一种雷达抗干扰效能实时评估方法技术

本发明专利技术属于雷达技术领域，尤其涉及一种雷达抗干扰效能实时评估方法：首先分析雷达在干扰环境下，雷达的技战术指标变化，选取初始指标建立初始指标体系，然后通过粗糙集属性约简方法对初始指标体系进行约简，建立最终评估效能时所用的基础指标，建立基于模糊层次分析法的雷达抗干扰效能评估模型，通过Delphi算法，得到群决策矩阵，然后利用卡方最小二乘法对决策矩阵进行排序，构建最终的综合权重向量，最终得到雷达的抗干扰效能结果。本发明专利技术较准确的评估了雷达的抗干扰效能，并利用干扰样式识别算法能够识别实时环境中的干扰方式，自动选择对应的评估模型，计算雷达的抗干扰性能，能够得到雷达在实时干扰环境下的性能损耗。

【技术实现步骤摘要】
一种雷达抗干扰效能实时评估方法
本专利技术属于雷达
，尤其涉及一种雷达抗干扰效能实时评估方法。
技术介绍
抗干扰性能是雷达系统的重要战术技术指标之一，然而至今还没有一个公认而通用的衡量标准，大多数雷达工程师都是从定性的角度来说明或者描述系统的抗干扰性能，而不能从定量的角度来全面描述。实际上对雷达系统的抗干扰性能评价是复杂、困难的。因为雷达系统的抗干扰性能是在电磁干扰环境中体现出来的，全面准确地评价雷达系统的抗干扰性能，必然要涉及到各种电磁干扰环境，而电磁干扰环境是非常复杂多变的。用一个或几个指标或者从概念上并不能系统的描述出雷达的抗干扰性能。从定性上给出的结论也是缺乏实际的试验检验。虽然有许多电子干扰措施和抗干扰技术措施，但是雷达系统的设计不可能采用所有的抗干扰技术措施，也就不可能对抗所有的电子干扰样式，故任何雷达系统都会受干扰，而在干扰的环境中工作其性能都会有所下降。体现抗干扰性能的内在决定因素是雷达系统的有关技术指标、体制和战术使用，有的是为了改进雷达系统的性能而研究出来的，同时也成为有力的抗干扰措施，而有些则主要是为了对付电子干扰而研究出来。大量关于干扰和抗干扰
的专门情报都属于保密范围，公开的分析和讨论受到种种限制，因而很难在性能评价上有统一的认识和标准。现有的抗干扰系统研究成果都是针对某一特定环境和某一特定雷达的抗干扰分析，对选择的指标体系形成某一个固定的权重分配，然而雷达的使用环境是变化的，干扰方式也是随着环境变化而变换的，无法准确的分析雷达在当前使用环境中的抗干扰效能。
技术实现思路
为克服现有技术中不能实时评估雷达抗干扰效能的缺陷，本专利技术提供了一种雷达抗干扰效能实时评估方法：首先分析雷达在干扰环境下，雷达的技战术指标变化，选取初始指标建立初始指标体系，然后通过粗糙集属性约简方法对初始指标体系进行约简，建立最终评估效能时所用的基础指标，建立基于模糊层次分析法(FuzzyAnalyticHierarchyProcess，FAHP)的雷达抗干扰效能评估模型，通过Delphi算法，得到群决策矩阵，然后利用卡方最小二乘法对决策矩阵进行排序，构建最终的综合权重向量，最终得到雷达的抗干扰效能结果。一种雷达抗干扰效能实时评估方法，包括如下步骤：S1、通过分析，得到雷达系统的技战术基本指标，确定初始指标体系Si，其中，Si包括有效抗干扰改善因子-X1，自卫距离-X2，定位精度-X3，干扰压制比-X4，抗欺骗性干扰有效概率-X5，平均遗漏航迹改善因子-X6，平均错误航迹改善因子-X7，雷达抗干扰能力度量-X8，识别跟踪真目标的时间统计-X9，决策作战及维修保障能力-X10，信号带宽-X11，雷达有效发射功率-X12，雷达观察扇区损失度改善因子-X13；S2、根据S1所述初始指标体系Si对不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{ai|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x1,x2,…,xn}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，ai(xj)是样本xj在属性ai上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n；S3、根据标准化后的数据，求解分辨矩阵C，通过所述分辨矩阵C求解核Core，然后确定评估指标体系Su，其中，Su为S1所述Si的属性约简结果，Su包括有效抗干扰改善因子-X1，自卫距离-X2，定位精度-X3，干扰压制比-X4，抗欺骗性干扰有效概率-X5，平均遗漏航迹改善因子-X6，平均错误航迹改善因子-X7，雷达抗干扰能力度量-X8，识别跟踪真目标的时间统计-X9，决策作战及维修保障能力-X10；S4、根据层次分析法、粗糙集对S3所述评估指标体系Su进行精简，建立指标空间；S5、根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵Pi；S6、对S5所述判断矩阵Pi进行变换，使所述Pi满足满意一致性，得到偏好矩阵p＝(pij)n×n；S7、根据最小二乘法，对S6所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重qi，所述综合权重qi为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种；S8、利用基于决策树的干扰识别技术，识别出环境中的干扰样式，选取相对应的综合权重，并使用实测指标数据Di，得到综合抗干扰效能，具体为：S81、预设门限T(x)，将信号的特征参数与门限T(x)进行比较判决，若信号特征参数大于T(x)则为模式类别集A，若信号特征参数小于T(x)则为模式类别集B，所述模式类别集A和模式类别集B为干扰样式；S82、根据S81所述干扰样式判断出信号属于哪一类干扰，结合选择相对应的S7所述综合权重，乘以相对应的实测指标数据Di，得到综合抗干扰效能。进一步地，S4所述指标空间分为三层：第一层为目标层，所述第一层把雷达系统的抗干扰能力作为整个评估系统的目标，第二层为准则层，所述第二层包含在雷达系统干扰能力中起决定性作用的因素，第三层为指标层，包括：有效抗干扰改善因子，自卫距离，定位精度，干扰压制比，抗欺骗性干扰有效概率，平均遗漏航迹改善因子，平均错误航迹改善因子，雷达抗干扰能力度量，识别跟踪真目标的时间统计和决策作战及维修保障能力。进一步地，所述在雷达系统干扰能力中起决定性作用的因素具体为：抗压制干扰能力H1、抗欺骗干扰能力H2和系统抗干扰能力H3。进一步地，S7所述的偏好矩阵进行排序具体如下：S711、确定初始排序向量w(0)＝[w1(0),w2(0),…,wn(0)]T∈D，其中，I＝{1,2,…,n}，所述D为需要求的排序向量集合，设定起始迭代次数k＝0，设定迭代精度ε＝0.001，其中，w(0)＝e/n，e＝(1,1,…,1)T；S712、计算第k次迭代时的迭代精度为其中，pij为S6所述偏好矩阵中的pij，w(k)为第k次迭代时的排序向量w(k)＝[w1(k),w2(k),…,wn(k)]T∈D，若且εi(w(k))≤ε；S713、若εi(w(k))＞ε，则重新确定的w(k)值：首先确定q值，使得成立，然后求解偏好矩阵中第q列和第q行加权比进一步得到中间向量可求得第k+1次迭代时排序向量中的第i个分量值S714、在时，令k＝k+1，利用S713中所求得的排序向量计算迭代精度εi(w(k))，若εi(w(k))≤ε,则输出排序向量D，若εi(w(k))＞ε则循环S713-714；S715、根据输出排序向量D得到各目标下的单层次排序结果。进一步地，S7所述最终评估指标的综合权重qi求取方法如下：S721、将S4所述评估指标空间中的第k-1层上的nk-1个元素相对于网络化雷达抗干扰能力的排序权值向量记为S722、求出S4所述评估指标空间中第k层上的nk个元素在k-1层第j个准则下的排序向量为S723、计算第k层所有元素对网络化雷达系统抗干扰能力的贡献排序权值其中，i∈I；S724、得到最终评估指标的综合权重qi。本专利技术的有益效果是：本专利技术采用模糊数学和层次分析法建立多套评估指标体系权重本文档来自技高网...

【技术保护点】
一种雷达抗干扰效能实时评估方法，其特征在于，包括如下步骤：S1、通过分析，得到雷达系统的技战术基本指标，确定初始指标体系Si，其中，Si包括有效抗干扰改善因子‑X1，自卫距离‑X2，定位精度‑X3，干扰压制比‑X4，抗欺骗性干扰有效概率‑X5，平均遗漏航迹改善因子‑X6，平均错误航迹改善因子‑X7，雷达抗干扰能力度量‑X8，识别跟踪真目标的时间统计‑X9，决策作战及维修保障能力‑X10，信号带宽‑X11，雷达有效发射功率‑X12，雷达观察扇区损失度改善因子‑X13；S2、根据S1所述初始指标体系Si对不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{ai|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x1,x2,…,xn}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，ai(xj)是样本xj在属性ai上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n；S3、根据标准化后的数据，求解分辨矩阵C，通过所述分辨矩阵C求解核Core，然后确定评估指标体系Su，其中，Su为S1所述Si的属性约简结果，Su包括有效抗干扰改善因子‑X1，自卫距离‑X2，定位精度‑X3，干扰压制比‑X4，抗欺骗性干扰有效概率‑X5，平均遗漏航迹改善因子‑X6，平均错误航迹改善因子‑X7，雷达抗干扰能力度量‑X8，识别跟踪真目标的时间统计‑X9，决策作战及维修保障能力‑X10；S4、根据层次分析法、粗糙集对S3所述评估指标体系Su进行精简，建立指标空间；S5、根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵Pi；S6、对S5所述判断矩阵Pi进行变换，使所述Pi满足满意一致性，得到偏好矩阵p＝(pij)n×n；S7、根据最小二乘法，对S6所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重qi，所述综合权重qi为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种；S8、利用基于决策树的干扰识别技术，识别出环境中的干扰样式，选取相对应的综合权重，并使用实测指标数据Di，得到综合抗干扰效能，具体为：S81、预设门限T(x)，将信号的特征参数与门限T(x)进行比较判决，若信号特征参数大于T(x)则为模式类别集A，若信号特征参数小于T(x)则为模式类别集B，所述模式类别集A和模式类别集B为干扰样式；S82、根据S81所述干扰样式判断出信号属于哪一类干扰，结合选择相对应的S7所述综合权重，乘以相对应的实测指标数据Di，得到综合抗干扰效能。...

【技术特征摘要】
1.一种雷达抗干扰效能实时评估方法，其特征在于，包括如下步骤：S1、通过分析，得到雷达系统的技战术基本指标，确定初始指标体系Si，其中，Si包括有效抗干扰改善因子-X1，自卫距离-X2，定位精度-X3，干扰压制比-X4，抗欺骗性干扰有效概率-X5，平均遗漏航迹改善因子-X6，平均错误航迹改善因子-X7，雷达抗干扰能力度量-X8，识别跟踪真目标的时间统计-X9，决策作战及维修保障能力-X10，信号带宽-X11，雷达有效发射功率-X12，雷达观察扇区损失度改善因子-X13；S2、根据S1所述初始指标体系Si对不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{ai|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x1,x2,…,xn}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，ai(xj)是样本xj在属性ai上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n；S3、根据离散化后的数据，求解分辨矩阵C，通过所述分辨矩阵C求解核Core，然后确定评估指标体系Su，其中，Su为S1所述Si的属性约简结果，Su包括有效抗干扰改善因子-X1，自卫距离-X2，定位精度-X3，干扰压制比-X4，抗欺骗性干扰有效概率-X5，平均遗漏航迹改善因子-X6，平均错误航迹改善因子-X7，雷达抗干扰能力度量-X8，识别跟踪真目标的时间统计-X9，决策作战及维修保障能力-X10；S4、根据层次分析法、粗糙集对S3所述评估指标体系Su进行精简，建立指标空间；S5、根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵Pi；S6、对S5所述判断矩阵Pi进行变换，使所述Pi满足满意一致性，得到偏好矩阵p＝(pij)n×n；S7、根据最小二乘法，对S6所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重qi，所述综合权重qi为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种；S8、利用基于决策树的干扰识别技术，识别出环境中的干扰样式，选取相对应的综合权重，并使用实测指标数据Di，得到综合抗干扰效能，具体为：S81、预设门限T(x)，将信号的特征参数与门限T(x)进行比较判决，若信号特征参数大于T(x)则为模式类别集A，若信号特征参数小于T(x)则为模式类别集B，所述模式类别集A和模式类别集B为干扰样式；S...

【专利技术属性】
技术研发人员：沈晓峰，杜龙飞，殷文昭，邢川，徐敦毅，王军强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51