基于多維特征模糊加權的密集目標分選關聯方法

楊啟倫,左 園,趙 巍,杜 冶

(中國電子科技集團公司第二十九研究所,四川 成都 610036)

0 引 言

輻射源信號分選[1-4]是電子偵察告警信號處理的關鍵環節,直接影響電子偵察設備性能的發揮。首先對雷達脈沖描述字(PDW)進行去交錯形成分選結果,然后對多個分選結果進行關聯形成目標批號,進而支撐雷達目標的威脅評估。目前學術界已有大量方法研究脈沖去交錯,例如動態關聯法、脈沖重復周期(PRI)直方圖法、平面變換法以及基于神經網絡的分選[5-8]。但是針對空中目標,由于雷達通常采用相參處理間隔(CPI)處理方式,在一個CPI內由于到達角(DOA)、射頻(RF)、PRI、脈輻(PA)都一致,因此脈沖去交錯并不困難,但如何將多個CPI準確關聯形成目標批號目前研究較少。針對密集目標場景,由于DOA通常不可分離,導致分選結果關聯錯誤,嚴重影響目標威脅評估的準確性。

模糊數學是描述、研究、處理模糊特征的數學,Zadeh提出利用隸屬函數來描述模糊概念。模糊數學減少了人們對于人工經驗值的確定,特別是對高維參數處理具有較好的魯棒性。事物越復雜,人們對它的認識也就越模糊,模糊數學處理的效果就越好,目前已經廣泛應用于機器人、醫療診斷、聲音處理、圖像處理、市場預測等多個領域[9-13]。

針對密集目標的分選關聯需求,本文提出了基于多維特征模糊加權的分選關聯方法,首先基于非線性歐式距離度量各維參數的隸屬度,進一步通過隸屬度加權實現分選結果的關聯。

1 基于多維特征模糊加權的分選關聯方法

基于雷達信號處理原理,雷達所使用的電磁參數跟探測性能需求相關[14-16]。在短時間內,由于探測對象、電磁環境等沒有發生明顯變化,因此電磁參數也存在相似性,具備一定的時域記憶特性。因此,可通過電磁參數構建高維空間作為分選結果關聯的基礎。

基于模糊數學理論,采用不同參數的隸屬度加權術和進行關聯處理,其示意圖如圖1所示。令第j維特征的隸屬度為Pj,權重為Wj,那么高維特征的模糊加權后的隸屬度為:

圖1 基于模糊數學處理基礎示意圖

(1)

根據模糊加權后的總隸屬度高低進行分選結果關聯。

各維參數的隸屬度可通過歐式距離來度量。當歐式距離越大,則相似度度越小,對應的隸屬度也就越小。由于各維參數的量綱不同,重要性不同,以及對于雷達探測性能的作用也不同。因此對隸屬度的貢獻不同。在考慮測量本身存在誤差的情況下,可采用非線性歐式距離,具體計算公式為:

Rnow,j=

(2)

當電磁參數差異在大小門限內時,相似性采用歐式距離度量。

針對某個維度的電磁參數X,隸屬度為非線性歐式距離計算倒數后再歸一化處理:

(3)

即非線性歐式距離越小,則隸屬度越大,同時也可看到,多個目標的隸屬度之和等于1。

2 針對不同場景下中重頻、高重頻目標的仿真驗證

為了驗證本算法的性能,下面針對不同場景下中重頻、高重頻目標進行仿真驗證。

2.1 中重頻+高重頻目標仿真

仿真中模擬了2部密集分布的目標,DOA測量均方差為0.3°(r.m.s),而2個目標的方差真值差異為1°,可知僅通過方位無法實現2個目標的正確分辨和關聯。目標1采用中重頻,重頻在20～28 μs以內任意變化;目標2采用高重頻,重頻在10～12 μs以內任意變化。其余電磁參數范圍都交疊,其中頻率范圍都在8 000～9 000 MHz內任意變化,脈寬范圍都在2～2.6 μs,幅度都在140～210 dB范圍內。2個目標交疊的CPI信息如圖2所示,依據時間交疊關系,可以看到同時存在2個目標,但是難以獲得準確的目標CPI關聯信息。

圖2 方位無法分離的中重頻+高重頻密集目標CPI信息

依據對于雷達目標電磁參數的經驗,設置為各維度參數的門限值見表1,這里沒有區分各維度參數的權重差異,統一都設置為1?；诙嗑S特征模糊加權分選關聯處理后的結果見圖3。從關聯后結果的時間連續性、幅度連續性等方面評估,可知2個密集目標的CPI可實現正確的關聯。

表1 多維特征模糊加權分選關聯算法的參數設置1

圖3 基于多維特征的分選關聯結果(實線為目標1,虛線為目標2)

為了驗證本算法對于參數設置的不敏感性,重新設置算法參數見表2。采用基于多維特征模糊加權分選關聯處理后的結果同圖3完全一致。該仿真結果表明,雖然本算法需要人為設置參數,但對于算法參數的設置不敏感,具有較好的魯棒性。

表2 多維特征模糊加權分選關聯算法的參數設置2

2.2 高重頻+高重頻目標仿真

上述仿真中雖然密集,但仍然在PRI維度具有可分性。這里進一步仿真所有維度都無法完全分辨的情況。仿真中2個目標的頻率都在9 000～10 000 MHz內任意變化,目標1和目標2都采用高重頻;重頻都在10～13 μs區間任意變化;脈寬范圍都在1～2.5 μs區間任意變化;相對幅度都在140～210 dB范圍內。2個目標交疊的CPI信息如圖4所示,依據時間交疊關系,可以看到同時存在2個目標,但是難以獲得準確的目標CPI關聯信息。

圖4 方位無法分離的高重頻+高重頻密集目標CPI信息

分別采用表1和表2的算法參數進行仿真驗證,結果都一致,見圖5。每個目標CPI時間及PA的連續性結果表明,本算法針對完全交疊的電磁參數仍然具備較好的分選關聯性能,同時對于算法參數不敏感,具備較好的魯棒性。

圖5 基于多維特征的分選關聯結果(實線為目標1,虛線為目標2)

3 結束語

針對密集目標的分選關聯需求,本文基于模糊數學提出了一種基于多維特征模糊加權的分選關聯方法?；诶走_探測的電磁參數在短時間內具備一定記憶性及相似性,將方位、頻率、重頻、脈寬、幅度等多維電磁參數,以非線性歐式距離進行隸屬度度量,再結合不同參數維度的權重進行模糊加權,并基于最終的隸屬度大小進行分選結果的關聯。最后通過中重頻、高重頻等不同場景的仿真結果表明,本算法可實現參數交疊密集目標的正確關聯,同時對算法參數設置不敏感,具備較好的魯棒性。