一种多模雷达信号分选方法的研究

摘 要:面对日益复杂的雷达,提高发现概率并降低虚警概率已成为雷达信号分选的关键技术。提出一种基于BFSN聚类分选结合数据融合的新的多模雷达信号分选方法。仿真结果表明,该方法能够克服传统方法在分选多模雷达信号时造成的增批等问题,并能做到实时、准确分选。最后给出一种计算可信度的方法。

关键词:信号分选; BFSN; 聚类; 模式合并; 数据融合

中图分类号:TN95 文献标识码:A

文章编号:1004-373X(2010)13-0099-04

Method of Multi-mode Radar Signal Sorting

ZHAO Yu1, LU Zhi-hong2

(1. Jiangsu University of Science and Technology, Zhenjiang 212003,China;

2. The 723 Institute of CSIS, Yangzhou 225001,China

)

Abstract: The improvement of the detection probability and the reduction of the false alarm probaility have become a crucial technology of the signal sorting in the face of more and more complicated radars. A method of multi-mode radar signal sorting which combines BFSN clustering algorithm and data fusion algorithm is put forward. The simulated results indicate that the method can overcome the problems of the selected object addition caused by the traditional signal-sorting method for the selection of multi-mode radar signals and sort the signals accurately in real-time. A method to calculate the reliability is presented.

Keywords: signal sorting; BFSN clustering; mode combination; data fusion

0 引 言

现有的信号分选方法主要分为预分选和主分选。预分选主要基于方位角、载频、脉宽等参数的子空间划分法,该方法将信号的特征参数组成的空间划分为多个分选子空间,然后将脉冲描述字在子空间上投影,属于同一子空间的聚合在一起,从而实现对来自接收机脉冲流的稀释。信号主分选主要是基于脉冲重复间隔(PRI)的去交错算法,这类算法主要有直方图法,累计差直方图法,顺序差值直方图法和PRI变化法等[1]。

为了满足现代战争的需要,有些国家已经开发和使用了一些特别先进、特别复杂的综合体制雷达。所谓“综合体制”是指这些新型雷达已经集各种体制雷达于一身,具备多种工作模式可完成多种作战功能。从信号波形设计来看,这种雷达信号波形相当复杂,往往多种波形同时运用,不仅一种信号参数发生变化,而且频域、时域参数同时参杂着多模式的发生变化。如美国ITT公司设计的Falon多功能雷达,该雷达集常规、MTI、PC、频率捷变等几种体制于一身;同时使用5种波形;经常使用三种工作模式。如表1所示[2]。

表1 Falon雷达的三种工作模式

工作模式载频重频波形重复时间间隔压缩脉冲/ns压缩比脉冲编码

1捷变无固定27863∶1捷变

2脉组捷变4脉冲参差27863∶1脉组捷变

3脉组捷变6脉冲脉组参差139127∶1脉组捷变

对于表1所示的这种体制的雷达辐射源,利用现有的分选方法进行分选,在分选的过程中容易把其中的每一个模式都分选为一个辐射源,造成增批。现有的分选算法都需要相当数量的脉冲数积累,面对这种多模式雷达,在每种工作模式下发射的脉冲数量有限,并且模式之间的快速转换,现有的分选算法在实时性上就很难满足要求了。

针对以上问题,本文提出一种结合聚类、数据融合的综合分选方法。综合分选首先是利用方位角(DOA)、载频(RF)进行预分选,稀释来自接收机的脉冲串。然后利用脉宽(PW)、脉内调制参数进行聚类,在聚类完成之后,利用多模雷达各个模式脉冲的到达时间(TOA)之间的关联性,进行模式融合。仿真实验表明该方法能够提高分选多模雷达信号的正确性,并且具有较强的实时性。

1 基于BFSN聚类分选算法

基于广度优先搜索邻居的聚类算法[3-4](Broad First Search Neighbors,BFSN)属于基于密度的聚类方法,它可以根据数据对象的分布,将数据分成若干个类,而不需要预先指定类的数目。它具有如下优点:算法简单,实现容易,聚类结果精确;聚类过程中能够发现同类对象之间的相异程度;输入2个参数就基本可以估算;能够发现孤立点,发现任意形状的聚类;对输入数据的顺序基本不敏感。

对于预分选后的脉冲,首先使用PW和脉内调制样式参数(K)进行二维聚类。脉内调制样式主要有:线性调频、相位编码、频率编码、偶二次调频、V型调频等。这些脉内调制参数的测量识别在实际工程中已经得到很好的实现[5]。下面具体介绍BFSN聚类分选算法。

假设第i个脉冲的参数组成的向量为Xi,则Xi=[PW,K,RF];当脉内调制方式为线性调频或者非线性调频时,K为调频带宽B,当脉内调制方式采用频率编码或者相位编码时,K为码元的长度Nc;第k个聚类的中心记为Xok,则Xok=[PWok,Kok,RFok];第i个脉冲与聚类k之间的几何距离定义为:

Sik=[(Xi-Xok)TW(Xi-Xok)]12

(1)

式中:W是信号参数的加权矩阵。几何距离越小表示信号参数之间的相似程度越高,如果几何距离小于某一门限值,则该脉冲参数属于同一辐射源。如果几何距离大于某一门限,则该脉冲参数属于一个新的辐射源。

聚类分选的主要目的是将不属于同一辐射源的脉冲尽量分开,同时不产生过多的奇异类(成员较少的类别)。聚类分选的流程图如图1所示。

图1 多参数聚类分选流程框图

聚类的步骤:首先将来自预分选的第一个脉冲设为第一类,并令Xo1=X1,利用式(1)计算第二个脉冲与聚类一的距离S21,如果S21≤S(S为设定的门限),将脉冲2归入聚类一,并从原始脉冲串中剔除该脉冲,之后修正聚类一的中心Xo1,聚类中心的修正公式为:

PWok=PWok*n+PWn+1n+1

(2)

式中:PWok为修正后的第k类的脉宽中心;n为已聚类的脉冲数目;PWn+1为第k类第n+1个需要归入的脉冲的脉宽;Kok,RFok的修正方式同式(2);如果S21>S,则搜索下一个脉冲并计算该脉冲与类一之间的距离,如果距离小于门限,则聚为一类、剔除该脉冲并修改聚类中心,大于门限继续搜索下一个,直到搜索完所有脉冲,由此可以得到聚类一。取剩余脉冲的第一个脉冲为聚类二的中心,按聚类一的方法,搜索并聚类;用同样的方法对所有脉冲进行聚类,当剩余脉冲的数量小于门限时聚类停止。这样就完成了对来自预分选脉冲的聚类。

2 多假设类合并

采用上述聚类的方法可能会将一部具有多种工作模式的雷达聚类为几个辐射源,因此在聚类结束后要对聚类结果进行合并处理。做多假设类合并的依据是:来自同一个辐射源的信号一定具有很强的相似性,而来自不同辐射源的信号则相似性弱。为了有效地探测目标,雷达信号必须具备一定的时间分辨率和距离分辨率,其扫描调制形式和波形以及载频所处的频段也都是为了满足探测目标的需要。所以如果不是来自同一辐射源的脉冲类可能个别参数有一定的相似性,而两个来自同一辐射源的脉冲类,大部分参数都有一定的相似性[6]。

为了便于合并分析,建立相似系数矩阵leib_sim(a,a),a为目前脉冲类的总数;leib(i,j)则对应第i类和第j类的相似系数。同时设定合并门限hebing_thd。

2.1 未合并前各个类的相似性分析

(1) 参数PW的分析

分析各个类之间的PW直方图的相似性,计算公式为:

PW_x_num=PW_x_numi+PW_x_numj

(3)

PW_y_num=PW_y_numi+PW_y_numj

(4)

PW_simij=PW_x_numx_num+PW_y_numy_num2

(5)

式中:x,y分别为直方图中横坐标和纵坐标的取值点;PW_simij为第i类和第j类的相似系数;PW_x_numi,PW_x_numj分别为PW直方图被匹配上的横坐标的个数;PW_x_num为两类匹配上的横坐标的总个数;x_num为两类直方图横坐标的取值点总个数;PW_y_numi,PW_y_numj分别为PW直方图被匹配上的脉冲数;PW_y_num为两类匹配上的脉冲数;y_num为两类脉冲总数。下面以一个例子来解释公式的含义。

如图2、图3所示为两类脉冲的PW直方图(与真实雷达信号无关,仅用于说明公式)。

则有:PW_x_num1=2,PW_x_num2=2,在PW=2和PW=7处匹配上;PW_x_num=4;x_num=5;PW_y_num1=3+4=7,PW_y_num2=5+4=9;PW_y_num=16;y_num=20;则PW_sim12=45+16202=0.8。

利用分析PW的方法,继续分析载频RF、带宽B等参数。从而得到相似系数矩阵leib_sim(a,a)。

图2 类一PW直方图

图3 类二PW直方图

2.2 利用时间连续性和相似系数矩阵进行合并

多模雷达模式之间的转变间隔很短,因此各类间的时间连续性分析成为多假设类合并首要因素。具体分为:如果已聚类的结果中某两类的到达时间为首尾相连则认为具有较好的时间连续性,则认为这两个聚类为一部雷达的两个模式,将这两类进行合并;取类二的到达时间:TOA_start(第一个脉冲到达时间),TOA_end(最后一个脉冲到达时间);如果TOA_start、TOA_end刚好落入类一的两个连续脉冲间,则认为具有很强的时间连续性,将这两类进行合并。对于时间连续性不明显的类别则利用相似系数矩阵与合并门限进行比较,大于门限则进行合并,小于门限则不合并。

2.3 孤立点的挖掘

经BFSN聚类和多假设类合并后,可以得到多个脉冲类。设定一个关于类中脉冲数目的门限,如果类中脉冲数目小于门限,则表示该类脉冲为孤立点。算法挖掘出的孤立点信号可能是记录错误、测量误差造成的错误数据和噪声数据,没有什么意义,剔除就行;但也可能具有较大的信息量,表示平时不易侦察到的雷达。因此,对挖掘出的孤立点进行分析具有很大意义。要判断这些孤立点是否为雷达信号,只能利用重复周期这个参数。在利用PRI分析分选效果时可以分析这些孤立点。

3 利用PRI分析分选效果

经过聚类和多假设类合并之后,计算经过合并之后各类的PRI,并给出PRI统计直方图,文献[7]提出利用直方图的方法进行判别固定重频信号。首先利用TOA对信号做一阶差值直方图,假设直方图包含N个小区间,每个区间的中心为Toi,其对应的直方图值为H(Toi),这样可以得到2个N维的向量:

T=[To1 To2 … Toi … ToN]′,

P=[P(To1) P(To2) … P(Toi) … P(ToN)]′

找出P中最大的元素记为Pmax,将P中所有元素都除以Pmax将其归一化,再将P中小于0.8的元素都设为0(谐波分量对应的元素变为0),所有非零元素组成的新向量记为P′,将T中与P对应的元素组成新的向量T′,这样可信度的定义为:

C=P′T′PT

(6)

式中:T′为N1×1向量,T为N×1向量,且1≤N1≤N。如果N1=1则说明该信号为固定重频信号概率很大,如果N1>1则需要进行参差判别,文献[8]给出了满足雷斯尼克模型的参差信号鉴别方法。

4 仿真验证

模拟预分选输入的脉冲由五部同方位X频段(频率集中在9 400~9 500 MHz之间)雷达信号组成。其中两部三模式雷达,一部宽窄脉冲雷达,两部脉压雷达,共836个脉冲。具体参数如表2所示(仿真编程时脉内调制形式用不同的数字代表不同的调制形式)。

使用表2数据进行仿真,在BFSN聚类分选完成后,总共被聚为10类,如图4所示在脉宽为100 μs处有一类,图5显示脉宽在200~800 ns之间的聚类共有9类。经过多假设类合并融合之后最终分选为5部雷达,与模拟输入的数目一样,如图6(a)所示。图6(b)~图6(f)给出了最终分选出的5部雷达的PRI直方图。由所得的PRI直方图可以看出仅图6(b)对应的PRI变换方式简单,对应为宽窄脉冲雷达。图6(c)~图6(f)中所示的PRI变换范围比较大,变化方式也比较多,如果用传统的PRI分选将很难实现。由于本文仅研究分选,重频类型的识别见文献[ 9-10] 。

表2 模拟的5部雷达信号参数

批号工作模式脉宽脉内调制形式载频 /MHz重频类型脉冲数

1三模式

1200 ns参差线性调频固定9 400固定30 μs50

2300 ns参差相位编码脉组捷变脉组参差40

3400 ns捷变频率编码脉组捷变脉组参差60

21500 ns固定线性调频与PRI同时捷变脉组捷变100

3宽窄脉冲1100 μs固定

100 ns固定宽脉冲线性调频,

窄脉冲常规脉冲4组参差PRI1=200 μs

PRI2=500 μs100

100

41800 ns参差相位编码3脉冲16点跳频6脉冲参差96

5三模式

1400 ns固定偶二次调频6脉冲跳变6脉冲参差90

2300 ns捷变频率编码与PRI同时变成组参差80

3400 ns固定线性调频6参差固定120

图6 最终分选融合结果直方图

图4聚类结果直方图(一)

图5 聚类结果直方图(二)

图6 最终分选融合结果直方图

5 结 语

本文提出的多模雷达分选方法,主要分选采用到达角DOA和载频RF进行预分选处理后的脉冲。在分选的过程中,首先采用脉宽和脉内调制形式参数进行聚类,聚类完成之后求各个类别之间的相似系数矩阵并分析各个类别的时间关联性,利用多模雷达各个模式之间的时间关联性和相似性进行模式融合和多假设类合并,对融合之后的类别继续进行时间关联性判断,查找是否有宽窄脉冲雷达,有则进行融合。最后计算并分析最终所得分选结果的PRI,并利用PRI判断可行度。该方法有很好的分选正确率,实时性也比较好,具有一定的工程应用价值。

参考文献

[1]赵国庆.雷达对抗原理[M].西安:西安电子科技大学出版社,1999.

[2]旷平昌,王杰贵.基于脉冲样本图的雷达辐射源识别新技术[J].电子对抗,2009(4):12-18.

[3]叶菲,罗景青.一种基于BFSN聚类的多参数综合分选算法[J].雷达与对杭,2005(2):43-45.

[4]申冰,周群.一种信号分选和特征提取联合处理的雷达信号分析方法研究[J].火控雷达技术,2007(9):51-54.

[5]祝正威.雷达信号的聚类分选方法[ J] .电子对抗,2005(6):6-10.

[6]冯清贤.复杂体制雷达综合分选技术的研究[D].成都:西南交通大学,2007.

推荐访问： 分选 信号 多模 方法 研究