针对辐射源识别中的参数模糊交叠问题，提出了基于云计算的辐射源样本隶属度获取方法，结合分布式传感器的优势，构建云计算在分布式传感器辐射源识别中的应用系统。首先介绍云计算的有关概念，其次分析分布式传感器的特征，再由云计算区间型和离散型辐射源样本隶属度，并进行单传感器时域融合和分布式传感器信息融合，利用判决规则完成决策。仿真结果说明基于云计算的辐射源识别率高。

 

引  言

 

信息系统在信息作战中发挥了巨大作用，对海军航空兵来说，要实现对敌核心要害的精确打击，离不开准确的信息侦察，信息侦察的一个重要步骤就是对敌辐射源的信息识别，只有准确的识别敌核心要害武备，才能为后续的精确打击提供战术支援。当前敌雷达辐射源技术参数出现很大程度模糊，各型雷达参数重叠、交错，采用传统五参数（RF、TOA、DOA、PA、PW）法识别雷达辐射源难度加大，这给信息作战、赛博作战中的信息侦察带来严峻挑战。对于辐射源识别问题，目前的研究方法有基于模糊集的方法、基于神经网络的方法、基于灰色关联的方法、基于粗糙集的方法、基于支撑向量机的方法等。上述方法在辐射源参数存在模糊及交叠时，识别效果较差。

 

云计算能更好地处理模糊和交叠参数问题，已有研究将云模型用于辐射源识别中，如将云模型用于平台目标识别，或将云模型用于支持向量机辐射源识别中，但其具体的计算办法还不完善，本文考虑将云计算用于分布式传感器辐射源信息识别中，提出基于云计算的识别算法。首先介绍云计算理论，其次给出分布式传感器辐射源信息识别的概念，将云计算应用于辐射源识别中，建立基于云计算的辐射源隶属度获取模型，给出本文识别算法及流程图，最后结合辐射源参数数据库进行识别仿真对比实验，仿真结果表明云计算相比于其他识别算法能获得更高和更稳定的辐射源识别效果。

 

1.云计算

 

云计算是院士李德毅提出的一种定性定量不确定性转换模型算法，用自然语言值表示定性与定量间不确定性转换，能处理模糊集理论中的模糊性和概率论中的随机性问题，通过期望Ex（Expected value）、熵En（Entropy）、超熵He（Hyper entropy）3个数字参数表征一个定性概念，从而实现定性定量转换。期望Ex表示数域空间定性概念量化样本点；熵En表示论域空间定性概念的模糊度，还可表示定性概念的云滴出现的概率；超熵He表示论域空间中定性概念的云滴的凝聚性。

 

云计算中的正向云发生器可实现辐射源特征参数从定性到定量的转换，由云的数字特征产生云滴就能实现定性定量转换，正向云发生器如图1。

 

 

图1  正向云发生器

 

正向云生成算法是先生成以Ex为期望，En为均方差的正态随机数x；再生成以En为期望，He为均方差的正态随机数En´；最后计算隶属度：

 

 

那么（x,y）就是生成的云滴，式中x是定性概念的一个随机数，y是x属于定性概念的准确度。

 

2.分布式传感器辐射源识别

 

随着传感器技术的飞速发展，传统的单传感器获取的敌辐射源信息往往是不确定的，特别是战场信息空间中的电磁空间和赛博空间尤为突出。信息化战争中，敌我双方大量的信息装备应用于电磁空间和赛博空间，形成了十分复杂的战场电子环境，而其中的装备技术参数更加的多变，使得侦察信息异常复杂和难以分析，而分布式传感器能提取独立、互补的辐射源信息，获得辐射源更为详尽准确的信息情报，这为辐射源识别奠定良好的基础。此外由分布式传感器进行信息融合（DSIF：Distributed Sensors Information Fusion），可消除单传感器间可能存在的矛盾，进一步降低辐射源识别不确定性，同时产生新的有价值信息，有利于提高辐射源识别效果。

 

3.云计算用于分布式传感器辐射源识别中

 

通过上述分析，云计算能很好地处理模糊性和不确定性问题，并能将定性问题转化为定量问题，这给具有模糊参数的辐射源识别问题提供了一个新的思路，同时分布式传感器信息融合能克服参数的冲突，进一步提高辐射源识别率，因此考虑将云计算同分布式传感器辐射源识别结合起来进行辐射源识别。首先利用云计算得到辐射源隶属度，而后建立本文识别算法及流程，最后进行仿真验证。

 

基于云计算的识别算法及流程

 

由上述云计算辐射源隶属度的过程，采用云计算对雷达数据库中区间型及离散型参数变量进行建模，计算辐射源样本每个参数相对数据库相应参数的隶属度，根据平均权值法计算各参数的总隶属度，将该隶属度作为D-S理论中的BPAF，完成分布式传感器时域及空域信息融合，最后由决策规则完成辐射源识别。基于云计算的分布式传感器辐射源识别算法如下：

 

（1）构建辐射源参数数据库；

 

（2）由云计算对数据库中区间型及离散型参数建模并计算各类辐射源的云数字特征期望、熵和超熵；

 

（3）利用平均权值计算辐射源样本参数隶属度并将其作为基本概率赋值BPAF；

 

（4）完成单传感器时域信息融合；

 

（5）完成分布式传感器信息融合；

 

（6）依据判决规则进行决策，给出辐射源识别结果。

 

由识别步骤，构设辐射源识别流程系统如图2。

 

图2  辐射源识别流程

 

4.数据仿真

 

针对本文提出的基于云计算的分布式传感器辐射源识别算法，设计两个实验来验证本文识别算法的性能和识别系统的合理性。设辐射源数据库中有4部雷达数据R1、R2、R3、R4，参数主要有脉宽（PW）、脉冲重复间隔（PRI）、载频（RF），参数包括区间型和离散型数字变量。

 

设空间存在雷达R2，利用3部传感器（ESM）各4个测量周期获得辐射源参数样本，所得参数样本均附加有5%的测量误差，由云计算辐射源样本参数隶属度，并作为D-S理论的BPAF，得到辐射源样本隶属度表1。

 

表1  辐射源样本隶属度

 

表2  时域融合单传感器时域信息融合得表2。

 

表3  分布式融合分布式传感器信息融合得表3。

 

另设空间中存在4部雷达辐射源，对数据库中4部雷达参数附加噪声构成辐射源样本进行识别仿真，生成800个辐射源样本数据，每部雷达200个样本，样本测量误差服从零均值高斯分布。图3给出了本文云计算分布式传感器辐射源识别率随测量误差的变化曲线。为了对比分析，图4给出了采用支持向量机（SVM）的辐射源识别算法和本文算法的识别率曲线，识别率曲线是4部雷达的平均识别率，通过对比发现，本文识别率更高。由判决规则进行决策，依据专家经验知识选择（此处有公式！！），得到该辐射源为雷达R2。

 

图3-a  基于云计算的识别率曲线

 

图3-b  识别率对比曲线

 

表4给出了本文识别算法通过1500次Monte Carlo实验得到的辐射源识别率同其他识别算法的识别率对比。由表4可见本文识别算法正确识别率较高，优于其他识别算法。

 

表4  辐射源识别率对比

 

由仿真实验结果知，云计算在分布式传感器辐射源识别中具有以下优点：能很好地处理辐射源参数的模糊性和不确定性；云计算能对区间类型变量和离散型参数建模；结合传感器时域融合、分布式传感器信息融合能更进一步提高辐射源识别率和识别的稳健性；相比于其他识别算法，云计算能获得更高的辐射源识别率。云计算的难点则是各类辐射源的数字特征期望、熵和超熵的计算。

 

结  语

 

本文将云计算用于分布式传感器辐射源识别中，列出了相应的辐射源识别算法并建立了识别流程图。本文算法采用云计算对区间型参数建模，对离散型参数进行评语集定性定量转换，获得辐射源隶属度并将其作为基本概率赋值，通过传感器时域融合、分布式传感器信息融合，得到辐射源识别结果。实验证明，利用云计算进行的辐射源识别比其他传统识别算法识别效果好，并具有处理不确定问题的鲁棒性。

 

 

推荐阅读：