一种面向多功能雷达工作模式识别的特征参数评估方法

1.一种面向多功能雷达工作模式识别的特征参数评估方法，具体步骤如下：S1、构建多功能雷达工作模式识别的特征参数选择评估层次结构；S2、构建关于多功能雷达工作模式识别的区间直觉模糊语言量度表；S3、确认相关领域专家人选，获取专家对多功能雷达工作模式识别特征参数的评估信息，并且通过汇总信息构建专家偏好量表；确认多功能雷达领域专家人选，通过问卷形式让专家对多个特征参数对于多功能雷达工作模式识别的影响进行评估，评价程度如步骤S2中语言量度表内容所示，最后得到关于多功能雷达工作模式识别的多个特征参数间在准则层、指标层、特征层的语言量度对比结果，并汇总信息得到专家偏好量表；S4、根据步骤S3中的得到的语言量度对比结果，计算区间直觉模糊加权平均算子，构建汇总的决策信息矩阵并且完成决策信息矩阵的一致性检验；其中，所述语言量度对比结果包括：准则层、指标层、特征层的语言量度对比结果；S5、计算得到决策信息的区间得分矩阵和区间指数化矩阵，构建优先级权重向量，构建决策可能度矩阵，并计算得到归一化优先级可能度；其中，归一化优先级可能度包括：准则层、指标层、特征层的归一化优先级可能度；S6、根据步骤S5中得到的准则层、指标层、特征层的优先级可能度，计算得到特征层对目的层的影响度，进行大小排序即可获得特征参数排序结果，完成多功能雷达工作模式识别特征参数评估；所述步骤S6具体如下：基于步骤S5得到的准则层的优先级可能度和归一化优先级可能度分别为 和 指标层的优先级可能度和归一化优先级可能度分别为 和 然后构建指标层-目的层的权值信息， 根据计算得到的指标层-目的层的权值信息ω target 以及特征层的归一化优先级可能度 计算特征-目的的各个特征的影响度权值I target,feature ，表达式如下：最后对得到的影响度权值进行归一化处理，得到归一化后的影响度权值 进行大小排序获得特征参数排序结果，完成多功能雷达工作模式识别特征参数评估。 2.根据权利要求1所述的一种面向多功能雷达工作模式识别的特征参数评估方法，其特征在于，所述步骤S1具体如下：构建所述特征参数选择评估层次结构，实现对待评估特征参数的综合评估，所述特征参数选择评估层次结构包括：目标层、准则层、指标层、特征层；目标层为多功能雷达工作模式识别的特征参数影响评估；准则层包括：通用性C1、准确性C2、可靠性C3、复杂性C4；指标层根据准则层构建12个具体因子作为指标层，具体如下：1)、特征明确关联性C11：以该特征参数对于工作模式识别是否有明确物理意义或者关联作为度量，若存在明确物理意义或者关联，则存在特征明确关联性；2)、结果可解释性C12：以该特征参数描述的不同工作模式是否易于解释和解读作为度量，越容易解释，则结果可解释性越高；3)、特征平台适应性C13：以该特征参数能否在不同的侦测平台上有效使用作为度量，包括：单一侦测站点、分布式侦测站点，能使用的平台越宽泛，则特征平台适应性越高；4)、特征精确度C21：以侦测系统在固定接收信噪比下提取该特征参数的均方误差大小作为度量，固定接收信噪比取13dB，均方误差大小越小，特征精确度越高；5)、特征区分度C22：以该特征参数在描述不同工作模式时，能否成功得到工作模式结果作为度量，产生结果越准确，则区分度越高；6)、特征差异度C23：以该特征参数在描述不同工作模式时，是否会产生多种工作模式识别结果作为度量，产生结果越多，则差异度越低；7)、特征稳定性C31：以该特征参数在不同典型工作环境下，对工作模式识别结果识别的错误率作为度量，错误率越高，则稳定性越低；8)、特征噪声鲁棒性C32：以侦测系统在信噪比较低复杂条件下，提取该特征参数的均方误差的方差作为度量，方差越高，则特征噪声鲁棒性越低；9)、特征干扰鲁棒性C33：以侦测系统在外界干扰复杂条件下，提取该特征参数的均方误差的方差作为度量，方差越高，则特征干扰鲁棒性越低；10)、特征退化鲁棒性C34：以侦测系统在特征退化复杂条件下，提取该特征参数的均方误差的方差作为度量，方差越高，则特征退化鲁棒性越低；11)、特征计算的时间占用C41：以侦测系统在不同接收信噪比条件下提取该特征参数所需的时间均值作为度量，占用越少，该项评价越高；12)、特征计算的资源占用C42：以侦测系统在不同接收信噪比条件下提取该特征参数所需的占用资源作为度量，占用越少，该项评价越高；特征层，列举详细的需要评估的特征参数，包括：载频RF、脉冲重复间隔PRI、脉冲宽度PW；其中，特征层具体需要的参数根据实际情况选定。 3.根据权利要求1所述的一种面向多功能雷达工作模式识别的特征参数评估方法，其特征在于，所述步骤S2具体如下：设定有特征参数集合X＝[x 1 ,x 2 ,...,x n ]；其中，x i ，i＝1,2,...,n表示第i个特征参数，n表示特征参数的总数；对于特征参数x i 有区间直觉模糊集IVIFS A，表达式如下：其中， 分别表示特征参数x i 对于特征参数集合X的隶属度区间、非隶属度区间， 分别表示隶属度的下限和上限， 分别表示非隶属度的下限和上限；通过式(3)计算得到模糊度区间π A (x i )，表达式如下：其中， 分别表示模糊度的下限和上限；对于式(2)中的IVIFSA，当X＝[x]仅有一个元素，称A为区间直觉模糊数IVIFN，此时计算其得分函数S(A)和精确函数H(A)，表达式如下：则区间直觉模糊语言量度需要对应隶属度μ、非隶属度υ、模糊度π三个量化结果；构建关于多功能雷达工作模式识别特征参数的区间直觉模糊语言量度表，具体包括：语言量度A为极低(EL)时，隶属度μ＝[0.10,0.25]，非隶属度υ＝[0.65,0.75]；语言量度A为低(L)时，隶属度μ＝[0.15,0.30]，非隶属度υ＝[0.60,0.70]；语言量度A为较低(ML)时，隶属度μ＝[0.20,0.35]，非隶属度υ＝[0.55,0.65]；语言量度A为偏低(SL)时，隶属度μ＝[0.25,0.40]，非隶属度υ＝[0.50,0.60]；语言量度A为一般(AE)时，隶属度μ＝[0.45,0.55]，非隶属度υ＝[0.30,0.45]；语言量度A为等价(EE)时，隶属度μ＝[0.50,0.50]，非隶属度υ＝[0.50,0.50]；语言量度A为偏高(SH)时，隶属度μ＝[0.50,0.60]，非隶属度υ＝[0.25,0.40]；语言量度A为较高(MH)时，隶属度μ＝[0.55,0.65]，非隶属度υ＝[0.20,0.35]；语言量度A为高(H)时，隶属度μ＝[0.60,0.70]，非隶属度υ＝[0.15,0.30]；语言量度A为极高(EH)时，隶属度μ＝[0.65,0.75]，非隶属度υ＝[0.10,0.25]；在所述语言量度表中，设置隶属度和非隶属度不出现0或1的极值，且将上述语言量度A的模糊度固定控制在π＝[0.00,0.25]。 4.根据权利要求3所述的一种面向多功能雷达工作模式识别的特征参数评估方法，其特征在于，所述步骤S4具体如下：设定根据语言量度对比结果，得到的IVIFS 中的第x C 个直觉模糊数 表达式如下：其中， 分别表示该IVIFN的隶属度下限、隶属度上限、非隶属度下限、非隶属度上限；n C 表示该区间直觉模糊集中共包含n C 个因子；定义IVIFS 的区间直觉模糊加权IVIFW算子表达式如下：其中， 表示 的权重向量， 且 IVIFS运算准则具体如下：设定有两个IVIFS为 则运算准则表达式如下：其中，λ表示常数系数；则式(7)可表示为式(10)，表达式如下：若 中所有的 均视为同一权重，则 IVIFW算子则为区间直觉模糊加权平均IVIFWA算子，此时式(7)可表示为式(11)，表达式如下：通过式(11)和步骤S3中得到的语言量度对比结果，则可构建汇总的决策信息矩阵 表达式如下：其中， 表示第i C 个和第j C 个IVIFN构建的IVIFWA算子；再通过式(3)得到 的犹豫度 表达式如下：再通过得到 的犹豫度进行一致性检验，表达式如下：其中， 表示一致性检验的结果，当 则视为通过一致性检验； 表示矩阵大小为n C 的一致性检验阈值，具体阈值设置如下所示：矩阵大小为1-2时， 矩阵大小为3时， 矩阵大小为4时， 矩阵大小为5时， 矩阵大小为6时， 矩阵大小为7时， 矩阵大小为8时， 矩阵大小为9时， 基于步骤S3，所述语言量度对比结果分别代入准则层、指标层、特征层的语言量度对比结果，重复式(6)-(14)，计算得到准则层、指标层、特征层的区间直觉模糊加权平均算子，并构建汇总的决策信息矩阵，完成决策信息矩阵的一致性检验。 5.根据权利要求3所述的一种面向多功能雷达工作模式识别的特征参数评估方法，其特征在于，所述步骤S5具体如下：当步骤S4汇总的决策信息矩阵 满足一致性检验条件，则计算得到决策信息区间得分矩阵 表达式如下：其中，第i C 个和第j C 个IVIFN构建的IVIFWA算子的区间得分为 将决策信息区间得分矩阵 指数化得到区间指数化矩阵 表达式如下：其中，第i C 个和第j C 个IVIFN构建的IVIFWA算子的区间指数化得分为 通过区间指数化得分计算第i C 个因子的区间优先级权重 得到区间优先级权重向量 表达式如下：通过区间优先级权重向量 构建决策可能度矩阵 表达式如下：其中， 通过式(20)计算得到，i C ＝1,2,...,n C ，j C ＝1,2,...,n C ，计算表达式如下：其中，max(·)表示取最大值； 和 的大小关系可以通过式(4)计算得分函数 和 以及通过式(5)计算精确函数 和 进行评估，具体评估规则如下：当 则认为 当 则认为 当 且 则认为 当 且 则认为 当 且 则认为 然后通过区间优先级权重向量构建的决策可能度矩阵 计算优先级可能度，表达式如下：其中，基于步骤S2可知，当语言量度为“等价”时，隶属度和非隶属度为0.5，即语言量度转化的中间值，添加0.5作为平衡值；然后对优先级可能度进行归一化处理，表达式如下：基于步骤S4，所述汇总的决策信息矩阵分别代入准则层、指标层、特征层的汇总的决策信息矩阵，重复式(15)-(22)，计算得到准则层、指标层、特征层的归一化优先级可能度。