基于自适应增强贝叶斯的雷达工作状态评估

doi:10.3969/j.issn.1009-086x.2026.02.015

摘要/Abstract

摘要：

针对雷达对抗过程中干扰策略随雷达行为自适应调整与实时评估需求，提出一种基于AdaBoost算法与朴素贝叶斯分类器融合的评估方法。该方法提取雷达信号的时域、频域、调制域和极化域特征，以朴素贝叶斯分类器为基分类器，通过AdaBoost迭代和动态反馈缩放调整难分样本权重，增强模型评估能力的准确性和稳定性，仿真实验证明该算法性能优于典型算法。本研究为复杂电磁环境下雷达干扰效果的实时量化评估提供了一种优化的解决方案，可应用于雷达对抗中的智能干扰决策。

关键词: AdaBoost, 朴素贝叶斯, 雷达干扰, 效能评估, 雷达行为, 干扰决策

Abstract:

Aiming at the requirements of adaptive adjustment of jamming strategies according to radar behaviors and real-time evaluation during radar countermeasures， an evaluation method based on the fusion of AdaBoost algorithm and Naive Bayes classifier is proposed to meet the requirements of adaptive adjustment and real-time evaluation of interference strategy with radar behavior during radar countermeasures. This method extracts features from the time domain， frequency domain， modulation domain， and polarization domain of radar signals， using a naive Bayes classifier as the base classifier. Through AdaBoost iteration and dynamic feedback scaling adjustment of difficult to distinguish sample weights， the accuracy and stability of the model evaluation ability are enhanced. Simulation experiments have shown that the performance of this algorithm is superior to typical algorithms. This study provides an optimized solution for real-time quantitative evaluation of radar interference effects in complex electromagnetic environments， which can be applied to intelligent interference decision-making in radar countermeasures.

Key words: AdaBoost, naive Bayes, radar interference, effectiveness evaluation, radar behavior, interference with decision-making

中图分类号:

TN972

鲁永为, 林欢, 张银兵, 山世浩, 杨世举. 基于自适应增强贝叶斯的雷达工作状态评估[J]. 现代防御技术, 2026, 54(2): 155-162.

Yongwei LU, Huan LIN, Yinbing ZHANG, Shihao SHAN, Shiju YANG. Radar Working State Assessment Based on Adaptive Augmented Bayesian[J]. Modern Defense Technology, 2026, 54(2): 155-162.

图/表 9

图1 雷达对抗效果评估指标体系

Fig. 1 Evaluation index system for radar countermeasure effectiveness

图2 雷达对抗干扰效果评估流程

Fig. 2 Evaluation process of radar anti-jamming effectiveness

图3 基于自适应增强贝叶斯的雷达对抗干扰效果评估流程

Fig. 3 Evaluation process of radar anti-jamming effectiveness based on adaptive enhanced Bayesian method

表1 自适应干扰前后信号变化参数部分样本数据

Table 1 Partial sample data of signal change parameters before and after adaptive interference

参数	样本序号
参数	1	2	3	4	5
脉宽变化	0.015	0.851	2.752	1.562	3.214
重频波动	0.264	0.012	-0.132	-0.258	-0.483
波束驻留时间变化（10^-6）	12	243	561	1 021	3 254
频率波动/MHz	0	125	141	248	257
调制变化（T=1 min）	0	28	32	27	39
极化变化（T=1 min）	0	0	35	31	42
干扰等级	0	1	2	3	4

图4 ANBM算法权值变化（SNR=8 dB）

Fig. 4 ANBM algorithm weight changes（SNR=8 dB）

图5 DANBM算法权值变化（SNR=8 dB）

Fig. 5 DANBM algorithm weight changes（SNR=8 dB）

图6 不同算法预测结果（SNR=8 dB）

Fig. 6 Prediction results of different algorithms（SNR=8 dB）

表2 1 000次重复试验预测成功率统计数据

Table 2 1 000 repeated experiments predicted success rate statistical data %

SNR/ dB	统计量	RandomTree	BPAB	GABP	NBM	ANBM	DANBM
6	均值	73.4	71.3	73.7	77.3	76.0	80.3
	中值	73.0	72.0	75.0	77.0	75.0	81.0
	方差	22.5	25.3	23.5	19.9	21.6	15.1
8	均值	89.1	81.7	87.2	92.3	92.2	94.3
	中值	89.3	82.1	88.3	92.1	92.2	94.0
	方差	12.2	15.2	13.8	8.1	8.4	7.7
10	均值	95.3	91.1	95.3	97.0	97.5	98.2
	中值	96.0	91.5	95.5	97.0	97.0	98.0
	方差	5.3	4.7	5.3	3.4	3.3	3.1

图7 100次重复试验结果（SNR=8 dB）

Fig. 7 100 repeated test results（SNR=8 dB）

参考文献 15

[1]	胡泽辉，丁锁辉，王秀锦. 雷达有源对抗干扰效果在线辅助评估技术研究［J］. 舰船电子对抗， 2024， 47（5）： 32-37.
	HU Zehui， DING Suohui， WANG Xiujin. Research Into Online Assistant Evaluation Technology of Jamming Effect of Active Radar Countermeasure［J］. Shipboard Electronic Countermeasure， 2024， 47（5）： 32-37.
[2]	江开禹. 雷达干扰效果在线评估方法研究［D］. 西安：西安电子科技大学， 2023.
	JIANG Kaiyu. Research on Online Evaluation Method of Radar Jamming Effect［D］. Xi'an： Xidian University， 2023.
[3]	姜军，陈雄. 基于智能算法的雷达干扰效果评估方法研究［J］. 电子测量技术， 2020， 43（8）： 70-74.
	JIANG Jun， CHEN Xiong. Research on Radar Jamming Effect Evaluation Method Based on Intelligent Algorithm［J］. Electronic Measurement Technology， 2020， 43（8）： 70-74.
[4]	刘松涛，雷震烁，葛杨，等. 电子对抗干扰效果评估技术综述［J］. 中国电子科学研究院学报， 2020， 15（4）： 306-317， 342.
	LIU Songtao， LEI Zhenshuo， GE Yang， et al. A Review on Evaluation Technology of Jamming Effects of Electronic Countermeasure［J］. Journal of China Academy of Electronics and Information Technology， 2020， 15（4）： 306-317， 342.
[5]	秦涛，陆满君，张文旭，等. 基于BP-AdaBoost模型的雷达工作状态识别方法［J］. 制导与引信， 2022， 43（1）： 17-22.
	QIN Tao， LU Manjun， ZHANG Wenxu， et al. Radar Working State Recognition Method Based on BP-AdaBoost Model［J］. Guidance & Fuze， 2022， 43（1）： 17-22.
[6]	熊敬伟，潘继飞，卓奕弘，等. 雷达工作模式识别方法综述［J］. 现代雷达， 2024， 46（10）： 95-103.
	XIONG Jingwei， PAN Jifei， ZHUO Yihong， et al. An Overview of Radar Working Pattern Recognition Methods［J］. Modern Radar， 2024， 46（10）： 95-103.
[7]	张静克，戚宗锋，王华兵，等. 基于深度学习的雷达性能指标等效外推方法［J］. 航天电子对抗， 2021， 37（5）： 19-24.
	ZHANG Jingke， QI Zongfeng， WANG Huabing， et al. Research on Radar Performance Index Equivalent Extrapolation Methods Based on Deep Learning［J］. Aerospace Electronic Warfare， 2021， 37（5）： 19-24.
[8]	欧阳可赛，黄中华，于俊朋. 基于随机森林的雷达目标多维特征检测方法［J］. 现代雷达， 2022， 44（7）： 38-42.
	OUYANG Kesai， HUANG Zhonghua， YU Junpeng. Method of Radar Target Detection Based on Radar Multi-dimensional Feature Using Random Forest［J］. Modern Radar， 2022， 44（7）： 38-42.
[9]	王红卫，董鹏宇，陈游，等. 半监督条件下基于朴素贝叶斯和Choi-Williams时频分布能量积累的雷达信号识别［J］. 电子与信息学报， 2021， 43（3）： 589-597.
	WANG Hongwei， DONG Pengyu， CHEN You， et al. Recognition Method of Radar Signal Based on the Energy Cumulant of Choi-Williams Distribution and Improved Semi-supervised Naïve Bayes［J］. Journal of Electronics & Information Technology， 2021， 43（3）： 589-597.
[10]	王振营. 基于贝叶斯网络的雷达干扰效果评估方法研究［D］.成都：电子科技大学， 2025.
	WANG Zhenying. Research on Evaluation Method of Radar Jamming Effect Based on Bayesian Network ［D］. Chengdu： University of Electronic Science and Technology of China， 2025.
[11]	TANG Xiaojing， CHEN Weigao， Zhu Weigang. Radar Emitter Recognition Method Based on AdaBoost and Decision Tree［C］∥2nd International Conference on Automation， Mechanical Control and Computational Engineering （AMCCE 2017）. Dordrecht： Atlantis Press， 2017： 326-330.
[12]	马博俊. 基于贝叶斯深度学习的雷达有源干扰识别方法研究［D］. 成都：电子科技大学， 2023.
	MA Bojun. Active-Jamming Recognition Method of Radar Based on Bayesian Deep Learning ［D］.Chengdu： University of Electronic Science and Technology of China， 2025.
[13]	覃蒙群，王婧怡，许佳豪，等. 雷达组合干扰及其干扰效能评估方法研究［J］. 航空科学技术， 2025， 36（9）：72-81.
	QIN Mengqun， WANG Jingyi， XU Jiahao， et al. Research on Radar Combined Jamming and Its Jamming Efficacy Evaluation Method ［J］. Aeronautical Science & Technology， 2025， 36（9）： 72-81.
[14]	崔文竣吉，陈旗，龚辉. 基于GA-BP神经网络的雷达干扰效能评估方法［J］.信息对抗技术， 2023， 2（6）： 85-96.
	CUI Wenjunji， CHEN Qi， GONG Hui. Effectiveness Evaluation Method of Radar Jamming Based on GA-BP Neural Network ［J］. Information Countermeasure Technology， 2023， 2（6）： 85-96.
[15]	孙志国，肖硕，吴毅杰，等.基于迁移学习和参数优化的干扰效能评估方法［J］. 电子与信息学报， 2024， 46（6）： 2515-2524.
	SUN Zhiguo， XIAO Shuo， WU Yijie， et al. Interference Performance Evaluation Method Based on Transfer Learning and Parameter Optimization ［J］. Journal of Electronics & Information Technology， 2024， 46（6）： 2515-2524.