分布式协同侦察及融合关键技术研究技术协议精选

《分布式协同侦察及融合关键技术研究技术协议精选》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、内部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一、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

2、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）；a.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.L

3、ink-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

4、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。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

5、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个作快速匹配，从脉冲信号流中分离出满足特征的已知雷达脉冲信号子流，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

6、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，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

7、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

8、的不稳定，从而影响最终的聚类效果。针对K-Means