可開展評估,可以較好地適用于“準(zhǔn)在線”“近實(shí)時(shí)”的“非合作”戰(zhàn)術(shù)情形;此外,該方法可以適用于不同的檢測識別算法,具有很好的兼容性和靈活性。