决策

1.雷达辐射源信号识别

方法1：复合权值接近理想点法(TOPSIS)

文献[1]:

多功能雷达在近些年取得了高速发展，已成为空军的重要装备，其探测、跟踪与识别是现代防空的重要任务。从机载火控雷达辐射源识别这一电了侦察领域的迫切需求出发，针对机载火控雷达工作方式多、参数模式多、不同型号参数之问存在重叠，同时侦察截获分选后信号增批多，单个信号只体现部分特征的现实难点，开展了机载雷达辐射源识别的参数建模研究；占达辐射源识别中的多参数联合识别研究；非完整参数信号联合的雷达辐射源识别研究。主要研究内容概括如下：

1）针对机载多功能雷达工作方式多，同一工作方式下参数模式多，采用了复杂体制的雷达辐射源的联合参数建模方法，该方法能够实现对标量、区问和序列三种类型参数的联合建模。在此基础上，对各模式参数的置信度计算进行了分析。

2）针对已经建立的多个参数联合模型，考虑到不同工作方式下各个参数对雷达辐射源识别的影响不同，因此将多属性决策分析理论应用到雷达识别中，采用复合权重概率，建立了基于复合权值接近理想点法(TOPSIS)的机载多功能雷达辐射源识别方法。通过实例分析表明，该方法可以对不同工作方式下机载火控雷达辐射源进行正确的识别。

3）针对侦察设备对机载雷达辐射源的一次扫描信号截获过程中，分选后得到的多个增批信号，采用了贝叶斯推理方法对机载火控雷达辐射源进行参数联合识别，通过非完整参数的多信号联合，来实现完整特征的识别。分析结果表明，通过贝叶斯理论对非完整信号进行联合推理，能够进一步提高雷达辐射源的识别率[1]。

文献[2]:

当前对雷达辐射源信号识别效能评估的研究处于起步阶段，没有一种很好的评估方法对其进行评估。为此，论文提出一种基于AHP和TOPSIS的雷达辐射源信号识别效能评估方法。该方法主要在以下三点对传统区间TOPSIS方法进行改进，以消除逆序问题:利用AHP 方法计算指标权值；利用理论极值确定绝对正负理想点；利用区间距离计算评估方案到正负理想点的距离并改进贴近度计算方法，并将TOPSIS方法应用于雷达辐射源信号识别效能评估中得到新的雷达辐射源信号识别效能评估方法.最后通过评估实例证明论文所提方法能有效解决逆序问题，并能很好地应用于雷达辐射源信号识别效能评估中[2]。

文献[3]:

在多属性决策中，TOPSIS是逼近理想点的一种排序方法，具有计算简便、评估合理、应用较灵活的特点。然而，TOPSIS法也有不足之处:对十位十理想方案与负理想方案连线中垂线上的点，无法区分优劣。近年来学者一们纷纷致力十改进TOPSIS方法的研究，文献推广了TOPSIS的适用范围并针对TOPSIS法不能排序的情况提出了夹角度量法。然而夹角度量法只考虑了两方案间夹角贴近度，忽略了两方案间的长度差异，当两方案夹角完全相同而长度不同时一，夹角度量法就得出了错误的结论。这就衍生了基于虚拟最劣样本的改进方法。但文章并没有对虚拟最劣样本的科学性子以证明，算例的比较分析也不够充分。另一种是基于“垂面距离”的正交投影法，但是此方法针对TOPSIS不能排序的问题仍不能给出有效的解决方案.有些类似的文献虽然都在一定程度上发现了TOPSIS存在的不足，但提出的改进方法不是存在理论错误就是不能解决TOPSIS不能排序的问题。因此，有待探索新的方法来解决TOPSIS方法存在的问题。而运用相对嫡原理与TOPSIS方法相结合，定义了一种新的与理

想方案的贴近度，据此给出了多属性决策一种新的排序方法，并将此法与TOPSIS方法、夹角度量法和投影法进行了对比，得出了较好的结果。

相对熵排序方法的具体步骤：

Step1：构造标准化决策矩阵；

Step2：构造加权标准化决策矩阵；

Step3：确定理想方案和负理想方案；

Step4：计算各方案与理想方案和负理想方案的相对熵；

Step5：计算各方案与理想方案的的相对贴近度；

Step6：排列方案的优先序，按照相对贴近度，由大到小排列相应的方案，前面的优于后面的[3]。

方法2：粗糙集理论

文献[4]:

关于优化识别雷达辐射源问题，雷达辐射源信号受到外界环境影响和各种干扰，造成识别困难。为解决上述问题，提出了一种新的决策树雷达辐射源识别方法。首先，应用粗糙集理论对雷达辐射源信号进行分析。通过离散化、属性约简，得到分类结果对于各条件属性的重要度。根据各条件属性重要度来确定各属性信息量的相对人小，建立决策树。该方法简化了决策树的结构，并改进了传统的决策树的建立方法。选取雷达信号的主要参数特征进行了仿真仿真结果验证了改进方法的有效性与可靠性。为消除噪声，正确识别结果提供了依据。

当前，国内外辐射源识别普遍采用的方法有模式识别技术与数据库比较查询，灰关联分析和证据理论，神经网络，数据融合法等。统计模式识别的方法可以定量比较，便于计算机自动处理，但是由于同一型号的雷达往往在一个信号参数或者几个信号参数上有较大的离散性，不易得到合适的雷达信号参数标称值，因而应用也受到一些限制。基于决策树的分类雷达辐射源识别方法能有效地识别参数离散度较大的信号，有效地解决上述问题。另外，由于电磁环境的恶化和各种噪声的影响，雷达侦察接收机接收到的信号很大程度上受到了污染和干扰。传统的识别方法对这些参数不全甚至畸变的信号显得无能为力。

粗糙集理论是在特定的环境和阶段解决这一难题的重要方法。以脉冲描述宇表征雷达信号后，根据粗糙集理论对脉冲描述宇进行处理，根据信号数据本身的不可分辨关系，确定信号中各属性对分类结果的影响，再根据各属性对分类结果影响程度的不同生成决策树，从而简化了识别算法，有效地解决了辐射源识别问题。

文献[5]:

区间数是模糊数的一种常用表达形式，属于不确定性定量评估，常常给出的是一种实数范围，其中认为每个数值都是等可能的。在现实生活中也有较多实例，比如说观察数据的误差范围、统计学中的置信区间、股票的波动范围等等。考虑损失函数值为区间数，拟将区间数引入到决策粗糙集模型中，然后在刘盾等的研究基础上，深入探讨区间数决策粗糙集的决策方法。确定性排序方法和可能度排序方法是区间分析方法的两种常规方法。借助以上两种常规区间分析方法，我们先推导出区间数决策粗糙集的决策规则。然后，总结常规方法处理区间数决策粗糙集机制，再从信息粒扩展视角，设计出了一种基于区间数决策粗糙集的优化方法。研究内容如下：

1）区间数决策粗糙集的基础模型。

2）基于确定性排序方法的区间数决策粗糙集决策机制。

3）基于可能度排序方法的区间决策粗糙集决策机制。

4）基于优化视角的区间数决策粗糙集决策机制。

方法3：决策树

文献[6]:

雷达辐射源型号识别[4]是电子侦察情报系统(ELINT)的重要内容，目前国内常用的雷达型号分析方法主要有人工查表法和统计模式识别法。人工查表分析法主要依靠情报分析人员的手工操作，速度慢、效率低，早已不适合现代战争的要求。统计模式识别法可以定量比较，便于用计算机自动处理，但是由于同一型号的雷达往往在一个信号参数或几个信号参数上有较大的离散性，不易得到合适的雷达信号参数标称值，因而目前还难以运用。提出了一种使用决策树对雷达型号数据库进行统计分类，得出依据推理的算法，用于对未知雷达辐射源型号进行识别。从以上的分析可以看出，使用决策树算法进行雷达型号识别，具有以下优点：1）可以生成可理解的规则：数据挖掘产生的模式的可理解度是判别数据挖掘算法的主要指标之一，相比于一些数据挖掘算法，决策树算法产生的规则比较容易理解，并且决策树模型的建立过程也很直观。

2）与雷达对抗侦察情报分析中的其他数据挖掘方法相比，其计算量较小，可实现性强。

3）只要对系统输入识别参数属性，算法总能迅速得到一个较为合理的识别结果，对于雷达对抗[6]。

2.雷达组网

方法1：DS证据理论

文献[7]:

雷达组网是指通过将多部不同体制、频段、工作方式、极化方式的雷达或者无源侦察装备适当布站，借助于通信手段链接成网，由中心站统一调配而形成的一个有机整体。相比于单部雷达，雷达组网不仅提高了目标的探测和识别能力，而且能有效抵抗“四大威胁”：干扰、反辐射导弹、低空入侵和隐身目标。同时，雷达组网也为雷达对抗带来了新的巨大挑战。

为了对有源雷达组网方式进行识别，该文利用D-S证据理论适于解决信息序贯融合问题的特点，提出一种基于多源信息融合的有源雷达组网方式序贯识别方法。首先对侦察获取的有源雷达和通信电台信息进行特征提取，然后结合专家系统计算特征向量与雷达组网方式的匹配度，最后通过一种改进的相对加权融合算法进行证据修正融合，实现了对4种常见有源雷达组网方式的识别[5]。

方法2：灰色关联决策

文献[8]:

组网雷达的四抗能力是雷达组网作战效能的重要指标。但是，组网雷达所要面对的空情却是不确定的，因此必须对组网雷达的四抗能力进行综合评仇雷达组网四抗能力的综合评估是一类多属性决策问题。求解多属性决策问题最常用的方法，便是使多目标问题单目标化，这常常需要确定不同评价指标的权重由于空情的不确定性，要让指挥员给出四抗能力中各项能力的确切权重是有一定难度的，一般只能给出权重的变化范围;并且指挥员对不同的组网方案也有一定的偏重，也就是说存在一定的主观偏好。对于这种主观客观信息并存、属性权

重信息不够确定的综合评估问题，灰色关联决策是一类比较实用的决策方法[8]。

文献[9]:

针对复杂电磁环境下雷达获取隐身口标特性存在不完整性、多样性等特点，提出一种基于改进灰色关联算法和距离优化评估模型的雷达反隐身能力评估方法该方法针对一般的主观权重可靠性不足的缺点，依据指标的主观、客观和关联属性实时计算并修正了指标权值建立了基于性能与作战效能的雷达反隐身能力评估指标体系，并结合样本序列的稳定程度和指标值的优劣程度给出了雷达反隐身能力的优化评估距离，得出客观、准确的评估结果理论分析和仿真试验表明，与一般的灰色关联算法相比，复合权重的灰色关联算法具有更好的系统评估能力和更高的准确性[9]。

文献[10]:

在分析的初始阶段，由于样本数据较少，数据间的内在规律还没有形成，应注重专家的经验估计，以主观赋权为主;随着样本数据的不断积累，可以利用指标间的内在规律来确定指标的权重系数，此时应以客观赋权为主。因此，合理的赋权方法应该同时基于指标数据之间的内在规律和专家经验对决策指标进行赋权。为此，我们可以引入灰色系统理论对传统的理想解法进拓展，提出了一种基于组合赋权思想和考虑决策者偏好程度的灰色关联理想解法(Grey Correlation Technique for Order Preference by Similarity to Ideal Solution，GC一TOPSIS)，为“贫信息”环境下的多指标决策问题提出了一种新思路[10]。

[1]杨丹. 参数联合的机载火控雷达辐射源识别技术研究[D].南京航空航天大学,2014.

[2]徐璟,何明浩,陈昌孝,王欢. 基于理想排序的雷达信号识别效能评估方法[J]. 电波科学学报,2015,03:554-559.

[3]赵萌,邱菀华,刘北上. 基于相对熵的多属性决策排序方法[J]. 控制与决策,2010,07:1098-1100+1104.

[4]胡可,王宏远. 基于粗糙集的决策树雷达辐射源识别方法[J]. 计算机仿真,2011,08:29-32.

[5]梁德翠. 模糊环境下基于决策粗糙集的决策方法研究[D].西南交通大学,2014.

[6]胡源,马鑫,王旭赢. 基于决策树的雷达型号识别方法[J]. 雷达科学与技术,2008,03:161-164.

[7]李程,王伟,施龙飞,王雪松. 基于多源信息融合的有源雷达组网方式序贯识别方法[J]. 电子与信息学报,2014,10:2456-2463.

[8]刘健. 基于灰色关联决策的雷达组网四抗能力综合评估[J]. 火力与指挥控制,2011,05:82-85.

[9]师俊朋,胡国平,李涛. 基于改进灰色关联算法的雷达反隐身能力评估[J]. 哈尔滨工业大学学报,2015,03:116-121.

[10]孙晓东. 基于灰色关联分析的几种决策方法及其应用[D].青岛大学,2006.