中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2022 , Vol. 44 >Issue 4: 66 - 72

DOI: https://doi.org/10.3969/j.issn.1673-3819.2022.04.011

Theory & Research

An Evaluation Method of SAR Jamming Effectiveness Based on AHP and Performance of Target Detection and Recognition

  • CHEN Tian-yi 1, 2 ,
  • ZHANG Hong-min 1 ,
  • LU Fang-he 1
Expand
  • 1. PLA Strategic Support Force Information Engineering University, Zhengzhou 450001
  • 2. Unit 31650 of PLA, Qujing 655103, China

Received date: 2021-12-12

  Revised date: 2022-01-27

  Online published: 2022-08-16

Fold

Abstract

In order to evaluate the jamming effectiveness of synthetic aperture radar (SAR) better, an evaluation method based on analytic hierarchy process (AHP) and performance of target detection and recognition is proposed. Firstly, the imaging region is divided according to the tactical background, and the evaluation weight of each region is calculated by AHP. Then, the evaluation index is designed according to the attenuation of target detection and recognition performance, and the regional evaluation result is calculated according to the jamming form. Finally, the comprehensive evaluation results are calculated by combining the regional evaluation weights. Simulation results show that this evaluation method can be closely combined with tactical background and battlefield requirements, and is suitable for near-real-time and non-cooperative evaluation scenarios.

Key words： synthetic aperture radar; jamming effectiveness evaluation; analytic hierarchy process

Cite this article

CHEN Tian-yi , ZHANG Hong-min , LU Fang-he . An Evaluation Method of SAR Jamming Effectiveness Based on AHP and Performance of Target Detection and Recognition[J]. Command Control and Simulation, 2022 , 44(4) : 66 -72 . DOI: 10.3969/j.issn.1673-3819.2022.04.011

在雷达对抗中,干扰效果是一项对抗博弈双方都十分关注的指标。通过评估干扰效果,干扰方可以掌握干扰是否有效,进而可调整干扰策略,提升干扰效果;被干扰方则可以掌握自身在干扰条件下的工作状态,进而可调整反干扰手段,减小受干扰影响。随着合成孔径雷达(SAR, Synthetic Aperture Radar)对抗技术的发展进步,如何实时、系统、科学、定量地评估SAR干扰效果,已成为国内外该领域研究热点,具有越来越重要的理论与应用价值。
本文总结了现有SAR干扰效果评估方法,分析了各类方法的优缺点,进一步面向非合作SAR干扰效果评估战术应用,提出一种基于层次分析法(AHP, Analytic Hierarchy Process)和目标检测识别性能的评估方法,并通过仿真实验进行了验证。

1 现有SAR干扰效果评估方法分析

基于SAR图像的干扰效果评估方法,从评估主体上可分为主观评估、客观评估和综合评估三类[1-2]:

1.1 主观评估

主观评估是指运用人工判读SAR图像的方法对干扰效果进行评估,是当前最常用的手段之一。为了得到更准确的评估结果,通常须选取尽可能多的评估人员参与判读,并各自确定评估权重,综合得到评估结果[3]。主观评估结果直观,紧贴需求且易于实现,但其评估质量依赖于评估员的业务水平,难以保证客观、公正和统一;评估流程非自动化,速度慢,效率低,时间和人力成本较高。

1.2 客观评估

客观评估是指从信号或图像参数中提取量化、客观的评估指标,以此对干扰效果进行计算和评估。经典的方法有:1) 评估点目标成像质量,常用评价指标包括空间分辨率、峰值旁瓣比、积分旁瓣比、检测率和虚警率等[1,4,5]。2) 评估图像质量恶化程度,从干扰前后同一场景的两幅SAR图像提取灰度统计信息作为干扰效果评估的指标,如欧氏空间距离[3]、均方误差[6-7]、等效视数[8]、结构相似度[9]等。3) 模拟人眼观感和视觉系统的评估,利用图像小波分解[10]、人眼视觉加权处理[2]、图像区域纹理匹配程度[11]、分层视觉纹理特征[12]等方法对结构相似度等指标进行修正。4) 评估图像包含信息量的变化,针对图像信息与图像熵的变化进行评估[13⇓-15]。客观评估通过评估系统自动进行,没有人为因素参与,可达到比较客观、公正、快速检测的目的,然而从研究现状来看,客观评估的方法大多有适用的局限性,研究大多还停留在理论层次,离实际应用还有一定的差距。

1.3 综合评估

主观评估与客观评估各自存在优劣,单一采用某种方法难以适用于复杂情况,因此有学者提出综合评估的手段。最经典的就是模糊综合评价算法,即采用客观评估的思想选定评估因素集,采用主观评估的思想确定权重集,选取模糊综合算法,最终得到评估结果[1,16-17]。此外,也有学者将神经网络技术运用到干扰效果评估领域,用人工智能来代替人力实现“主观”评估[18-19]。

1.4 现有研究存在的短板不足

一是较难适用于非合作评估。现有的研究大多需要对干扰前后同一场景的两幅SAR图像进行对比研究,一般只适用于对合作目标的评估场景,如装备研制试验、部队训练演习等。而在作战等非合作场景下,若目标SAR已经获得了未受干扰的原始图像,干扰和评估则已失去意义。因此开展非合作条件下的评估宜以侦察情报和先验信息为主要依据。
二是与战术背景结合程度不高。从现有的公开资料来看,客观评估与综合评估往往侧重于研究图像指标参数,对战术背景或干扰意图等因素考虑得较少,不利于形成对作战运用的具体指导。

2 基于AHP和目标检测识别性能的SAR干扰效果评估方法

2.1 算法概述

在非合作场景下,评估方有可能在探测方SAR完成目标区域探测后不久的时间内,从数传通信信道截获受干扰的SAR信号或图像;此时目标SAR可能仍处于干扰威力范围内,若能迅速利用截获图像进行“半在线”“近实时”的干扰效果评估,仍然具有很高的战术应用价值。
在探测方的SAR成像范围内,可能存在多种重要目标(如武器装备、阵地工事、重要建筑、交通设施、地形地物等),其类型、数量、分布等情报信息是探测方试图获知的主要内容,也是干扰方试图通过干扰手段掩盖或欺骗的主要对象。区域分布隐含着目标情报价值,也是干扰的战术应用背景,因此可为各区域赋予评估权重,融入评估过程。
对于对抗双方而言,目标检测识别性能是最能直观体现从图像获取情报信息能力的指标:对一幅SAR图像的检测识别性能较差时,说明探测方难以从中获取准确的情报信息,干扰方的意图得以实现,此时干扰效果较好;反之,则干扰效果较差。因此,干扰效果评估问题可转化为目标检测识别性能评估问题。
本文提出如图1所示的基于AHP和目标检测识别性能的SAR干扰效果评估方法,其基本思想如下。
开始评估前,首先根据实际目标类别及分布等信息,将可能被探测的范围划分为若干个区域;而后在充分收集专家经验的基础上,根据各区域价值利用层次分析法确定各自评估权重,并根据当前采取的干扰样式确定各评估指标的权重。
获取到受干扰的SAR图像后,首先对其进行目标检测、鉴别与识别;而后将各区域内的检测、鉴别与识别结果与已知的目标信息进行对照,以准确率为基础提取为评估指标,分别计算各区域的评估结果;最后根据区域评估权重加权得到最终评估结果。

2.2 基于AHP的区域权重与评估指标计算

AHP是20世纪70年代初由美国运筹学家T. L. Saaty最早提出的一种层次化、结构化决策方法。其基本思想是将复杂问题划分为若干层次、分解为若干因素,通过两两比较因素间重要性,逐层确定相对重要性排序,可以在决策中实现定性分析与定量分析的结合,具有系统、简单、灵活等优点[20-21]。
利用AHP进行权重计算的步骤如下:
1)构建AHP模型。将确定评估权重作为评价目标;选取若干目标价值(如军事价值、经济价值等)作为评价准则,准则下还可包含若干子准则(如军事价值可以包含指挥、火力、防御、机动等);将划分后的各区域作为评价方案。评价模型如图2所示。
图2 AHP确定区域权重模型
2)确定比例标度。采用1-9之间的整数及其倒数作为比例标度,标度含义如表1所示。
表1 1-9重要性标度含义
标度 含义
1 表示两个元素相比,具有同样重要性
3 表示两个元素相比,前者比后者稍重要
5 表示两个元素相比,前者比后者明显重要
7 表示两个元素相比,前者比后者强烈重要
9 表示两个元素相比,前者比后者极端重要
2,4,6,8 表示上述相邻判断的中间值
倒数 若元素i与元素j的重要性之比为aij,则元素j与元素i的重要性之比aji=1/aij
3)构造判断矩阵。设准则C对应的下一层元素为u1,u2,…,un,则需要针对准则C判断任意两个元素ui相对于uj的重要程度,并按照1-9比例标度对重要性程度进行赋值为aij,由此可以构成一个判断矩阵:
A= a 11 a 12 … a 1 n a 21 a 22 … a 2 n ︙ ︙ ⋱ ︙ a n 1 a n 2 … a n n
4)进行一致性检验。首先计算一致性指标C.I.(Consistency Index):
C.I.= λ m a x - n n - 1
其中λmax为A的最大特征根。
而后,根据判断矩阵的阶数n,由表2查得平均随机一致性指标R.I.(Random Index):
表2 1000次Monte Carlo算法得到的1-15阶正反互矩阵平均随机一致性指标
n 1 2 3 4 5 6 7
R.I. 0 0 0.52 0.89 1.12 1.26 1.36
n 8 9 10 11 12 13 14 15
R.I. 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59
最后,计算一致性比例C.R.(Consistency Ratio):
C.R.= C . I . R . I .
当C.R.<0.1时,认为判断矩阵的一致性是可以接受的,否则需要对判断矩阵进行修正。
5)计算单一准则下的相对权重。求解判断矩阵A对于准则C的相对权重ω=(w1,w2,…,wn)T,方法有和法、根法、对数最小二乘法、最小二乘法、特征根法等。这里采用特征根法:
Aω=λmaxω
其中,λmax为A的最大特征根,ω是对应的特征向量,将ω进行归一化处理后就可以作为权重向量。
6)计算合成权重。由上述方法,可以计算得到以上级因素为准则、下级各因素的权重向量。重复此过程直至方案层,得到所有层级间的相对权重向量。而后从下至上对相对权重逐层作加权计算,最终可以得到底层各方案对总目标的合成排序向量;进行归一化处理后,得到的就是各方案对应的总权重值。

2.3 基于目标检测、鉴别、识别性能的评估指标设计

对SAR而言,目标检测是指在SAR图像上找到感兴趣的目标,将其从背景中选择出来;鉴别则是对检测到的目标进行分类,区分出目标的大致属性(如武器装备、建筑物、植被等);识别则需要从鉴别结果进一步得到目标种类、型号等信息。
为便于处理,本文将重要目标(如武器装备等)和非重要目标(如植被、空地等)作为2个鉴别分类,重要目标的型号作为若干个识别分类。评估目标SAR的检测识别性能,经典的算法主要依据检测概率、虚警概率、识别概率、误识概率等指标[22]。在上述理论的基础上,本文结合SAR干扰效果评估问题背景,提出下列4个评估指标:
1)检测性能衰减度:
DD= 1 - N D N T r 　 N T r > 0 0 N T r = 0
其中,ND为当前评估区域内的确检目标数,即正确检测到的重要目标数;NTr为当前评估区域内实有目标数,即实际存在的目标总数。
2)鉴别性能衰减度:
DC= 1 - N C N D 　 N D > 0 1 N D = 0
其中,NC为当前评估区域内的确鉴目标数,即正确鉴别到的重要目标数。
3)识别性能衰减度:
DI= 1 - N I N C 　 N C > 0 1 N C = 0
其中,NI为当前评估区域内的确识目标数,即正确识别型号的重要目标数。
4)虚警评估指标:
DF= N F N T d 　 N T t > 0 1 N T d = 0 且 N T r > 0 0 N T d = 0 且 N T r = 0
其中,NF为当前评估区域内的虚警目标数,即错误鉴别为重要的非重要目标数;NTd为当前评估区域内的得鉴目标数,即鉴别为重要目标的所有目标数。
易知,DD、DC、DI、DF均为0-1之间的数值,且数值越大,表示当前图像的检测、鉴别、识别性能越弱,对应的干扰效果就越好。与经典的检测概率、虚警概率、识别概率、误识概率等指标相比,上述4个评估指标更能充分反映检测、鉴别、识别3个层次的性能,且根据问题实际定义了“分母为0”的情形,更适用于SAR干扰效果评估问题。

2.4 算法主要流程

对截获的干扰后SAR图像进行检测、鉴别、识别,并计算得到各区域内DD、DC、DI、DF这4个评估指标后,即可采取加权的方式计算评估结果。
1)确定评估指标权重。根据当前干扰样式和战术背景,运用AHP方法,将4个评估指标作为方案,构建判断矩阵,计算相对权重向量 W D ¯,作为4个评估指标的权重值。
2)计算区域评估结果。将各区域内的DD、DC、DI、DF按前步确定的权重加权求和,即可得到当前区域内的评估结果:
Ei= D D D C D I D F· W D ¯ (i=1,2,…,n)
3)计算综合评估结果。将各区域的评估结果按上文确定的区域评估权重 W A ¯加权求和,即可得到综合评估结果。
E= E 1 E 2 … E n· W A ¯

3 实验与分析

本文采用仿真实验的方式验证了算法的可行性。实验素材为利用MSTAR官方数据集中的场景与目标合成的模拟阵地(如图3a)所示),包含了20个不同类别的武器装备。
图3 仿真实验场景设计

3.1 同场景不同干扰评估实验

按照战术背景,将场景划分为4个区域(如图3b)所示),并以目标价值、兵力兵器密度、战场环境重要度为3个准则,建立AHP模型,计算得到区域权重为 W A ¯ = 0.40 0.27 0.28 0.05 T。
而后,在仿真场景上加入不同干信比的调频噪声干扰,并在此干扰样式下,计算得到评估指标权重为 W D ¯ = 0.58 0.26 0.11 0.05 T。
采用恒虚警率(CFAR, Constant False-Alarm Rate)自动目标检测方法[5]和卷积神经网络(CNN, Convolutional Neural Networks)图像识别算法进行目标检测、鉴别和识别,如图4所示。
图4 不同干信比条件下目标检测识别结果
而后,按本文提出的算法计算评估结果,如表3所示。评估结果表明,干信比越高,干扰效果越好,符合主观评估的结论。本文算法利用了更具体的4个分层指标,且在不同干扰样式下,分配不同权重,能够充分考虑干扰战术意图,得到的定量评估结果更有实战价值。
表3 不同干信比条件下干扰效果评估结果
序号 干信
比dB		 A区域
评估
结果		 B区域
评估
结果		 C区域
评估
结果		 D区域
评估
结果		 综合
评估
结果
0 无干扰 0.055 0 0.036 7 0.048 9 0.000 0 0.045 6
1 -20 0.082 5 0.036 7 0.073 3 0.000 0 0.063 4
2 -15 0.110 0 0.036 7 0.073 3 0.000 0 0.074 4
3 -10 0.120 0 0.036 7 0.097 8 0.000 0 0.085 3
4 -5 0.120 0 0.055 0 0.090 6 0.000 0 0.088 2
5 -3 0.120 0 0.109 3 0.152 1 0.110 0 0.125 6
6 0 0.138 3 0.203 3 0.304 4 0.000 0 0.195 5
7 3 0.305 0 0.326 7 0.548 9 0.110 0 0.369 4
8 5 0.305 0 0.516 7 0.548 9 0.420 0 0.436 2
9 10 0.420 0 0.516 7 0.548 9 1.000 0 0.511 2
10 15 0.565 0 0.516 7 0.677 8 1.000 0 0.605 3
11 20 0.710 0 0.613 3 0.677 8 1.000 0 0.689 4
12 30 1.000 0 0.806 7 0.871 1 1.000 0 0.911 7
13 40 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0

3.2 同场景同干扰区域评估实验

在同等干信比条件下,选择不同的压制干扰范围(干信比为0 dB),如图5所示,也可得到不同的评估结果,如表4所示。
图5 不同压制范围下的检测识别结果
表4 不同压制范围下的干扰效果评估结果
序号 压制
范围		 A区域
评估
结果		 B区域
评估
结果		 C区域
评估
结果		 D区域
评估
结果		 综合
评估
结果
1 (a) 0.305 0 0.166 7 0.123 3 0.000 0 0.201 5
2 (b) 0.101 7 0.203 3 0.105 0 0.000 0 0.125 0
3 (c) 0.065 0 0.169 2 0.181 6 0.000 0 0.122 5
4 (d) 0.065 0 0.141 7 0.276 9 0.000 0 0.141 8
5 (e) 0.065 0 0.109 3 0.271 9 0.000 0 0.131 7
6 (f) 0.082 5 0.184 7 0.239 4 0.000 0 0.149 9
评估结果表明,干扰压制区域如图5a)所示时,干扰效果最好,符合主观评估的结论。较已有方法,本文算法对同场景同干扰不同区域的评估结果并非定值,区分了不同区域受干扰对整体影响的差异,较好顾及了待掩护场景战术背景。

4 结束语

通过计算区域评估权重,可以很好地将评估结果与实际战术背景深度结合;通过对检测、鉴别和识别性能分层设计评估指标,可以很好地与干扰样式、干扰意图深度结合;该评估方法计算简单快捷,利用现实场景而非干扰前影像即可开展评估,可以较好地适用于“准在线”“近实时”的“非合作”战术情形;此外,该方法可以适用于不同的检测识别算法,具有很好的兼容性和灵活性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何川. SAR有源噪声干扰效能评估方法研究[J]. 电子对抗技术, 2005, 20(3):29-32.

[2]
韩国强, 吴晓芳, 代大海, 等. 对SAR干扰效果的评估方法[J]. 雷达科学与技术, 2010, 8(1):26-31.

[3]
马俊霞, 蔡英武, 张海. 一种SAR压制干扰效果评估方法[J]. 现代雷达, 2004, 26(10):4-6,31.

[4]
张孝乐. 合成孔径雷达干扰及干扰效能评估研究[D]. 电子科技大学, 2006.

[5]
许俊, 陈根忠, 王迪. 基于CFAR检测的SAR噪声干扰效果评估方法[J]. 航天电子对抗, 2007, 23(4):21-24.

[6]
韩中生, 宋小全. SAR成像及干扰效果评估方法研究[J]. 飞行器测控学报, 2004, 23(2):81-84.

[7]
李源. 基于均方误差的逆合成孔径雷达干扰效果评估[J]. 信息与电子工程, 2008, 6(5):342-345.

[8]
苗艳红, 赵国庆. SAR雷达干扰效果的度量[J]. 电子对抗技术, 2004, 19(6):19-21.

[9]
Wang Zhou, Bovik Alan Conrad, Sheikh Hamid Rahim, et al. Image Quality Assessment: from Error Visibility to Structural Similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4):600-612.

PMID

[10]
刘阳, 代大海, 王雪松. 基于小波域加权结构相似度的SAR干扰效果评估[J]. 信号处理, 2010, 26(10):1577-1582.

[11]
柏仲干, 王伟, 王国玉, 等. 基于区域纹理匹配的SAR欺骗性干扰评估方法研究[J]. 系统工程与电子技术, 2006, 28(10):1506-1508.

[12]
高超, 张伟梁, 王媛, 等. 结合分层视觉特征和结构相似度的SAR干扰效果评估方法[J]. 电子信息对抗技术, 2019, 34(1):46-50.

[13]
周广涛, 石长安, 杨英科, 等. 基于熵的SAR干扰效果评估方法[J]. 航天电子对抗, 2006, 22(4):33-35.

[14]
刘志伟, 许克峰. 基于图像信息损失率的合成孔径雷达干扰效果评估指标[J]. 电子学报, 2007, 35(6):1042-1045.

[15]
王伟, 王国玉, 陈永光. 基于最小熵的SAR干扰图像配准与评估研究[J]. 电光与控制, 2008, 15(6):58-60,65.

[16]
曾跃, 徐少坤. 一种新的SAR欺骗式干扰性能评估方法[J]. 现代电子技术, 2010, 33(11):14-17,20.

[17]
俞道滨, 冉达, 吴彦鸿. 基于模糊综合的合成孔径雷达局部遮盖干扰评估[J]. 装备学院学报, 2017, 28(2):77-83.

[18]
刘鹏军, 马孝尊, 武忠国, 等. 基于BP神经网络的SAR干扰效果评估[J]. 舰船电子工程, 2009, 29(2):88-90.

[19]
刘佳伟, 达通航, 孙金龙, 等. 一种SAR图像干扰效果智能评估方法[J]. 舰船电子对抗, 2020, 43(4):78-82.

[20]
邓雪, 李家铭, 曾浩健, 等. 层次分析法权重计算方法分析及其应用研究[J]. 数学的实践与认识, 2012, 42(7):93-100.

[21]
郭金玉, 张忠彬, 孙庆云. 层次分析法的研究与应用[J]. 中国安全科学学报, 2008, 18(5):148-153.

[22]
王建国, 王运锋, 杜贤俊, 等. 合成孔径雷达(SAR)干扰效果评估技术研究[R]. 成都: 电子科技大学, 2001.

Options
Outlines

/

〈 〉