分布式协同侦察及融合关键技术研究技术协议.docx
《分布式协同侦察及融合关键技术研究技术协议.docx》由会员分享，可在线阅读，更多相关《分布式协同侦察及融合关键技术研究技术协议.docx（19页珍藏版）》请在冰豆网上搜索。
分布式协同侦察及融合关键技术研究技术协议
分布式协同侦察及融合关键技术研究
技术协议
二零一四年五月十五日
、研究目标
利用分布式协同传感器资源获取雷达及通信威胁节点的全脉冲数据，其中雷达辐射源的全脉冲数据包括：
脉宽、脉冲重复周期、载频、信号到达时间、信号到达角度、幅度、脉内调制信息等，通信辐射源的全脉冲数据包括：
载频、带宽、码速率、调制方式、到达时间、持续时间等，根据多节点获得的全脉冲数据，研究复杂信号环境下快速高效的侦察信息融合处理算法，完成非威胁目标信息的剔除、威胁辐射源信息的关联聚类、威胁辐射源参数测量精度提升、高精度的威胁辐射源信号到达时差提取、威胁辐射源频率等关键参数的统计等功能，实现对战场威胁环境的快速准确感知，以支撑对战场态势的感知、监控和对威胁的快速反应。
二、研究内容
本课题针对复杂信号环境下雷达和通信侦察信息的分选、参数估计、识别等关键技术开展研究，主要研究内容包括：
1典型雷达及通信辐射源信号特征分析
对一些典型雷达及通信辐射源信号特征进行分析，比较其信号特点，以支撑对雷达及通信辐射源侦察信息融合算法研究。
课题选择的典型雷达辐射源包括：
a.地面防空预警有源相控阵雷达（如117系列、Master系列等）；
b.台军防空系统预警雷达网（如HR-3000、GE-592、FPS-117雷
达等）。
典型的通信辐射源包括:
a.Link-11数据链；
b.Link-16数据链。
2雷达侦察信号处理
在典型雷达通信辐射源特征分析的基础上，重点研究雷达信号的信号分选、关联聚类、参数估计等关键算法。
雷达侦察系统的作用是对雷达辐射源信号的环境进行检测和识
别，对空间中的雷达信号及其工作参数进行测量与分析，并从测量结
果中得到有用的信息。
典型雷达侦察设备的基本组成如图2-1所示
需达帧察设帝前端:
雷达侦察设备后瑙
I
I
I
图2-1典型雷达侦察设备的基本组成
雷达侦察系统中的信号处理过程实际上就是对接收机截获的实
时脉冲流进行信号分选与识别的过程，其信号分选处理的顺序是，先进行信号的预分选处理，再进行信号的主分选处理。
有了信号的分选之后，才可以进行信号的参数分析，最后再进行判断与识别。
雷达信号分选就是从截获到的密集雷达脉冲流中分拣出属于不同雷达辐射源的脉冲，它是雷达信号侦察处理中的核心组成部分之一只有从随机交迭的信号流中分选出各个雷达脉冲序列之后才能进行信号参数的测量、分析、识别以及对雷达威胁辐射源施加压制式干扰或构造虚假目标回波信号进行各种欺骗式干扰。
脉宽载频到达甬度重复周期
图2-2雷达信号分选总体工作流程
雷达信号分选的基本原理就是分析截获信号的各种参数，主要有
脉冲到达方向DOA、载频RF、脉宽PW、脉幅PA及到达时间TOA
等,对随机交迭的脉冲信号流自动分离成各部雷达的单独脉冲序列，精
确测量和详细分析各种雷达的特征参数，以及各雷达辐射源的地理分布，从中判断这些雷达的用途、平台类型、配置的武器系统以及威胁等级,为战略情报分析提供依据或为警戒干扰系统提供识别高威胁信号的特征参数。
（1）雷达信号预分选
雷达信号分选预处理阶段主要利用DOA、RF、PW等信息对信号进行分选稀释。
雷达信号预处理的主要任务是根据已知雷达辐射源的主要特征和未知雷达辐射源的先验知识，对实时输入的脉冲流
进行预分选。
首先把m个已知的雷达脉冲信号特征’与实时输入的N个
wW作快速匹配，从脉冲信号流二中分离出满足特征{CJ2的已知雷达脉冲信号子流{"隧川二，将这些已知雷达信号子流分别存放在m个已知雷达数据库的缓存区，交给主处理单元作下一步的分选处理。
然后根据未知雷达信号的处理方法：
，对剩余的雷达脉冲信号流作预分选，得到n个未知雷达脉冲信号的子流首g於影匕也，将这些未知雷达信号子流存放在n个未知雷达数据库的缓存区，交给主处理单元作下一步的分选处理。
现在常用的信号分选方法是对雷达脉冲参数逐个进行统计直方图的分析，这种方法只能适应于参数在短时间内基本不变或者具有重复性变化规律的情况。
而现代雷达其脉冲参数是随机可变的，并且其脉冲参数不具有重复性的变化规律。
如果在同一方向，同一频段内有多部雷达，它们的参数变化范围有部分交叠，侦察设备的灵敏度能够收到雷达的副瓣信号，从而形成多部雷达信号互相交错的脉冲列。
在这种情况下，采用上述分选方法是不可能完整地分选出属于同一部雷达的脉冲序列。
因此有必要探讨新的信号分选方法，人们开始尝试将聚类理论应用于雷达信号预分选中，其中K-Means聚类算法使用的
最为广泛，并且取得了一定的成果。
K-Means聚类算法目前在雷达信号预分选中也已经得到广泛的应用。
K-Means算法最大的缺陷是该算法要事先给出将要生成的聚类数目以及初始化聚类中心，并且初始的聚类个数和聚类中心对聚类结果影响很大，而在实际应用中聚类数目我们通常是不得而知的，这就很
大程度上限制了该算法的应用。
K-Means算法还存在一个问题就是当把一个异常数据勉强归入某个类之后，就可能导致这个类的聚类中心发生很大的变化，使聚类变的不稳定，从而影响最终的聚类效果。
针对K-Means算法的缺陷，重点进行两方面的改进。
第一是在聚类算法之前对原始数据进行孤立点的去除；第二是直接用样本点进行初始聚类，不用设定聚类的类别数，用样本点到聚类中心的欧式距离是否在误差范围内作为判断标准进行聚类，不用计算样本点到每个聚类中心的距离。
（2）雷达信号主分选
雷达信号主分选是指，从预处理输出的已知雷达脉冲信号流{PO%Im和未知雷达脉冲信号流甲％}蕩中，分选出各部雷达的PDW序列。
已知雷达预处理的输出'八对应着已知雷达主处理的输入，在信号子流'八中，利用已知雷达脉冲信号的重复周期PRI，检测和分选出j雷达的脉冲子流_：
，并且检
验判断j雷达是否存在。
经过预处理阶段，把具有相近DOA、RF、PW等参数的雷达脉冲划分在同一个子空间内，假如这个子空间内的脉冲是由几部参数相近的雷达产生，那么这些脉冲就组成了相互交错的脉冲子流，未知雷达信号的主分选就是把这些相互交错的脉冲流区分成为各部雷达的脉冲。
即便是PRI相等的两列互相交错的脉冲序列，去交错都可以区别开来，所以当未知雷达信号不能用预分选完全分开时，就要考虑用脉冲的到达时间作进一步的脉冲分选，即主分选
或称重频PRI分选。
常用的信号PRI分选方法是首先估计出雷达信号的PRI值，然后根据这个估计值分选出每一部雷达辐射源的脉冲序列，从而得到各个雷达辐射源的参数集。
因此PRI分选可以分为两个部分，PRI的确定以及PRI确定后的序列检索。
表2-1给出的是一些经典的PRI分选算法和它们各自的优缺点。
表2-1典型PRI分选的优缺点
方法
适用范围
脉冲抖动时效杲
算法时间
其他
动态扩展关联法
信号较从不复朵，牀冲丢
失少
分选效果较差
分选速度较快
算法简单,剔于实现
CDIF
寒信号昭
脉冲丢失很少
需哽校大容差，较M发生分选错溟
速度较SDIF慢
对信号的违续性耍求
较髙
SDIF
多信号环境.脉冲丢失不是很大
抖动范围小T10%时，
仍有很好的检测效果
计算遽度较快
在信号密集、丢失概率$左高的情况卜•農警率铀
PRJ变化
多信号环境*脉冲丢失不是
很大
抖动范用为20%胡0%时，仍有很好的检测效果
由于要计算捋数运算.时间开销最大
几乎抑制了全部子谐波”不适用于臺频参差脉冲序列
半血变换
爹信号極对咏冲丢失不
敏感
需要同一信号的脉冲数很多，才能在平面显示出特征朋线
需要人工参与’实时性雄以包证
町视性强、能适应各种复杂体制的雷达
在现代复杂的战场情形下，电子侦察设备所获取的雷达信号的脉冲密度大，信号的体制复杂，信号微弱，遗漏的脉冲数较高等特点。
没有哪一种PRI分选方法可以适应所有的信号环境，因此需要结合多种信号的PRI分选方法，充分利用每种方法的优势。
针对本课题复杂信号环境和快递高效处理的要求，这里重点研究SDIF方法。
SDIF算法是对CDIF算法进行了改进，SDIF算法不同于CDIF算法从一级差值进行累积统计。
SDIF算法确定可能的PRI值是通过某一级差值的统计。
SDIF算法不作门限和两倍脉冲间隔直方图的比较，可以节省大约一半的时间。
实际上SDIF算法之所以能只靠某一阶的差值就可以判别可能的PRI，其原因在于最佳判决门限上，如果设定一个较好的门限，就可以排除不属于这一序列的差值间隔。
SDIF算法和CDIF算法都是以接收脉冲的自相关函数的计算作为基础，由于周期信号的相关函数仍然具有周期性，所以很有可能脉冲间隔及其倍数值（子谐波）会同时存在，这样对后续的分选处理带来不利影响。
而且SDIF算法和CDIF算法的门限公式的参数设定都是经验值，参数的具体确定难度很大，需要进行大量的试验分析，电磁环境对参数的确定影响很大，在不同的电磁环境下参数是不同的，为了能够抑制子谐波，可以采用复值自相关积分算法，利用该算法可以把脉冲信号的TOA差值变到一个谱上，从谱峰位置就可以估计出可能的PRI值，可以有效的对子谐波进行抑制。
3通信侦察信息处理
随着通信技术的不断发展，日益密集的通信环境使得宽带通信侦察接收机捕获的宽频带数据中可能包含着许多具有不同特点的信号，如固定载频的常规通信信号、跳频信号、猝发信号、扫频信号、扩频信号、各种各样的人为和非人为的干扰信号等。
如此多的信号交织在一起，使得感兴趣通信信号的监测难度越来越大，因此，研究如何对复杂通信环境中的各种通信信号进行分选，剔除干扰和噪声影响，发现感兴趣通信信号，并估计相应的特征参数，减轻通信侦察系统后续处理的负担，不但是一项很富有挑战性的课题，也已成为当前通信侦察领域紧迫而艰巨的任务之一。
本课题主要围绕载波频率固定的常规通信信号和跳频通信信号
的分选问题进行研究。
（1）常规通信信号（直扩通信信号）侦察
这里所指的常规通信信号主要是指信号带宽相对于载频比值很小的窄带信号（也称固定载频通信信号），其中典型信号为直接序列扩频信号（简称直扩信号），这一类通信信号的分选问题主要包括窄带信号检测、特征参数估计和窄带信号跟踪三个部分。
窄带信号检测的任务是如何从信道化输出数据中粗略的估计出窄带信号的个数，并标
识各窄带信号所在位置。
而特征参数估计部分主要是根据各窄带信号所在位置及幅度值，估计中心频率、带宽、平均功率和入射方向等参数，构造各窄带信号的特征参数集。
最后，按照一定规则，利用特征参数集对窄带信号进行跟踪，获得感兴趣的常规通信信号。
图2-3常规通信信号的分选流程
1•窄带信号的检测
窄带信号检测的任务就是以信号的频率连续性作为依据，从信道
化输出数据中粗略的估计出窄带信号的个数，并标识各窄带信号所在位置。
在规定时间内统计各瞬时频率出现的次数，结果用直方图描述，用于网台分选，因为对同一个跳频网而言，在一定的时间内，频率集内的各个瞬时频率出现的次数是基本相同的。
这种方法用于分选跳频电台与定频电台更为有效，因为定频电台的出现次数一般远大于跳频电台在每一个瞬时频率上出现的次数。
传统基于单门限的窄带信号检测方法是将门限检测与聚类处理相结合，首先使用一个相对比较低的门限进行检测，然后通过聚类处理删除虚警引起的虚假信号，识别正确信号。
这类方法通过聚类处理提高了窄带信号的检测能力，但是聚类处理的能力毕竟是有限的，它对门限设置有很高的要求。
门限过低，由虚警引起的虚假信号增加，聚类处理不足以删除所有的虚假信号。
门限过高，将导致正确信号被分割为两个甚至更多个信号，聚类处理不足以识别正确信号。
为缓解单门限检测中存在的问题，出现了一类双门限窄带信号检测（LAD）算法。
其基本思想是首先用下门限对功率谱估计进行检测，将检测到的相邻样本归为一类，然后计算每一类中的最大值，并与上门限比较，若超过上门限，则判定该类属于信号类，否则属于由虚警引起的噪声类。
2.特征参数估计
在对窄带信号进行特征参数（方位角、带宽、载波频率等）估计之前,首先将占有相同频段，且方位角非常接近的两类合并为一类。
经过上述处理后，可靠类集中的类别个数即为接收信号的个数。
为估计
第q个信号的方位角、载波频率和带宽，下面首先对第q类中的频率集进行如下处理：
中选出一个子频率集Fp，它满足如下公式
Fp={fqkm?
Fq_C
Fq兰fqk兰m?
Fq+c
Fq,fqkFq}
步骤1：
计算频率集Fp中离散频率的均值m?
Fp和标准差由Fp，并从Fp
（2-1）
步骤2：
令Nq表示Fq的容量，则若Nq^Nq，Nq「Nq，Fq"Fq转至
以Fp中
步骤1。
否则Nq「Nq，Fq-Fq，并寻找Fp对应的方位角集。
步骤3:
以Fp中所有离散频率的均值作为载波频率的估计,所有离散频率的大值与小值之差作为带宽估计。
以FP所对应的测量矢量集的均值作为入射方向的估计。
步骤1和2的目的是根据信号的频率连续性，剔除频率集中的例外频率值。
由此提高入射方向，载波频率和带宽的估计精度。
3•窄带信号跟踪
窄带信号的跟踪包括两个方面：
窄带信号的判决和窄带信号的刷新。
下面将分别讨论。
（1）窄带信号判决
根据常规通信信号的载波频率和带宽固定，方位角不会随时间快速变化的特点，窄带信号判决主要采用载波频率、带宽和方位角作为特征参数。
设信号库中已存储了Q个窄带信号的特征参数集
参数估计得到的载波频率、带宽和方位角。
新截获窄带信号的特征参
数集为「『朮月,二目标是判断新截获窄带信号是否包含在已存储的
Q个窄带信号中。
步骤1：
计算新截获窄带信号的方位角「与Q个已存储的辐射源
的方位角参数'匚爲的相似性，即
步骤2：
设方位角的分辨门限为dT，寻找d,k=1,…,Q中窄带信号集合窃八讥dq：
：
：
dT,q“，…,Qj。
若集合ST为空，则新截获窄带信号以前未被截获，将其作为新信号进行存储。
步骤3：
否则，从集合St中找出频率范围_f0q-Bq/2,foq•Bq/2内包
含新截获信号载波频率fo的所有信号，如果不存在这样的信号，则新截获信号以前未被截获，将其作为新信号进行存储。
否则，新截获的
信号已经存在信号库中，从找到的信号中选择带宽接近的信号（相应的特征参数集为"q），并根据新信号的特征参数集八只fo,B「'更新参数集'='f°q，Bq，q；，得更新后参数集叫=%尽，q■，即
_JNqf°q'f°
Nq1
（2-3）
NqBqB
Nq1
（2-4）
Nq^qJ
Nq1
（2-5）
BJq二
:
=J
0q
（2）窄带信号库的刷新
保留
窄带信号库刷新的目的就是剔除持续时间较短的干扰信号,
常规通信信号。
在信号库中，每个信号都具有两种不同的状态：
“活跃（active）”和“不活跃（inactive）”，用于表示信号是否包含在本次（当前）截获的所有信号中。
当信号在一定时间内处于“不活跃”状态时，该信号将被当作干扰剔除。
信号库中各信号的状态转移流程如下：
步骤1:
初始化。
将第一次截获各个窄带信号，添加到信号库中，状态设为“活跃”，持续时间的初值设为零。
步骤2:
对于第kk-2次截获的各个窄带信号，执行如下处理：
若被判定为已存在的信号，则该信号处于“活跃”状态，更新持续时间。
若被判为新信号，则在信号库中添加这一信号，更新持续时间，该信号处于“活跃”状态。
各个截获到的信号都处理完成以后，未处理信号作如下判决：
若信号状态为“活跃”，则改为“不活跃”。
步骤3:
判断信号库中处于“不活跃”状态的信号是否大于延迟时间Td，将满足条件的信号从信号库中删除。
转至步骤2。
注意，步骤3是为了删除在延迟时间内不再出现的窄带信号，即剔除短持续时间干扰。
对于每一组频域数据，所占用的时间为LDfs，其中，fs为信道化接收机的输入采样率，L为积累次数，D为信道化接收机中的抽取倍数。
所以，延迟时间Td可表示为Td=NTLD/fs，*正整数。
（2）跳频信号侦察
1）跳频信号的盲检测
利用单跳自相关技术作为预检测处理器，采用自相关方法用于检测跳频比起传统的基于能量检测的接收机来说，具有明显的性能提升．但是这些方法都需要假定已知信号的一些参数，对于实际的信号侦察中，接收方对于跳频信号的参数实际上是完全未知的。
基于多跳自相关技术MHAC（Multiple-HopAutocorrelation）的跳频信号检测方法，无需知道跳频信号的功率、跳频图案、载波相位、跳变时刻、跳频速率等参数，只需假定已知信号的跳频带宽，并且跳频信号具有较大的处理增益，可以实现信号的盲检测．
2）跳频信号的盲分选
目前一般采用基于网台的频率信息、驻留时间信息、信号幅度等为基础的时间相关法来进行跳频网台分选。
跳频网台信号的时间相关分选过程就是利用同网台信号之间的时间相关性对截获的信号数据进行分析处理，以获得有用参数，达到分选的目的。
有用参数包括：
非正交跳频网数、每网的跳频速率和频率集，在搜索期间出现的所有定频信号的幅度和频率，以及某一特定频率信号在观测期间出现的次数、每次出现的起始时间（起始帧）和持续时间等。
在跳频网台分选中利用方位信息来进行网台分选跚，引入测向信息将增加网台分选时的有用参数，利用测向得到的方位信息在极坐标图上表现为具有在某个中心的离散分布，采用模糊聚类将其有效分开。
基于独立分量法对跳频网台进行盲分选，仅利用截获的多个跳频网台的混合信号进行分选，分选方法易于软件设计实现。
3）调频参数盲估计
完成对多个跳频网台的混合信号的分选后，需要对某个跳频网台的信号的特征参数进行盲估计，包括估计信号的跳变周期（即跳频速率），跳交时刻、跳频的频率等特征参数。
从而获取敌方更为详尽的通信信息；为进行电子干扰提供有力的支援。
针对跳频通信的电子干扰，跟踪式干扰能够对跳频通信进行有效的干扰。
但要进行跟踪式干扰，就必须对截获分选出的单个跳频网台的跳频信号进行处理，获得单个跳频网台的主要特征参数，根据得到的特征参数对敌方的跳频通信进行干扰，做到有的放矢，有效干扰。
因此，跳频参数盲估计在跳频侦察中具有重要的地位。
对跳频信号特征参数的盲估计，这里拟采用短时傅立叶变换的时频分析的方法进行处理。
短时傅立叶变换也称加窗傅立叶变换。
具体算法这里不再赘述。
4雷达通信侦察信息融合对于目标识别来说单传感器提取的信息往往是待识别目标的不完全描述而利用多个传感器提取的独立互补的信息进行多传感器信息融合可以消除多传感器信息可能存在的冗余和矛盾降低不确定性并产生新的有意义的信息。
通过多节点通信、雷达侦察接收机截获对方舰载、机载通信和雷达信号，分析和获取对方通信及雷达信号的各种参数，运用多传感器信息融合技术综合识别和判定这些辐射源，进而为评估并定位其装载平台及其相关联的武器系统提供支撑。
雷达与通信侦察设备目标识别的前提是敌方平台的雷达辐射源与通信电台的识别。
雷达侦察设备根据所获敌方平台雷达辐射源的载频、脉冲重复频率、脉冲宽度、天线扫描周期等属性参数识别雷达辐
射源。
雷达辐射源的识别方法很多，如基于神经网络的雷达辐射源智能识别方法、基于模糊推理的雷达辐射源识别方法和基于属性测度的辐射源识别方法等。
通信侦察设备根据所获敌方平台通信电台的中心频率、带宽、信号电平、电台功率、调制方式等属性参数识别敌方通信电台。
通信电台的识别方法有加强K最近邻分类方法、基于D-S
证据理论的通信电台识别方法和D-S证据理论与灰关联相结合的通信电台识别方法等。
虽然单独识别敌方平台上的雷达或通信电台可以推算出敌方平台类型，但结果的置信度通常较低。
通过融合雷达和通信侦察设备的数据，增加融合后结果的置性度。
在目标融合识别系统中，由于各个传感器提供的信息往往是不完整的、不精确的、模糊的，具有某种程度的不确定性及模糊性，甚至还有可能是相互矛盾的，因此要进行目标的融合识别，不得不依据这些不确定性的信息进行推理，以达到获取最终识别目标身份的目的。
不确定性推理方法正是处理那些具有不完全、不确定、不清晰的信息或数据，是目标融合识别的基础。
Dempster和Shafer提出的证据理论则能够处理这种由先验概率未知而引起的不确定性。
同其他不确定性推理理论方法相比较，D-S证据理论具有较大的优点，主要表现在以下几个方面：
1）证据理论具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。
2）证据理论可以依靠证据的积累，不断缩小假设集，亦即证据理论具有当证据增加时使受限假设集模型化的能力。
3）证据理
论可将不知道”和不确定”区分开来。
4）证据理论可以不需要先验概率和条件概率密度。
（1）D-S证据理论的基本概念
D-S证据理论是在经典概率论的基础上发展起来的，其基本思想
是建立一个辨识框架U，U定义了一个互不相容事件的完备集合，代
表对问题所有的可能答案。
按传统方法可以把U的幕集表示为2U，
它是U的所有子集的集合。
如果识别框架U有N个元素，那么U的幕集就有2N-1个元素。
基本概率赋值函数。
设U为一识别框架，则函数m：
2ut[0,1]在满足下列条件时：
m（”）=0
、m（A）=1
（2-6）
.A1U
称m为框架U上的基本概率赋值函数（BPAF）,m（A）为A的基本概率赋值（BPA）。
m（A）反映了对命题A的精确信任程度，表示对命题
A的直接支持。
信任函数（BeliefFunction）BEL（A）表示对命题A的总信任程度，定义BEL:
2u—[0,1]为：
BEL（A）八m（B）（~AU）（2-7）
B口
（2）D-S证据理论的组合规则
证据合成法规则是一个反映证据联合作用的法则。
给定几个同一识别框架上基于不同证据的置信度函数，如果这几个证据不是完全冲突的，那么就可以利用Dempster合成法则计算出一个总的置信度函
数，作为那几个证据联合作用下产生的置信度函数。
设BEL1和BEL2是同一识别框架U上的两个信任函数，m1和
那么，由下式定义的m:
2U-［0,1］是BPA:
矛盾，不能对基本概率赋值进行组合。
同样，对于多个证据的组合运算公式为:
（3）辐射源BPA确定方法
确定，再推算出此辐射源信号对应的平台类型的基本概率赋值
选取雷达侦察设备或通信侦察设备上报的目标观测矢量数据为
参考数列，记为X。
Xx0（k）,k72川|,n［选取已知模板库中目标数据为比较序列Xi「/gk可,2，川m。
则X。
和Xi的灰色关联度i（k）定义为：
（2-11）
minmin厶（k）+Pmaxmax4（k）
i（k）--
：
i（k）:
maxmax“（k）
ik
式中宀（k）=X0（k）—Xi（k）,Mk））是比较数列与参考数列第k个指标（属性）的相对差值，这种形式的相对差值称Xi对X。
对第k个参数的关联系数。
称为分辨系数，一般=Q1且'越小分辨力越大，一般的取'"5。
升级会员 