本發(fā)明屬于雷達特征參數(shù)評估，具體涉及一種面向多功能雷達工作模式識別的特征參數(shù)評估方法。

背景技術(shù)：

1、多功能雷達工作模式識別是多功能雷達認知技術(shù)中的關(guān)鍵部分。這項技術(shù)能夠助力目標態(tài)勢的精確把握。借由該技術(shù)，能夠定量了解其類型以及運作狀況，為我方制訂高效的應(yīng)對策略和決策提供關(guān)鍵性的依據(jù)。對多功能雷達工作模式識別以及預(yù)測是較為前沿的方向。

2、在早期關(guān)于多功能雷達工作模式識別研究領(lǐng)域中，普遍采用了偵測設(shè)備獲取到的脈沖描述字與模板數(shù)據(jù)庫中的特征進行關(guān)聯(lián)和匹配的方法來進行，其中，脈沖描述字包括載頻、脈沖寬度、脈沖幅度、到達時間、方位角等。隨著研究的深入，更多關(guān)于深度學習的方法也介入其中。文獻“l(fā)i?y，zhu?m，ma?y，et?al.work?modes?recognition?and?boundaryidentification?of?mfr?pulse?sequences?with?a?hierarchical?seq2seq?lstm.ietradar，sonar&navigation，2020，14(9)：1343-1353”中采用了端到端的長短期記憶網(wǎng)絡(luò)進行有監(jiān)督學習，利用載頻、脈沖寬度、脈沖重復間隔完成了對多功能雷達工作模式的識別；文獻“he?c，zhang?l，wei?s，et?al.multifunction?radar?working?mode?recognitionwith?unsupervised?hierarchical?modeling?and?functional?semantics?embeddingbased?lstm.ieee?sensors?journal，2024”中在載頻、脈沖寬度、脈沖重復間隔的基礎(chǔ)上，加入了帶寬作為第四個特征參數(shù)，完成了基于lstm的多功能雷達工作模式無監(jiān)督分層建模和功能語義嵌入識別。

3、隨著研究的深入和電磁環(huán)境的日益復雜，由于分布式協(xié)同逆向偵測系統(tǒng)的出現(xiàn)，顯著提高了關(guān)于多功能雷達工作模式識別的泛化能力和識別能力，更多的參數(shù)被引入進了多功能雷達工作模式認知之中。文獻“于旺，石艷，宋吉燁，等.基于cnn和d-s證據(jù)理論的多站協(xié)同多功能雷達工作模式識別方法.電子信息對抗技術(shù)，2024，39(2)：33-39”中提出了基于卷積神經(jīng)網(wǎng)絡(luò)和d-s證據(jù)理論的多站協(xié)同多功能雷達工作模式識別方法，提出模擬多站偵測站點，采用多功能雷達不同工作模式下的波形數(shù)據(jù)和脈沖幅度數(shù)據(jù)構(gòu)建識別方法的數(shù)據(jù)。

4、可以看到，隨著研究的深入和電磁環(huán)境的日益復雜，研究中提出了很多新的特征來對傳統(tǒng)參數(shù)進行彌補，例如天線掃描周期數(shù)、信號數(shù)據(jù)率、信號帶寬等。而目前的研究大多數(shù)只說明了需要采用哪些特征參數(shù)，卻很少聚焦于如此眾多的特征參數(shù)在面向工作模式識別時效能如何、面對多種可用特征參數(shù)時如何選擇等難題上。

5、綜上所述，研究一種多功能雷達工作模式識別特征參數(shù)評估方法具有重要的價值，該項研究的結(jié)果有助于多功能雷達工作模式識別下的特征參數(shù)選擇，為多功能雷達工作模式的特征參數(shù)選取提供了規(guī)則指導，細化量化分析流程，為后續(xù)數(shù)據(jù)提供理論支撐。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供了一種面向多功能雷達工作模式識別的特征參數(shù)評估方法，能夠?qū)Σ煌瑘鼍跋聦Χ喙δ芾走_工作模式識別的參數(shù)選擇提供理論依據(jù)和規(guī)則指導。

2、本發(fā)明采用的技術(shù)方案為：一種面向多功能雷達工作模式識別的特征參數(shù)評估方法，具體步驟如下：

3、s1、構(gòu)建多功能雷達工作模式識別的特征參數(shù)選擇評估層次結(jié)構(gòu)；

4、s2、構(gòu)建關(guān)于多功能雷達工作模式識別的區(qū)間直覺模糊語言量度表；

5、s3、確認相關(guān)領(lǐng)域?qū)＜胰诉x，獲取專家對多功能雷達工作模式識別特征參數(shù)的評估信息，并且通過匯總信息構(gòu)建專家偏好量表；

6、確認多功能雷達領(lǐng)域?qū)＜胰诉x，通過問卷形式讓專家對多個特征參數(shù)對于多功能雷達工作模式識別的影響進行評估，評價程度如步驟s2中語言量度表內(nèi)容所示，最后得到關(guān)于多功能雷達工作模式識別的多個特征參數(shù)間在準則層、指標層、特征層的語言量度對比結(jié)果，并匯總信息得到專家偏好量表。

7、s4、根據(jù)步驟s3中的得到的語言量度對比結(jié)果，計算區(qū)間直覺模糊加權(quán)平均算子，構(gòu)建匯總的決策信息矩陣并且完成決策信息矩陣的一致性檢驗；

8、其中，所述語言量度對比結(jié)果包括：準則層、指標層、特征層的語言量度對比結(jié)果。

9、s5、計算得到?jīng)Q策信息的區(qū)間得分矩陣和區(qū)間指數(shù)化矩陣，構(gòu)建優(yōu)先級權(quán)重向量，構(gòu)建決策可能度矩陣，并計算得到歸一化優(yōu)先級可能度；

10、其中，歸一化優(yōu)先級可能度包括：準則層、指標層、特征層的歸一化優(yōu)先級可能度。

11、s6、根據(jù)步驟s5中得到的準則層、指標層、特征層的優(yōu)先級可能度，計算得到特征層對目的層的影響度，進行大小排序即可獲得特征參數(shù)排序結(jié)果，完成多功能雷達工作模式識別特征參數(shù)評估。

12、進一步地，所述步驟s1具體如下：

13、構(gòu)建所述特征參數(shù)選擇評估層次結(jié)構(gòu)，實現(xiàn)對待評估特征參數(shù)的綜合評估，所述特征參數(shù)選擇評估層次結(jié)構(gòu)包括：目標層、準則層、指標層、特征層。

14、目標層為多功能雷達工作模式識別的特征參數(shù)影響評估；

15、準則層包括：通用性c1、準確性c2、可靠性c3、復雜性c4；

16、指標層根據(jù)準則層構(gòu)建12個具體因子作為指標層，具體如下：

17、1)、特征明確關(guān)聯(lián)性c11：以該特征參數(shù)對于工作模式識別是否有明確物理意義或者關(guān)聯(lián)作為度量，若存在明確物理意義或者關(guān)聯(lián)，則存在特征明確關(guān)聯(lián)性；

18、2)、結(jié)果可解釋性c12：以該特征參數(shù)描述的不同工作模式是否易于解釋和解讀作為度量，越容易解釋，則結(jié)果可解釋性越高；

19、3)、特征平臺適應(yīng)性c13：以該特征參數(shù)能否在不同的偵測平臺上有效使用作為度量，包括：單一偵測站點、分布式偵測站點，能使用的平臺越寬泛，則特征平臺適應(yīng)性越高；

20、4)、特征精確度c21：以偵測系統(tǒng)在固定接收信噪比下提取該特征參數(shù)的均方誤差大小作為度量，固定接收信噪比取13db，均方誤差大小越小，特征精確度越高；

21、5)、特征區(qū)分度c22：以該特征參數(shù)在描述不同工作模式時，能否成功得到工作模式結(jié)果作為度量，產(chǎn)生結(jié)果越準確，則區(qū)分度越高；

22、6)、特征差異度c23：以該特征參數(shù)在描述不同工作模式時，是否會產(chǎn)生多種工作模式識別結(jié)果作為度量，產(chǎn)生結(jié)果越多，則差異度越低；

23、7)、特征穩(wěn)定性c31：以該特征參數(shù)在不同典型工作環(huán)境下，對工作模式識別結(jié)果識別的錯誤率作為度量，錯誤率越高，則穩(wěn)定性越低；

24、8)、特征噪聲魯棒性c32：以偵測系統(tǒng)在信噪比較低復雜條件下，提取該特征參數(shù)的均方誤差的方差作為度量，方差越高，則特征噪聲魯棒性越低；

25、9)、特征干擾魯棒性c33：以偵測系統(tǒng)在外界干擾復雜條件下，提取該特征參數(shù)的均方誤差的方差作為度量，方差越高，則特征干擾魯棒性越低；

26、10)、特征退化魯棒性c34：以偵測系統(tǒng)在特征退化復雜條件下，提取該特征參數(shù)的均方誤差的方差作為度量，方差越高，則特征退化魯棒性越低；

27、11)、特征計算的時間占用c41：以偵測系統(tǒng)在不同接收信噪比條件下提取該特征參數(shù)所需的時間均值作為度量，占用越少，該項評價越高；

28、12)、特征計算的資源占用c42：以偵測系統(tǒng)在不同接收信噪比條件下提取該特征參數(shù)所需的占用資源作為度量，占用越少，該項評價越高。

29、特征層，列舉詳細的需要評估的特征參數(shù)，包括：載頻rf、脈沖重復間隔pri、脈沖寬度pw。

30、其中，特征層具體需要的參數(shù)根據(jù)實際情況選定。

31、進一步地，所述步驟s2具體如下：

32、設(shè)定有特征參數(shù)集合x＝[x1,x2,...,xn]。

33、其中，xi，i＝1,2,...,n表示第i個特征參數(shù)，n表示特征參數(shù)的總數(shù)。

34、對于特征參數(shù)xi有區(qū)間直覺模糊集ivifs?a，表達式如下：

35、

36、其中，分別表示特征參數(shù)xi對于特征參數(shù)集合x的隸屬度區(qū)間、非隸屬度區(qū)間，分別表示隸屬度的下限和上限，分別表示非隸屬度的下限和上限。

37、通過式(2)計算得到模糊度區(qū)間πa(xi)，表達式如下：

38、

39、其中，分別表示模糊度的下限和上限。

40、對于式(1)中的ivifsa，當x＝[x]僅有一個元素，稱a為區(qū)間直覺模糊數(shù)ivifn，此時計算其得分函數(shù)s(a)和精確函數(shù)h(a)，表達式如下：

41、

42、則區(qū)間直覺模糊語言量度需要對應(yīng)隸屬度μ、非隸屬度υ、模糊度π三個量化結(jié)果。構(gòu)建關(guān)于多功能雷達工作模式識別特征參數(shù)的區(qū)間直覺模糊語言量度表，具體包括：

43、語言量度a為極低(el)時，隸屬度μ＝[0.10,0.25]，非隸屬度υ＝[0.65,0.75]；

44、語言量度a為低(l)時，隸屬度μ＝[0.15,0.30]，非隸屬度υ＝[0.60,0.70]；

45、語言量度a為較低(ml)時，隸屬度μ＝[0.20,0.35]，非隸屬度υ＝[0.55,0.65]；

46、語言量度a為偏低(sl)時，隸屬度μ＝[0.25,0.40]，非隸屬度υ＝[0.50,0.60]；

47、語言量度a為一般(ae)時，隸屬度μ＝[0.45,0.55]，非隸屬度υ＝[0.30,0.45]；

48、語言量度a為等價(ee)時，隸屬度μ＝[0.50,0.50]，非隸屬度υ＝[0.50,0.50]；

49、語言量度a為偏高(sh)時，隸屬度μ＝[0.50,0.60]，非隸屬度υ＝[0.25,0.40]；

50、語言量度a為較高(mh)時，隸屬度μ＝[0.55,0.65]，非隸屬度υ＝[0.20,0.35]；

51、語言量度a為高(h)時，隸屬度μ＝[0.60,0.70]，非隸屬度υ＝[0.15,0.30]；

52、語言量度a為極高(eh)時，隸屬度μ＝[0.65,0.75]，非隸屬度υ＝[0.10,0.25]。

53、在所述語言量度表中，設(shè)置隸屬度和非隸屬度不出現(xiàn)0或1的極值，且將上述語言量度a的模糊度固定控制在π＝[0.00,0.25]。

54、進一步地，所述步驟s4具體如下：

55、設(shè)定根據(jù)語言量度對比結(jié)果，得到的ivifs中的第xc個直覺模糊數(shù)表達式如下：

56、

57、其中，分別表示該ivifn的隸屬度下限、隸屬度上限、非隸屬度下限、非隸屬度上限；nc表示該區(qū)間直覺模糊集中共包含nc個因子。

58、定義ivifs的區(qū)間直覺模糊加權(quán)ivifw算子表達式如下：

59、

60、其中，表示的權(quán)重向量，且

61、ivifs運算準則具體如下：

62、設(shè)定有兩個ivifs為則運算準則表達式如下：

63、

64、其中，λ表示常數(shù)系數(shù)。

65、則式(6)可表示為式(9)，表達式如下：

66、

67、若中所有的均視為同一權(quán)重，則ivifw算子則為區(qū)間直覺模糊加權(quán)平均ivifwa算子，此時式(6)可表示為式(10)，表達式如下：

68、

69、通過式(10)和步驟s3中得到的語言量度對比結(jié)果，則可構(gòu)建匯總的決策信息矩陣表達式如下：

70、

71、其中，表示第ic個和第jc個ivifn構(gòu)建的ivifwa算子。

72、再通過式(2)得到的猶豫度表達式如下：

73、

74、再通過得到的猶豫度進行一致性檢驗，表達式如下：

75、

76、其中，表示一致性檢驗的結(jié)果，當則視為通過一致性檢驗；表示矩陣大小為nc的一致性檢驗閾值，具體閾值設(shè)置如下所示：

77、矩陣大小為1-2時，矩陣大小為3時，

78、矩陣大小為4時，矩陣大小為5時，

79、矩陣大小為6時，矩陣大小為7時，

80、矩陣大小為8時，矩陣大小為9時，

81、基于步驟s3，所述語言量度對比結(jié)果分別代入準則層、指標層、特征層的語言量度對比結(jié)果，重復式(5)-(13)，計算得到準則層、指標層、特征層的區(qū)間直覺模糊加權(quán)平均算子，并構(gòu)建匯總的決策信息矩陣，完成決策信息矩陣的一致性檢驗。

82、進一步地，所述步驟s5具體如下：

83、當步驟s4匯總的決策信息矩陣滿足一致性檢驗條件，則計算得到?jīng)Q策信息區(qū)間得分矩陣表達式如下：

84、

85、其中，第ic個和第jc個ivifn構(gòu)建的ivifwa算子的區(qū)間得分為

86、將決策信息區(qū)間得分矩陣指數(shù)化得到區(qū)間指數(shù)化矩陣表達式如下：

87、

88、其中，第ic個和第jc個ivifn構(gòu)建的ivifwa算子的區(qū)間指數(shù)化得分為

89、通過區(qū)間指數(shù)化得分計算第ic個因子的區(qū)間優(yōu)先級權(quán)重得到區(qū)間優(yōu)先級權(quán)重向量表達式如下：

90、

91、

92、通過區(qū)間優(yōu)先級權(quán)重向量構(gòu)建決策可能度矩陣表達式如下：

93、

94、其中，通過式(19)計算得到，ic＝1,2,...,nc，jc＝1,2,...,nc，計算表達式如下：

95、

96、其中，max(·)表示取最大值。和的大小關(guān)系可以通過式(3)計算得分函數(shù)和以及通過式(4)計算精確函數(shù)和進行評估，具體評估規(guī)則如下：

97、當則認為當則認為當且則認為當且則認為當且則認為

98、然后通過區(qū)間優(yōu)先級權(quán)重向量構(gòu)建的決策可能度矩陣計算優(yōu)先級可能度，表達式如下：

99、

100、其中，基于步驟s2可知，當語言量度為“等價”時，隸屬度和非隸屬度為0.5，即語言量度轉(zhuǎn)化的中間值，添加0.5作為平衡值。

101、然后對優(yōu)先級可能度進行歸一化處理，表達式如下：

102、

103、基于步驟s4，所述匯總的決策信息矩陣分別代入準則層、指標層、特征層的匯總的決策信息矩陣，重復式(14)-(21)，計算得到準則層、指標層、特征層的歸一化優(yōu)先級可能度。

104、進一步，所述步驟s6具體如下：

105、基于步驟s5得到的準則層的優(yōu)先級可能度和歸一化優(yōu)先級可能度分別為和指標層的優(yōu)先級可能度和歸一化優(yōu)先級可能度分別為和然后構(gòu)建指標層-目的層的權(quán)值信息，

106、根據(jù)計算得到的指標層-目的層的權(quán)值信息ωtarget以及特征層的歸一化優(yōu)先級可能度計算特征-目的的各個特征的影響度權(quán)值itarget,feature，表達式如下：

107、

108、最后對得到的影響度權(quán)值進行歸一化處理，得到歸一化后的影響度權(quán)值進行大小排序獲得特征參數(shù)排序結(jié)果，完成多功能雷達工作模式識別特征參數(shù)評估。

109、本發(fā)明的有益效果：本發(fā)明的方法首先構(gòu)建多功能雷達工作模式識別的特征參數(shù)選擇評估層次結(jié)構(gòu)，然后構(gòu)建關(guān)于多功能雷達工作模式識別的區(qū)間直覺模糊語言量度表，并確認相關(guān)領(lǐng)域?qū)＜胰诉x，獲取專家對多功能雷達工作模式識別特征參數(shù)的評估信息，并且通過匯總信息構(gòu)建專家偏好量表，再根據(jù)語言量度對比結(jié)果，計算區(qū)間直覺模糊加權(quán)平均算子，構(gòu)建匯總的決策信息矩陣并且完成決策信息矩陣的一致性檢驗，并通過計算得到?jīng)Q策信息的區(qū)間得分矩陣和區(qū)間指數(shù)化矩陣，構(gòu)建優(yōu)先級權(quán)重向量，構(gòu)建決策可能度矩陣，計算得到歸一化優(yōu)先級可能度，最后根據(jù)得到的準則層、指標層、特征層的優(yōu)先級可能度，計算得到特征層對目的層的影響度，進行大小排序即可獲得特征參數(shù)排序結(jié)果。本發(fā)明的方法利用區(qū)間直覺模糊-層次分析法對多功能雷達工作模式識別特征參數(shù)進行評估，對不同場景下對多功能雷達工作模式識別的參數(shù)選擇提供了理論依據(jù)和規(guī)則指導，有利于精確參數(shù)選擇，提升識別結(jié)果的可靠性，為后續(xù)研究提供數(shù)據(jù)支持。