噪聲調制類有源干擾信號識別技術研究

(陸軍工程大學石家莊校區(qū)， 河北石家莊 050003)

0 引言

電子戰(zhàn)[1]作為“第四維戰(zhàn)場”，是現(xiàn)代化戰(zhàn)爭中一種特殊的作戰(zhàn)方式，也是一種重要的作戰(zhàn)手段[2]。作為電子對抗戰(zhàn)中的一個關鍵組成部分，雷達對抗也因電子技術的快速發(fā)展而日漸激烈。干擾與抗干擾技術如同矛與盾，相互制約和互相發(fā)展，如此循環(huán)往復。具備在復雜電磁環(huán)境下的生存作戰(zhàn)能力已成為未來電子裝備發(fā)展的主要方向之一。干擾識別是雷達對抗過程中的重要一步。近年來，數(shù)字射頻存儲技術[3](Digital Radio Frequency Memory，DRFM)發(fā)展不斷成熟，使得有源欺騙干擾成為當代電子干擾的主要手段。

目前看來，干擾識別技術滯后于干擾技術的發(fā)展，盡管針對單一干擾類型的識別技術陸續(xù)涌現(xiàn)，但是針對高逼真假目標等新型干擾與多種干擾相結合的復合干擾研究不全面，不系統(tǒng)。文獻[4]針對射頻噪聲與距離欺騙的復合干擾信號，提出基于盒維數(shù)與L-Z復雜度的特征提取方法，并對其噪聲敏感性進行了分析。文獻[5]針對靈巧噪聲干擾信號，提出一種基于多維特征的提取方法，仿真結果表明了其方法的有效性。文獻[6]定性分析了干擾與目標回波在時、頻域存在的差異。文獻[7-10]針對一些傳統(tǒng)干擾，基于時域、頻域、時頻域及其他域的多維特征提取方法，實現(xiàn)了多種有源干擾信號的識別。

為了進一步完善對復合干擾、新型干擾信號的有效識別，本文針對3種噪聲調制類信號與距離欺騙的加性復合干擾、靈巧噪聲干擾、距離欺騙干擾以及目標回波信號共6種信號類型，采取多維特征提取的識別方式進行研究。最后采用主成分分析(Principal Component Analysis，PCA)[11]的方法實現(xiàn)了對冗余、重復信息的有效去除，并保留了較高的識別效果。

1 干擾信號模型建立

1.1 模型建立

雷達的信號檢測模型為

(1)

式中：當存在干擾信號J(t)時，檢測模型為H1，表示檢測到干擾信號；當存在目標回波S(t)時，檢測模型為H0，表示檢測到回波信號；n(t)表示背景噪聲。

設雷達發(fā)射信號線性調頻信號x(t)為

(2)

因此，目標回波信號r(t)為

(3)

DRFM截取發(fā)射信號，產(chǎn)生距離欺騙干擾信號為

(4)

式中：U0為電壓幅值；f0為信號載頻；k為調頻斜率；Ur和UJ分別為目標信號幅度與干擾信號幅度，滿足UJ>Ur；R(t)為真實目標的距離；Δt為干擾機產(chǎn)生的假時延。利用式(5)下面給出常見的3種有源壓制性干擾的信號模型如表1所示。

Js(t)=[U0+J1UJ(t)]·

(5)

表1 噪聲壓制干擾模型概括[12]

下面分析加性復合干擾的表達式：

J(t)=Jj(t)+Js(t)

(6)

式中，J(t)為復合干擾，Jj(t)為距離欺騙干擾，Js(t)為噪聲調制類干擾。

靈巧噪聲干擾是一種作用于線性調頻脈沖壓縮雷達的有效方法，通過噪聲n(t)與截獲的雷達信號x(t)卷積生成，其表達式為[5]

J(t)=x(t)?n(t)

(7)

1.2 干擾效果分析

通過對干擾信號進行建模，得到如圖1所示的干擾效果。

(a) 射頻噪聲-距離復合干擾效果

(b) 噪聲調幅-距離復合干擾效果

(c) 噪聲調頻-距離復合干擾效果

(d) 靈巧噪聲干擾效果圖1 噪聲調制類干擾效果

通過對圖1進行分析，我們發(fā)現(xiàn)噪聲調制類干擾具有極強的干擾性，傳統(tǒng)的脈沖壓縮技術的抑制效果很弱。在時域上看，密集型干擾充斥著整個平面，脈沖壓縮后已經(jīng)不能找到真實的回波信號；另一方面，噪聲調制類干擾產(chǎn)生的效果很相似。如果僅僅通過人為的經(jīng)驗判斷干擾類型，這顯然是不準確且有難度的。

所以，在干擾識別問題上，我們有必要去除人為因素，從信號特性的角度對接收信號進行特征提取，進一步提高信號的識別正確率。

2 干擾信號識別方法流程

目前，國內外針對有源干擾識別研究的主要思路是將其視為一個模式識別問題，如圖2所示。

圖2 有源干擾識別流程

預處理主要是對信號進行去多徑效應、降噪等處理，目的是對干擾因素進行抑制。由于干擾信號特性在不同域上存在細微特征差異，所以可以提取干擾信號的特征，最后通過分類器對干擾進行識別。實驗評估的目的也是進一步驗證、完善識別機制以提高識別率。

2.1 基于多特征聯(lián)合處理的干擾識別

本文通過分析目標與干擾特性，從時域、頻域及其他域三個角度，提取19類特征并編號，以構造可全面反映兩類信號特性的多維特征向量組。具體提取的特征因子如表2所示。

表2 各類特征提取

2.2 分類器的設計

完成特征提取之后，就需要設計分類器對特征因子進行分類。考慮到干擾類型較少，要求分類器的訓練和分類速度快，而且不易陷入局部極小，因此本文選擇采用決策樹(Decision Tree, DT)分類器。DT算法通過對數(shù)據(jù)進行推理學習，建立用于判決分類的樹狀結構，最終在樹的葉節(jié)點生成分類結果。優(yōu)點在于思想簡單，容易理解，處理小規(guī)模數(shù)據(jù)有效。

常用的算法有ID3 ，C4.5，CART等。之間的區(qū)別就是選擇劃分屬性的依據(jù)不同，如表3所示。最后，本文選擇CART算法作為決策樹分類器。

表3 各決策樹算法

3 仿真實驗與結果分析

設雷達發(fā)射信號中心頻率為1 MHz，脈沖重復頻率為20 kHz，時寬為5 μs，帶寬為10 MHz，采樣頻率為33 MHz。復合干擾噪聲功率為15 dBW，靈巧噪聲干擾中，功率為-10 dBW。

產(chǎn)生干擾及目標回波信號共6種：射頻噪聲-距離欺騙復合干擾、噪聲調幅-距離欺騙復合干擾、噪聲調頻-距離欺騙復合干擾、距離假目標干擾、靈巧噪聲干擾及目標回波信號。

在JNR為-15～15 dB的范圍內，每個干噪比下產(chǎn)生200個訓練樣本，測試樣本干噪比的范圍為-15 dB,-12 dB,…,12 dB,15 dB，其中，干噪比間隔為3 dB，每個干噪比下產(chǎn)生200個測試樣本用于測試。

3.1 仿真實驗

通過仿真實驗，不同干擾類型的識別率隨干噪比變化曲線的仿真結果如圖3所示。

圖3 各類干擾識別概率

仿真結果分析：從總體上看，各個干擾類型的識別正確率隨干噪比的增加而增大。也進一步說明了特征提取隨干噪比的增加而變得容易。可以發(fā)現(xiàn)，真實回波信號在JNR=-15 dB識別率不到50%，在JNR=5 dB左右有85%識別率；射頻噪聲-距離復合干擾在測試范圍內最低能夠達到97%的識別率；噪聲調幅-距離復合干擾在JNR=-4 dB有最低識別率為72%左右，后隨著干噪比的增大趨近于100%；噪聲調頻-距離復合干擾在JNR=-15 dB有95%左右的識別率，后隨JNR的增大趨近于100%；距離假目標在JNR=-15 dB不到50%的識別率，在JNR=5 dB左右有85%的識別正確率；靈巧噪聲干噪在干噪比-15～15 dB內識別率為100%。

總體來講，各類信號在干噪比為5 dB時有85%以上的識別率。最終所有干擾測試樣本總的正確識別概率為88.7%，說明決策樹算法可對各類干擾進行有效的識別分類。

3.2 基于主成分的分析方法

一般來說，提取的特征越多，識別率就越高，但提取的特征因子往往會存在信息冗余、重復的現(xiàn)象，不僅不利于正確識別而且還可能會陷入“維數(shù)災難”的情形。因此，我們有必要對數(shù)據(jù)進行進一步分析，找出區(qū)分度較大的特征因子。

主成分分析(Principal Component Analysis，PCA)是一種統(tǒng)計方法。通過正交變換將一組可能存在相關性的多維變量變?yōu)橐唤M線性不相關的少維變量，轉化后的這組變量叫主成分。如圖4所示，二維空間x-y上的點最終投影在能實現(xiàn)各點間最大方差的z軸上，實現(xiàn)了二維到一維的降維變化。

圖4 空間降維處理

由于在JNR=15 dB處各類信號的識別率等于100%。于是，在JNR=15 dB處取一組特征矩陣，下面介紹主成分分析法的計算步驟。

1) 原始數(shù)據(jù)標準化處理

設有n個樣本，每個樣本有m維特征，第i個樣本在m維特征上的指標為xi1,xi2，…,xim，則標準化為

j=1,2,…,m

(8)

2) 求相關系數(shù)矩陣

(9)

3) 求解R的特征方程|R-λIm|=0的特征根λj，按從大到小的順序排列λ1≥λ2≥…，并解方程Rξ=λjξ，求每個λj對應的特征向量ξj，最終得出表4所示的成分矩陣。

表4 主成分矩陣

主成分1對應的系數(shù)為第一維最大方差投影的方向，我們找出其中系數(shù)較大的值所對應的特征因子：時域方差(x2)、時域峰度(x4)、歸一化瞬時幅度頻譜最大值(x5)、歸一化瞬時幅度絕對值的標準偏差(x6)、包絡起伏度(x7)、瞬時相位的中心非線性分量的絕對值的標準偏差(x9)、相像系數(shù)(x10)、盒維數(shù)(x16)、信息維度(x17)共9個特征因子，其具有較大區(qū)分度。最后利用這9類特征因子進行分類識別，結果如圖5所示。

圖5 各類干擾識別概率

由圖5可以看出，特征因子由19維進行有效壓縮為9維。從總體上看，各類干擾的識別正確率隨干噪比的增加而變大。每類干擾的識別率在降維后并沒有明顯降低，基本與降維前保持相當?shù)乃健Ｔ贘NR=5 dB處，各類干擾依然有85%以上的識別正確率。為了對比前后的識別效果，這里分別取降維前后的識別率的最小值作為對比，結果如圖6所示。

圖6 降維前后識別效果對比

可以看出，降維前后的識別效果相當，識別率并沒有明顯降低。主成分分析法能將19維特征因子進行有效壓縮到9維，減少了數(shù)據(jù)量，去除了冗余、重復信息，并且保留了較高的識別正確率。

4 結束語

本文分析了5種雷達干擾信號產(chǎn)生干擾的效果，建立了干擾信號及目標回波模型，采用多維特征提取的方法。分別提取了信號的時域、頻域及其他域的特征因子，并采用傳統(tǒng)的決策樹分類器進行檢測分類。仿真實驗結果表明了在JNR=5 dB左右有85%以上的識別正確率。最后，采用主成分分析的方法進行降維處理，將原始19維數(shù)據(jù)有效壓縮為9維，保留了較高的識別率，有效去除了原始數(shù)據(jù)中的冗余、重復信息。