基于RBF-CBR技術(shù)的相控陣?yán)走_(dá)識(shí)別方法*

劉英豪，辛永平，李哲，牛超

(空軍工程大學(xué) 防空反導(dǎo)學(xué)院，陜西 西安 710051)

基于RBF-CBR技術(shù)的相控陣?yán)走_(dá)識(shí)別方法*

劉英豪，辛永平，李哲，牛超

(空軍工程大學(xué) 防空反導(dǎo)學(xué)院，陜西 西安 710051)

現(xiàn)有雷達(dá)識(shí)別技術(shù)對(duì)相控陣?yán)走_(dá)的波束捷變、信號(hào)形式復(fù)雜等特點(diǎn)并不適應(yīng)，造成識(shí)別率低、漏識(shí)別嚴(yán)重等問(wèn)題。為此，討論了脈內(nèi)調(diào)制類(lèi)型和點(diǎn)掃描特性參與分類(lèi)識(shí)別的策略；設(shè)計(jì)了基于案例推理的相控陣?yán)走_(dá)識(shí)別方法；提出了基于徑向基函數(shù)案例索引方式的RBF-CBR識(shí)別模型。通過(guò)對(duì)比實(shí)驗(yàn)，驗(yàn)證了該模型具有良好的推理識(shí)別能力和較高的處理問(wèn)題效率，為相控陣?yán)走_(dá)識(shí)別提供了一個(gè)新的思路。

相控陣?yán)走_(dá)；識(shí)別策略；RBF網(wǎng)絡(luò)；案例推理；識(shí)別模型；RBF-CBR模型

0 引言

目前，雷達(dá)輻射源識(shí)別有模式匹配法和人工智能識(shí)別2種方法。但現(xiàn)有模式匹配法存在對(duì)相控陣?yán)走_(dá)識(shí)別率低、錯(cuò)誤識(shí)別率高、漏識(shí)別嚴(yán)重等問(wèn)題，嚴(yán)重制約了裝備作戰(zhàn)效能的發(fā)揮。基于人工智能的輻射源識(shí)別方法是以知識(shí)處理為核心，以推理為主要手段。該類(lèi)方法主要包括基于規(guī)則的專(zhuān)家系統(tǒng)和基于神經(jīng)網(wǎng)絡(luò)的方法。由于相控陣?yán)走_(dá)具有多用途、多種信號(hào)形式、波束捷變等特點(diǎn)，使得脈沖參數(shù)不具有重復(fù)性變化規(guī)律、不同戰(zhàn)術(shù)用途之間的脈沖參數(shù)有交錯(cuò)。以致現(xiàn)有的雷達(dá)智能識(shí)別技術(shù)也很難適應(yīng)實(shí)際需要，難以有效地對(duì)相控陣?yán)走_(dá)進(jìn)行識(shí)別[1-6]。

案例推理 (case-based reasoning，CBR)直接使用真實(shí)案例進(jìn)行推理，與常用的基于規(guī)則和神經(jīng)網(wǎng)絡(luò)的智能識(shí)別方法相比，大大減少了從專(zhuān)家那里獲取知識(shí)的必要，比較容易建立。在識(shí)別對(duì)象的特征與案例之間不完全匹配時(shí)，也能給出相似的解，而且識(shí)別的結(jié)果是具體的案例，比較容易讓人理解接受。所以，CBR特別適用于沒(méi)有很強(qiáng)理論模型和理論知識(shí)不全、難以定義或定義不一致而經(jīng)驗(yàn)豐富的領(lǐng)域[7-10]。

就目前來(lái)看，相控陣?yán)走_(dá)識(shí)別工作正處于此種局面：一方面，雷達(dá)信號(hào)復(fù)雜多變、不具備規(guī)律性，使得識(shí)別規(guī)則難以總結(jié)，即使總結(jié)出的規(guī)則也只是適用于少數(shù)的相控陣?yán)走_(dá)，并不能將大多數(shù)相控陣?yán)走_(dá)正確識(shí)別；另一方面，多年的相控陣?yán)走_(dá)識(shí)別工作，又積累下了大量的實(shí)際識(shí)別案例，因此，基于案例的推理方式非常適用于相控陣?yán)走_(dá)識(shí)別。

1 相控陣?yán)走_(dá)的特征提取分析

目前，國(guó)內(nèi)外雷達(dá)輻射源識(shí)別都是立足于載頻、脈寬、重復(fù)頻率等常規(guī)特征參數(shù)，這些常規(guī)參數(shù)為一個(gè)參數(shù)值或參數(shù)區(qū)間。對(duì)于相控陣?yán)走_(dá)而言，同一部雷達(dá)有多種工作模式，就是同一種工作模式參數(shù)也有多種組合，另外，相控陣?yán)走_(dá)一般兼有脈沖多普勒和動(dòng)目標(biāo)顯示體制。僅采用載頻、脈寬和重復(fù)頻率組成的參數(shù)特征向量，難以有效識(shí)別出相控陣?yán)走_(dá)，極其容易造成錯(cuò)誤識(shí)別。只有提取出除常規(guī)參數(shù)以外的新識(shí)別特征，才能實(shí)現(xiàn)對(duì)相控陣?yán)走_(dá)信號(hào)的有效識(shí)別。本文主要研究脈內(nèi)調(diào)制特征和點(diǎn)掃描特征。

(1) 脈內(nèi)調(diào)制特征

對(duì)于相控陣?yán)走_(dá)而言，為了增強(qiáng)抗干擾能力以及解決雷達(dá)探測(cè)距離和距離分辨力的矛盾，一般采用線性調(diào)頻、頻率編碼、相位編碼等脈內(nèi)調(diào)制類(lèi)型。例如：美國(guó)通用電氣公司研制的AN/FPS-117相控陣?yán)走_(dá)，采用脈沖壓縮工作模式，脈內(nèi)特征主要是線性調(diào)頻。當(dāng)前用于提取脈內(nèi)特征較成熟的算法有時(shí)域自相關(guān)、分?jǐn)?shù)階傅里葉變換、小波分析等[11-12]。這些算法對(duì)常規(guī)信號(hào)、線性調(diào)頻信號(hào)和相位編碼信號(hào)都具有一定效果。因此，脈內(nèi)調(diào)制特征作為相控陣?yán)走_(dá)識(shí)別的新特征是可行的。

(2) 天線點(diǎn)掃描特征

相控陣?yán)走_(dá)與機(jī)械掃描雷達(dá)相比，其差異或特點(diǎn)主要來(lái)自相控陣天線具有的波束掃描的快速性、靈活性與波束形狀的捷變能力，這帶來(lái)了相控陣?yán)走_(dá)工作模式的多樣性及戰(zhàn)術(shù)指標(biāo)的可變性，在不同的工作模式控制參數(shù)條件下，戰(zhàn)術(shù)指標(biāo)是不同的。因此，相控陣天線電掃描特征是將相控陣?yán)走_(dá)與機(jī)械掃描雷達(dá)區(qū)分的唯一可靠特征。

最近幾年國(guó)內(nèi)也有一些科研工作者對(duì)該問(wèn)題進(jìn)行了專(zhuān)門(mén)研究。梁廣德提出了相控陣?yán)走_(dá)系統(tǒng)的三大特點(diǎn)：①低副瓣或超低副瓣；②偵察機(jī)接收到的雷達(dá)信號(hào)電平呈離散跳躍式起伏；③隨著掃描角的增大，波束形狀?lèi)夯痆13]。并根據(jù)以上特點(diǎn)利用天線方向圖來(lái)識(shí)別相控陣?yán)走_(dá)；王成提出了利用天線陣元數(shù)目、波束掃描速度、掃描時(shí)波束展寬等特點(diǎn)來(lái)識(shí)別相控陣?yán)走_(dá)[14]?？梢?jiàn)，利用信號(hào)離散跳躍、掃描時(shí)波束展寬等特點(diǎn)作為識(shí)別特征，可定性地分析相控陣?yán)走_(dá)信號(hào)。

2 相控陣?yán)走_(dá)識(shí)別中案例推理技術(shù)的研究

2.1 相控陣?yán)走_(dá)案例內(nèi)容

通常一種型號(hào)的相控陣?yán)走_(dá)有幾種用途，而一種用途又含有多種工作模式。其中一部雷達(dá)在信號(hào)空間上的一個(gè)工作點(diǎn)稱(chēng)為該雷達(dá)的一種工作模式。因此，將相控陣?yán)走_(dá)一個(gè)工作模式表示為一個(gè)案例。一個(gè)具體的相控陣?yán)走_(dá)案例應(yīng)包含以下內(nèi)容：

(1) 案例編號(hào)：給每個(gè)相控陣?yán)走_(dá)案例一個(gè)唯一的編號(hào)。

(2) 案例類(lèi)別：為了有效地組織案例庫(kù)中的案例，方便進(jìn)行索引和檢索，對(duì)案例進(jìn)行歸類(lèi)。在案例中加入表示其所屬類(lèi)的屬性。相控陣?yán)走_(dá)案例歸類(lèi)是根據(jù)其不同的戰(zhàn)術(shù)用途。

本文研究的相控陣?yán)走_(dá)戰(zhàn)術(shù)用途類(lèi)型有：對(duì)空警戒、對(duì)海(低空)搜索、火控和引導(dǎo)。同時(shí)，為了區(qū)分相控陣?yán)走_(dá)與機(jī)械掃描雷達(dá)，在此將案例類(lèi)屬性定義為“體制用途”。例如：相控陣對(duì)空警戒。圖1為相控陣?yán)走_(dá)戰(zhàn)術(shù)用途分類(lèi)。

圖1 相控陣?yán)走_(dá)的用途分類(lèi)Fig.1 Phased-array radar classification

(3) 案例特征屬性：本文將案例特征屬性分為天線特征屬性和信號(hào)特征屬性，其中天線特征屬性，用來(lái)區(qū)別相控陣?yán)走_(dá)和機(jī)械掃描雷達(dá)，特征包括相控陣?yán)走_(dá)信號(hào)電平離散跳躍起伏和波束展寬。

信號(hào)特征屬性是在案例的匹配過(guò)程中起重要作用，具體包括以下內(nèi)容：

載頻：雷達(dá)發(fā)射機(jī)產(chǎn)生并通過(guò)雷達(dá)天線發(fā)射出去的電磁波的頻率。

脈寬：雷達(dá)發(fā)射脈沖的持續(xù)時(shí)間(通常以微秒計(jì))。

重復(fù)頻率：脈沖雷達(dá)每秒發(fā)射的高頻脈沖的次數(shù)。

脈內(nèi)調(diào)制類(lèi)型：脈內(nèi)信號(hào)的調(diào)整方式，如,線性調(diào)頻、相位編碼等。

(4) 識(shí)別結(jié)果：即所屬相控陣?yán)走_(dá)的識(shí)別結(jié)果。

(5) 輔助屬性：用于輔助案例檢索及學(xué)習(xí)。

2.2 案例檢索方式

對(duì)于一個(gè)CBR系統(tǒng)，當(dāng)其遇到新問(wèn)題時(shí)，系統(tǒng)會(huì)在案例庫(kù)中尋找相似的案例或案例集，這一過(guò)程稱(chēng)為檢索。在傳統(tǒng)的單CBR系統(tǒng)中，案例索引的建立需要CBR系統(tǒng)的設(shè)計(jì)者對(duì)識(shí)別對(duì)象特性非常熟悉，而且索引建立是否合理在很大程度上取決于識(shí)別對(duì)象。實(shí)際中，許多系統(tǒng)都不能建立合適的索引。就像規(guī)則的提煉是基于規(guī)則的專(zhuān)家系統(tǒng)開(kāi)發(fā)的“瓶頸”一樣，案例的索引也可以說(shuō)是CBR系統(tǒng)開(kāi)發(fā)的“瓶頸”。

為了解決這個(gè)問(wèn)題，必須尋求一種有效的索引建立方式，以幫助檢索程序快速、準(zhǔn)確定位案例庫(kù)中與問(wèn)題案例相似的案例集，從而避免便利檢索帶來(lái)的時(shí)間消耗，同時(shí)提高整個(gè)系統(tǒng)的準(zhǔn)確率。從本質(zhì)上講，對(duì)于相控陣?yán)走_(dá)識(shí)別，CBR系統(tǒng)中索引的建立就是依據(jù)相控陣?yán)走_(dá)特征數(shù)據(jù)進(jìn)行分類(lèi)，而分類(lèi)正是近年來(lái)蓬勃發(fā)展的神經(jīng)網(wǎng)絡(luò)的重要應(yīng)用之一。神經(jīng)網(wǎng)絡(luò)可以通過(guò)卓越的非線性映射能力將信號(hào)的參數(shù)特征向量與雷達(dá)用途直接對(duì)應(yīng)起來(lái)，沒(méi)有知識(shí)庫(kù)容量所帶來(lái)的限制，避免了傳統(tǒng)CBR系統(tǒng)的索引建立的“瓶頸”問(wèn)題。

BP(back propagation)網(wǎng)絡(luò)和RBF(radial basic function)網(wǎng)絡(luò)是雷達(dá)輻射源識(shí)別中經(jīng)常使用的2種神經(jīng)網(wǎng)絡(luò)[15]。RBF神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相比規(guī)模通常較大，學(xué)習(xí)速度快，網(wǎng)絡(luò)函數(shù)逼近能力、泛化能力、模式識(shí)別與分類(lèi)能力均優(yōu)于后者。因此，本文確定采用RBF網(wǎng)絡(luò)建立案例索引。

RBF網(wǎng)絡(luò)的基本思想：用RBF作為隱單元的基構(gòu)成隱含層空間，將輸入矢量直接(即不通過(guò)權(quán)連接)映射到隱空間。當(dāng)RBF中心點(diǎn)確定后，這種映射關(guān)系也就確定了，而隱含層空間到輸出空間的映射是線性的，即輸出是隱單元輸出的線性加權(quán)和，此處的權(quán)為網(wǎng)絡(luò)可調(diào)參數(shù)。

(1) 從輸入空間到隱含層空間的非線性變換層

第i個(gè)隱單元的輸出為

(1)

式中：φ(·)為隱單元的變換函數(shù)(即RBF)，它是一種局部分布的，關(guān)于中心點(diǎn)徑向?qū)ΨQ(chēng)衰減的非負(fù)線性函數(shù)；ri為第i個(gè)RBF的中心；‖·‖為歐式范數(shù)，通常取2范數(shù)；X為n維輸入向量X=(x1,x2,…,xn)T；bi為第i個(gè)非線性變換單元的寬度。

變換函數(shù)為高斯函數(shù)，具體形式如下：

(2)

本文RBF網(wǎng)絡(luò)隱層節(jié)點(diǎn)所用的變換函數(shù)為高斯函數(shù)。每一個(gè)隱層神經(jīng)元的權(quán)值和閾值都與徑向基函數(shù)的位置和寬度有關(guān)。輸出層的線性神經(jīng)元將這些徑向基函數(shù)的權(quán)值相加。如果隱層神經(jīng)元的數(shù)目足夠多，每一層的權(quán)值和閾值都正確，那么徑向基函數(shù)完全能夠精確地逼近任意函數(shù)。

(2) 從隱含層空間到輸出層空間的線性合并層

第j個(gè)輸出為

(3)

式中：ωij為第i個(gè)隱單元與第j個(gè)輸出之間的連接權(quán)值。

3 基于RBF-CBR模型的相控陣?yán)走_(dá)型號(hào)識(shí)別

3.1 模型的框架

目前國(guó)內(nèi)對(duì)相控陣?yán)走_(dá)型號(hào)識(shí)別還沒(méi)有一種行之有效的方法。結(jié)合前面論述，本文將利用RBF網(wǎng)絡(luò)和案例推理結(jié)合模型對(duì)相控陣?yán)走_(dá)型號(hào)進(jìn)行識(shí)別。模型的結(jié)構(gòu)框架如圖2所示。

圖2 模型的結(jié)構(gòu)框架Fig.2 Model framework

可見(jiàn)，該模型主要由RBF模塊和CBR模塊組成，模型的核心思想是：通過(guò)對(duì)源案例采取分層組織形式，將一個(gè)大型的案例庫(kù)劃分為多個(gè)子案例庫(kù)，并且每個(gè)子案例庫(kù)對(duì)應(yīng)一種“體制用途”(案例索引)，其中，案例索引的建立由RBF網(wǎng)絡(luò)的輸出分類(lèi)結(jié)果決定，詳見(jiàn)圖3。RBF網(wǎng)絡(luò)作為CBR的前序模塊，對(duì)輸入雷達(dá)的特征向量通過(guò)學(xué)習(xí)訓(xùn)練賦予索引，從而可在CBR模塊中的具有相應(yīng)索引的子案例庫(kù)中索引相似的案例或者案例集。

圖3 基于RBF網(wǎng)絡(luò)的案例的索引結(jié)構(gòu)圖Fig.3 Case index framework based on RBF

3.2 實(shí)驗(yàn)與結(jié)論

3.2.1 案例庫(kù)的構(gòu)造

本文數(shù)據(jù)來(lái)源于雷達(dá)數(shù)據(jù)庫(kù)，選取其中的15部不同型號(hào)相控陣?yán)走_(dá)和5部不同型號(hào)機(jī)械掃描雷達(dá)，選取機(jī)械掃描雷達(dá)是為了模擬實(shí)際的電磁環(huán)境，使得識(shí)別結(jié)果更具有說(shuō)服力。本文后面部分的測(cè)試和識(shí)別結(jié)果統(tǒng)計(jì)都是針對(duì)相控陣?yán)走_(dá)而言的，并沒(méi)有對(duì)機(jī)械掃描雷達(dá)測(cè)試和識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)。

從每部雷達(dá)中精心抽取55個(gè)典型樣本，共1 100個(gè)典型雷達(dá)樣本。其中，600個(gè)訓(xùn)練樣本，500個(gè)測(cè)試樣本，對(duì)于每個(gè)樣本，選取了6個(gè)主要特征參數(shù)(信號(hào)離散跳躍起伏、波束展寬、載頻、脈寬、重頻和脈內(nèi)調(diào)制類(lèi)型)。同時(shí)，為了使RBF網(wǎng)絡(luò)具有識(shí)別能力，首先要對(duì)不同的特征參數(shù)加以處理，將特征參數(shù)轉(zhuǎn)換為網(wǎng)絡(luò)識(shí)別的數(shù)字型參數(shù)。對(duì)于離散跳躍和波束展寬特征只有2個(gè)屬性值情況，用“0”表示不具有離散跳躍特征，“1”表示具有離散跳躍特征，同樣道理，“0”表示不具有波束展寬特征，“1”表示具有波束展寬特征。對(duì)于脈內(nèi)調(diào)制類(lèi)型有3個(gè)屬性值的情況，用“0”表示常規(guī)信號(hào)，“1”表示線性調(diào)頻信號(hào)，“2”表示相位編碼信號(hào)。

根據(jù)相控陣?yán)走_(dá)案例表示方法，將訓(xùn)練樣本數(shù)據(jù)轉(zhuǎn)換成600個(gè)案例。把這些案例作為案例庫(kù)中源案例，最后根據(jù)雷達(dá)的“體制用途”，將案例庫(kù)分成8個(gè)子案例庫(kù)。由于每個(gè)案例屬性項(xiàng)眾多以及篇幅所限，在此只取案例中的部分屬性，即只取記錄中要用作檢索條件、相似度計(jì)算和案例結(jié)果的屬性項(xiàng)，部分相控陣?yán)走_(dá)案例如表1所示。

其中，案例編號(hào)A,B,C代表不同“體制用途”，識(shí)別結(jié)果1，4，7等數(shù)字代表不同的相控陣?yán)走_(dá)型號(hào)。

3.2.2 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證RBF-CBR模型對(duì)相控陣?yán)走_(dá)型號(hào)識(shí)別的優(yōu)越性，本文將其與單獨(dú)使用CBR系統(tǒng)和RBF網(wǎng)絡(luò)進(jìn)行了對(duì)比實(shí)驗(yàn)，考慮到雷達(dá)輻射源信號(hào)識(shí)別屬于軍事領(lǐng)域的特殊性，本節(jié)采用仿真方法來(lái)進(jìn)行對(duì)比實(shí)驗(yàn)分析。同時(shí)，為了模擬隨RBF-CBR模型的推理及學(xué)習(xí)、案例庫(kù)的逐漸加大過(guò)程，下面仿真實(shí)驗(yàn)都是在案例庫(kù)中源案例數(shù)量n=(100,200,300,400,500,600)情況下分別進(jìn)行的。

表1 部分相控陣?yán)走_(dá)案例Table 1 Part of phased-array radar cases

(1) RBF-CBR和CBR比較

1) 檢索時(shí)間對(duì)比

從測(cè)試樣本集中隨機(jī)選取10個(gè)相控陣?yán)走_(dá)樣本構(gòu)成測(cè)試案例，測(cè)試結(jié)果取10個(gè)測(cè)試案例的平均值。案例數(shù)與測(cè)試時(shí)間的關(guān)系如圖4所示。

圖4 案例數(shù)與測(cè)試時(shí)間關(guān)系圖Fig.4 Relations between case number and test time

從圖4的折線趨勢(shì)可以看出，RBF-CBR模型的檢索時(shí)間很短，且在案例數(shù)目不斷增長(zhǎng)的情況下，檢索時(shí)間相對(duì)比較穩(wěn)定，這也是提示相比之下，RBF-CBR模型在大數(shù)據(jù)條件下檢索效率優(yōu)勢(shì)更明顯。

2) 檢索質(zhì)量對(duì)比

為了驗(yàn)證檢索質(zhì)量，引入檢準(zhǔn)率這一概念，定義檢準(zhǔn)率為“檢索出的相似度值大于0.85案例數(shù)占檢索出的案例總數(shù)”，選取上述10個(gè)測(cè)試案例中的一個(gè)測(cè)試案例，對(duì)其檢索結(jié)果進(jìn)行統(tǒng)計(jì)，2種模型的檢索結(jié)果如表2所示。

表2 檢索結(jié)果統(tǒng)計(jì)表Table 2 Statistics results

其中，Total表示檢索出的案例總數(shù)，NUM表示相似度值大于0.85的案例數(shù)。從表2可以看出，RBF-CBR模型可以有效減少漏檢情況的發(fā)生，檢索出的案例庫(kù)中的源案例與測(cè)試案例復(fù)合程度較高。同時(shí)CBR模型利用K-NN算法遍歷案例庫(kù)檢索時(shí)，檢準(zhǔn)率很低。

(2) RBF-CBR和RBF比較

用RBF網(wǎng)絡(luò)單獨(dú)對(duì)相控陣?yán)走_(dá)進(jìn)行識(shí)別，結(jié)構(gòu)及參數(shù)與結(jié)合模型中RBF模塊相同，不同的是，單獨(dú)使用RBF網(wǎng)絡(luò)時(shí)，訓(xùn)練樣本和測(cè)試樣本的輸出值不是表示“體制用途”，而是表示所屬雷達(dá)的型號(hào)。測(cè)試案例是由375個(gè)測(cè)試樣本構(gòu)成。測(cè)試結(jié)果取10次測(cè)試的平均值，2種模型的識(shí)別結(jié)果如表3所示。

表3 識(shí)別結(jié)果統(tǒng)計(jì)表Table 3 Identification results

從表3中可以看出，僅利用RBF網(wǎng)絡(luò)對(duì)相控陣?yán)走_(dá)進(jìn)行識(shí)別，識(shí)別率很低，同時(shí)存在較高的漏識(shí)別情況。而基于RBF-CBR模型的相控陣?yán)走_(dá)識(shí)別能充分利用CBR系統(tǒng)精確識(shí)別優(yōu)勢(shì)，可以識(shí)別單獨(dú)使用RBF網(wǎng)絡(luò)不能識(shí)別的相控陣?yán)走_(dá)型號(hào)，同時(shí)減少了漏識(shí)別數(shù)，彌補(bǔ)訓(xùn)練樣本不足以及存在交錯(cuò)樣本時(shí)，RBF模型分類(lèi)性能下降的不足。

4 結(jié)束語(yǔ)

綜上所述，與單獨(dú)使用RBF網(wǎng)絡(luò)和CBR系統(tǒng)相比，RBF-CBR模型具有以下幾個(gè)方面的優(yōu)勢(shì)：

(1)由于經(jīng)過(guò)了RBF網(wǎng)絡(luò)的預(yù)分類(lèi)識(shí)別和CBR系統(tǒng)的精確識(shí)別，RBF-CBR模型的識(shí)別率得到大大提高，同時(shí)減少了漏識(shí)別數(shù)。

(2)與遍歷整個(gè)案例庫(kù)的檢索方法相比，由于RBF-CBR模型采用RBF網(wǎng)絡(luò)建立案例索引，使得解的檢索空間大大縮小，大大縮短了檢索時(shí)間。

(3)RBF-CBR模型中案例索引是由RBF網(wǎng)絡(luò)建立的，這使得模型可用于對(duì)其系統(tǒng)特性尚無(wú)法完全掌握的對(duì)象(無(wú)法人工建立索引的對(duì)象)。

本文所提出的RBF-CBR模型具有良好的推理識(shí)別能力和較高的處理問(wèn)題效率，為相控陣?yán)走_(dá)識(shí)別提供了一個(gè)新的思路，具有較為廣泛的應(yīng)用前景。

[1] 張光義，趙玉潔. 相控陣?yán)走_(dá)技術(shù)[M]. 北京：電子工業(yè)出版社, 2006. ZHANG Guang-yi，ZHAO Yu-jie. Phased Array Technique[M] Beijing：Publishing House of Electronics Industry, 2006.

[2] 張小飛，徐大專(zhuān). 基于知識(shí)庫(kù)的雷達(dá)輻射源識(shí)別專(zhuān)家系統(tǒng)[J]. 現(xiàn)代雷達(dá)，2003, 25 (10): 1-4. ZHANG Xiao-fei, XU Da-zhuan. Expert System of Radar Radiationg-Source Recognizing Based on Knowledge Library[J]. Morden Radar, 2003, 25 (10): 1-4.

[3] 祝正威. 雷達(dá)輻射源識(shí)別專(zhuān)家系統(tǒng)[J]. 電子對(duì)抗技術(shù)，2000，15(6)：20-24. ZHU Zheng-wei. Expert System of Radar Radiationg-source Recognizing[J]. Electronic Warfare Technology, 2000,15(6)：20-24.

[4] 李楠. 基于多維幾何形狀的雷達(dá)輻射源識(shí)別算法[J]. 航天電子對(duì)抗，2012，28(3)：40-46. LI Nan. The Radar Radiationg-Source Recognizing Algorithm Based on Multiple-Dimensional Geometry[J]. Aerospace Electronic Warfare, 2012，28(3)：40-46.

[5] 韓俊，何明浩，李勝喜. 現(xiàn)代雷達(dá)輻射源識(shí)別技術(shù)研究[J]. 航天電子對(duì)抗, 2008, 24(1): 43-45. HAN Jun, HE Ming-hao, LI Sheng-xi. Study on Recognition Technology of Morden Radar Emitter [J] .Aerospace Electronic Warfare, 2008, 24(1): 43-45.

[6] 張國(guó)柱. 雷達(dá)輻射源識(shí)別技術(shù)研究[D]. 長(zhǎng)沙：國(guó)防科技大學(xué), 2005. ZHANG Guo-zhu. Study on Recognition Technology of Radar Emitter[D]. Changsha: National University of Defense Technology, 2005.

[7] 魏瑩. 案例推理方法研究及其在金融危機(jī)預(yù)警中的應(yīng)用[D]. 武漢：華中科技大學(xué), 2002. WEI Ying. Study on Case Reasoning Method and Application on Financial Crisis Early Warning [D].Wuhan: Huazhong University of Science and Technology, 2002.

[8] KRASLAWSKI A, KOIRANEN T, NYSTROM L. Case-Based Reasoning System for Mixing Equipment Selection[J]. Computers & Chemical Engineering, 1995, 19(1): 821-826.

[9] 胡良明，徐斌，方峻. CBR技術(shù)在槍械方案設(shè)計(jì)專(zhuān)家系統(tǒng)中的應(yīng)用[J]. 系統(tǒng)仿真學(xué)報(bào), 2007, 19(4): 772-776. HU Liang-ming, XU Bin, FANG Jun. Case Based Reasoning and Its Application in Science Design of Small Arms Expert System[J]. Journal of System Simulation, 2007, 19(4): 772-776.

[10] 吳林峰，王剛，楊少春. 基于CBR的反導(dǎo)作戰(zhàn)方案生成技術(shù)[J]. 空軍工程大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 12(5): 45-49. WU Lin-feng, WANG Gang, YANG Shao-chun. The Generation Technology of Antimissile Battle Scheme Based on CBR[J]. Journal of Air Force Engineering University: National Science ed, 2011, 12(5): 45-49.

[11] 胡小勐, 孫志勇, 張劍云. 一種基于小波變換的二相編碼信號(hào)識(shí)別方法[J]. 電子信息對(duì)抗技術(shù), 2006, 21(3):6-10. HU Xiao-meng, SUN Zhi-yong, ZHANG Jian-yun. A Method of Recognition of Phased Coded Signals Based on the Wavelet Transform[J]. Electronic Information Warfare Technology, 2006, 21(3):6-10.

[12] ZHAO Xing-hao, TAO Ran, DENG Bing. Practical Normalization Methods in the Digital Computation of the Fractional Fourier Transform[C]∥ICSP 04.2004 7th International Conference on Signal Processing,2004:105-108.

[13] 梁廣德, 梁百川. 相控陣?yán)走_(dá)信號(hào)截獲與識(shí)別仿真分析[J]. 航天電子對(duì)抗, 1999，12(3): 15-20. LIANG Guang-de, LIANG Bai-chuan. Simulation Analysis on Acquisition and Recognizing of Phased Array Radar Signal[J]. Aerospace Electronic Warfare, 1999，12(3): 15-20.

[14] 王成, 張玉. 對(duì)相控陣?yán)走_(dá)的偵察識(shí)別研究[J]. 航天電子對(duì)抗, 2000，15(1):25-30. WANG Cheng, ZHANG Yu. Study on Reconnoitring and Recognizing of Phased Array Radar[J]. Aerospace Electronic Warfare, 2000，15(1):25-30.

[15] 陳錫明, 王世濤, 唐南. 基于神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源體制和用途智能識(shí)別[J]. 電子對(duì)抗技術(shù), 2003, 18(4):14-18. CHEN Xi-ming, WANG Shi-tao, TANG Nan. Recognizing Radar Radiaring-Source’s Technology System and Usage Based Neural Net[J]. Electronic Information Warfare Technology, 2003, 18(4):14-18.

Identification Technology of Phase-Array Radar on Radial Basic Function and Case-Based Reasoning

LIU Ying-hao，XIN Yong-ping，LI Zhe，NIU Chao

(AFEU, Air and Missile Defense School, Shaanxi Xi’an 710051, China)

The traditional identification technology of radar is not suitable for the characteristics of phased-array radar such as the beam agile capability and multi-signal form, which results in many problems such as a low identification probability and a bad identification. For this reason, the classification and identification strategy which includes intra-pulse modulation type and electrical scanning characteristics are discussed. The case-based reasoning (CBR) method for phased-array radar identification is designed. Finally, the RBF (radial basic function)-CBR model is brought forward by setting up the index of case based on case-based reasoning. Through comparison of experimental results, the model has a good reasoning ability and higher efficiency in dealing with problems, which provides a new method for phased-array radar identification.

phased array radar；identification strategy；radial basic function(RBF) network；case-based reasoning(CBR)；identification model；RBF-CBR model

2014-04-07；

2015-03-25

劉英豪(1985-)，男，甘肅民勤人。碩士生，主要研究方向?yàn)樽鲬?zhàn)體系規(guī)劃理論與方法研究。

通信地址：710051 陜西省西安市長(zhǎng)樂(lè)東路甲字1號(hào)防空反導(dǎo)學(xué)院研究生1隊(duì) E-mail：18668012910@163.com

10.3969/j.issn.1009-086x.2015.03.023

TN971.1；TN958.92

A

1009-086X(2015)-03-0124-07