摘 要：提出了一种辐射源多特征数据关联的新方法，对数据关联的相似性度量进行了讨论，给出了一种新的多特征参量统计相似性度量，并用谱系聚类法作数据关联，对所得关联结果进行了统计检验.计算机仿真结果证实了本方法的有效性。
关键词：辐射源；多特征；数据关联；相似性度量；数据融合
A New Approach for Multi-feature Data Association of Emitter
Ａｂｓｔｒａｃｔ：This paper presents a new approach for multi-feature data association of emitter. Similarity measurements for data association are discussed. A new statistical similarity measurement for multi-feature parameters is proposed, data association of impulse emitter is processed by clustering dendrogram , its effect is tested with statistical criterion. The results of computer simulation illustrate that the proposed approach is effective.
Ｋｅｙｗｏｒｄｓ： Emitter; Multi-feature parameters;Data association; Similarity measurement; Data fusion
一、引言
现代战争中对目标的敌我属性、类型或个体平台的识别特别重要,而对目标平台的识别的有效途径之一是首先对其所载的电子辐射源的识别，然后根据电子装备组合与目标平台关系来进行目标识别。辐射源识别是通过对侦收辐射源信号进行特征提取，选择目标的有关信息标志和稳定特征来判断目标的真假、属性或类型等。由于战场复杂电磁信号环境与干扰的影响，提取的辐射源的特征参数具有来源途径多、层次复杂等特点，因而战区情报处理中心需要对大量侦收、处理数据进行有效数据融合处理以形成完备的情报来进行判断，其中信号特征关联是信息融合处理的基础，它是将多传感器的信号参数相关为一组，而每一组表示与一个单一可分辨的信号源有关的数据，确定每组观测属于哪个已知信号源的观测或是潜在信号源的新的观测，从而数据累积来进一步作数据融合的目标识别与估计处理。目前对跟踪和航迹融合中数据关联讨论较多，而目标身份识别中的数据关联的讨论还比较少见［1～3］。
本文针对目标识别中的数据关联及关联度量的选择进行讨论，主要讨论脉冲工作方式的辐射源的多特征数据关联。利用多传感器对辐射源侦测而提取其组合特征，根据这些特征的相似性度量，讨论如何有效地实现辐射源身份的关联，确定观测是否来源于同一个目标，以便进一步的目标身份融合判决。
二、多特征数据关联
1．多特征数据关联过程
在数据融合信息系统中，接收到的主要是雷达、通信机、敌我识别器等辐射源的信号参数数据，在预处理中对这些辐射源信号参数数据进行特征提取得到的是多组多维特征向量。数据关联是利用这些信号参数的特征向量，由预先定义的相似性度量计算相似度得相关阵，进而确定特征向量组中哪些是对同一目标的描述，即确定多观测之间能否归到一起，以表示它们是相同的潜在实体的分离观测。这种分类结果是否合理，需要作统计检验。如果不合理则重复关联直到输出检验合理的结果。具体关联处理过程如图1所示。
2．传统的关联度量
为了进行观测对之间的相似性的定量描述，必须定义关联度量标准，该度量标准提供一种观测相似或不相似的定量描述方法。现列举2种常用的传统关联度量。
（1） 距离度量［4］
将特征参数分成2类即均值类{ei}( i=1,2,…n)和方差类 {τi}( i=1,2,…n), i为特征参量的维数，设有2组特征参量M1和 M2，则
基于观测值均值的距离度量为
基于观测值方差的距离度量为
目标特征参数之间重要性没有任何先验信息的情况下，采用等加权处理方法，即
（2）关联系数［1］
Gower系数容许同时使用不同测量尺度的变量的情况，该系数具有下述形式：
Wi是一个权，量Si (ai,bi) 是测量a组和b组对于变量i的一个相似性度量，m为特征参量的维数。
3．新的关联度量
关联度量的选择依赖于进行比较的变量类型、先验信息等。这里根据目标的特征参量的均值和方差，给出了观测与观测之间的“相似”程度的特征参量的统计关联度量值。设观测值为N维特征向量组,其均值和方差分别为
利用A组的方差σi、A组的均值xi、B组的均值yi得关联度量:
同理，利用B的方差ηi、B组的均值yi、A组的均值xi得关联度量:
该关联度量较好地反映了特征数据分布结构的相似性，即能反映数据的集中特性和分散特性，根据该关联度量可进行对观测与观测之间相似程度的量度。对联合特征矢量的观测来说，相似性量度选择会影响把目标数据正确地归属给对应目标的能力，因而数据的相似关联量度的构造对目标聚类关联效果有较大的影响。
三、数据关联和检验
数据关联是将备选观测y1, y2,…, yn 按照某种标准分类形成C1, C2,…, Cn的聚类过程。本文采用谱系聚类法［5］。谱系聚类法首先视各观测自成一类，然后把最相似（关联度量最小）的观测聚为小类，再将已聚合的小类按其相似性再聚合，随着相似性的减弱，最后将一切子类聚合成为一大类，从而得到一个按相似性大小聚结起来的一个谱系图。其中，由多个特征参量组的关联度量构成关联矩阵，由先验数据设定关联门限。最后是确定分类，这里根据谱系的直观分布或经验值确定一个临界相似性尺度，用以分割谱线图而得到观测的分类C1, C2,…, Cn。类的划分是否合理，需要作统计检验，这里采用R2统计量［5］。
差平方和T中占的比例，在实际聚类过程中通过R2值的差分来检验分类是否合理。
具体应用中的检验准则为：如果第k次的分类结果的R2值与第k－1次的分类结果的R2值相比变化较大，则第k次的分类结果为合理。
四、计算机仿真实验及结果分析
辐射源数据关联采用半实物数据进行关联仿真分析，即采用不同的传感器所采集到的 Mark X应答信号的细微特征统计参数进行数据关联分析，所提取的特征项依次为：脉宽（PW）、频率差（FC）、频率(F)、上升沿(PRT)、下降沿(PDT)、数据预处理得各参量的均值和方差。获取的是三类辐射源数据的60组特征参量，预处理后得6组均值和方差，现用新的关联度量计算结果与基于均值距离度量、基于方差距离度量及Gower系数作为关联度量的计算结果进行比较。数据关联的效果如图2 (a)~(d) 所示 ，图中纵轴表示每两组观测之间的相似度，如h12表示第一组特征向量与第二组特征向量之间的距离，其值越小表示相似性越大，横轴为等间隔的标度。各种方法的辐射源关联结果及检验结果比较见表1。
根据检验准则：如果第k次的分类结果的R2值与第k－1次的分类结果的R2值相比变化较大，则第k次的分类结果为合理。由差分计算结果可知，分为三类时的R2统计量与分为两类时的R2统计量相比变化较小，而分为三类时的R2统计量与分为四类时的R2统计量相比变化较大，这说明分为三类较为合理，这与实际仿真源确实是三类辐射源数据相符合，这说明对于特征参量数据关联采用本文中新的关联度量是有效的。
五、结束语
本文提出了一种新的多特征参量的统计关联度量，并给出了辐射源数据关联和关联效果的统计检验。该关联度量能反映数据分布结构的相似性，仿真表明此度量用于目标多特征参量关联有较好的效果。而门限设定和各特征参量的相对重要性即权重的合理选取，我们将作进一步的研究。
参考文献
［1］赵中贵数据融合方法概论［Ｍ］.电子工业部第二十八研究所,1998.
［2］程洪玮，周一宇，孙仲康.多目标跟踪关联中的多特征数据融合方法［Ｊ］.电子学报，1999，27(3): 136~139.
［3］何友，王国宏，陆大琻，等.多传感器信息融合及应用［Ｍ］.北京：电子工业出版社，2000.
［4］黄知涛，卢启中，等.基于双门限检测的辐射源识别方法［Ｊ］.系统工程与电子技术，2001,23(11): 62~66.
［5］范金城，梅长林.数据分析［Ｍ］.北京:科学出版社，2002
