高密度環境下的脈沖分選技術研究

呂新正，張 敏

（中國電子科技集團公司第38研究所，安徽合肥230088）

0 引言

脈沖分選是從隨機交疊的脈沖流中將來源于不同目標的脈沖串進行分離，并將脈沖串按所屬目標輻射源進行歸類的過程。分選結果的好壞關系到后續輻射源識別、威脅判斷、干擾決策的過程，并直接影響ELINT、ESM、RWR等電子戰裝備的性能指標。因此，脈沖分選技術是電子對抗領域中的一項關鍵技術，已經成為衡量電子戰偵察設備能力的重要標志。隨著雷達技術發展和大量新體制雷達的部署應用，雷達對抗偵察系統面臨的信號環境日趨密集、復雜，給傳統的脈沖分選架構和分選方法帶來了巨大挑戰。

目前的脈沖分選技術主要分兩級處理，首先根據到達方向(DOA)、頻率（FREQ）、脈寬（PW）等參數對雷達信號進行預處理，然后利用脈沖重復間隔(PRI)對信號進行進一步分選處理。預處理常采用聚類的方法實現脈沖信號的初步處理，根據方位、頻率、脈寬參數將大量的脈沖描述字（PDW）聚類成多個中心[1-2]。分選處理采用到達時間（TOA）進行脈沖重復間隔估計和去交織，主要包括累積差直方圖法[3]、序列差直方圖法[4]、PRI變換方法[5]，

其中直方圖統計的方法都是以計算脈沖到達時間的自相關函數為基礎，容易出現“諧波”，而且對抖動信號效果不理想，但因其運算速度較快，在工程中得到大量應用。PRI變換可以抑制諧波，而且可以檢測抖動信號，但因其需要進行大量的指數運算和復數運算，難以達到實時性要求。

本文分析了雷達信號的時域、頻域、空域特性，首先采用基于脈沖描述字中的方位、頻率、脈寬進行聚類，對高密度脈沖進行稀釋處理，然后采用一種新的分選方法進行時序分析，新方法同時兼顧直方圖方法和PRI變換算法的優點，并采用多DSP并行處理的方法提高了算法的運行速度，從而保證了高密度環境下實時分選的性能和速度，在實際處理中有一定的應用價值。

1 高密度環境下的脈沖分選技術

隨著戰爭環境的日益復雜，空間的電磁信號越來越多，有時達到每秒上百萬個脈沖信號，如果采用常規的處理方法，處理的數據量非常龐大，無法達到實時處理的要求。從工程角度考慮，實時性非常重要，因此為了做到實時處理，需要對龐大的數據流進行稀釋，稀釋會帶來信息的丟失，但通過頻率稀釋的辦法可以將丟失的信息降低最低。從分選的角度講，識別一批雷達目標只需要幾十個脈沖，最少時只需要幾個脈沖，而在偵察時間內可收集到成千上萬個脈沖，因此合適的稀釋方法可以不丟失目標的信息。

1.1 脈沖稀釋技術

對于電子對抗系統來說，往往需要偵察的信號帶寬較寬，往往到達幾千兆到幾萬兆，而對于雷達信號，即使是捷變頻信號，其帶寬也只有幾百兆，因此同時接收到的信號會在不同的頻率點有分布，這為頻域上稀釋提供了條件；對于空間信號來說，其作用的空間范圍往往在方位均有幾十度，而目前測角精度可以達到1°以下，這說明可以從空間上進行稀釋；對于脈寬信號，其變化范圍也有幾百微秒，對于脈寬測量誤差0.1 μs的系統來說，也可以從脈寬上進行稀釋。圖1為基于方位、頻率、脈寬的三維聚類仿真圖，從圖中可以看出，通過不同參數的凝聚可以起到脈沖稀釋的作用。

圖1 基于方位；頻率、脈寬的三維聚類仿真圖

假設脈沖密度為每秒200萬個脈沖，共有50批目標，則每批目標4萬個脈沖，對于一批目標，即使很復雜的目標類型，有效脈沖個數也只需要上百個就能正確分選出目標，考慮到聚類后同時存在多批目標的情況，能正確分選的脈沖個數也不到1000個。因此，設定圖1為基于方位、頻率、脈寬的三維聚類仿真圖，聚類后脈沖個數最大為1024個，50批目標共5萬多個，因此，對于脈沖密度為200萬個脈沖的實時處理系統，只需要每秒處理5萬個脈沖分選就能滿足系統實時處理要求。從上面的分析也可以看出，稀釋程度取決于聚類后脈沖的目標批數，如果只有一批目標，那只需要處理1024個脈沖就能分選出目標的特征參數。圖2為高密度環境下脈沖稀釋處理流程圖。

圖2為高密度環境下脈沖稀釋處理流程圖

1.2 PRI分析技術

基于TOA的時序處理目前主要采用兩種方式，一種是基于直方圖的方法，另一種是基于PRI變換的方法。

脈沖到達時間可以用脈沖前沿時間表示，脈沖串模型可以化為單位沖擊函數和，TOA序列可以表示為：

式中，δ(·)為狄拉克函數，tn表示觀測時間T內第n個脈沖的TOA，N表示觀測時間T內到達脈沖的總數，則f(t)的自相關函數可以寫成：

式中，τ=tm-tn，對 C(τ)在區間[τ1,τ2]上進行積分可得：

由式（3）可知，h(τ1,τ2)可看作脈沖串落入[τ1,τ2]的次數。

假設脈沖串的PRI固定為ψ，考慮到在觀察時間T內輻射源脈沖數為N個脈沖，所以有(N-1)ψ≤T。在計算直方圖圖時，往往將觀察時間T等分為L個長度，則定義直方圖的箱長為bτ=T/L，第k個PRI箱的中心為：

因此，直方圖門限可以設置為：

式中，α為門限系數，與脈沖丟失情況和參數測量誤差有關，通常α＜1。

PRI變換法可以理解為f(t)的自相關譜函數，變換結果為PRI的譜圖，在真實PRI位置會出現峰值，用函數可以表示為：

相位因子exp(2πtn/(tn-tm))的引入完全是為了式（2）在計算自相關時產生的諧波。

對于固定重頻的PRI，只要保證每個PRI箱的寬度相同即可，對于抖動的PRI，則脈沖會分散到以真實PRI為中心的多個PRI箱內，使得PRI譜變得平坦，因此需要根據PRI值動態調節箱的寬度，即保證箱的寬度必須大于PRI最大抖動范圍，根據這一原則，隨著PRI中心值增大，箱的寬度也相應增大，得：

式中，ε是決定PRI箱寬度的容差參數，可以根據最大PRI抖動比進行調整。PRI變換門限在文獻[6]中進行了詳細的分析。

1.3 改進的脈沖分選算法流程

從上述分析可以看出，直方圖方法估計適應于固定重頻的檢測，重頻參差可以看作骨架周期為固定重頻的信號，適應用直方圖方法，對于抖動信號，則需要采用PRI變換的方法進行估計，因此，從算法的通用性上看，PRI變換方法比直方圖方法在重頻估計上更有優勢。但從算法的運算量上看，由于PRI變換采用可變箱的方法，而且存在指數運算，因此運算量上比直方圖方法大很多，在工程應用上受到限制。為了保證算法性能的同時降低運算量，本文提出了一種改進的算法，具體流程如圖3所示。首先，對輸入的高密度PDW進行預處理，大大減少每批目標需要處理的PDW個數；其次，將固定重頻（包含參差）信號進行直方圖估計，并進行諧波判斷，抽取固定目標的PDW；最后，對剩余的PDW進行PRI變換處理，進行抖動分析。由于對目標進行預處理和抽取了大量的固定重頻信號，需要PRI變換的PDW數量大大降低，因此在運算量上得到了保證。

圖3 改進的脈沖分選算法流程圖

2 多DSP并行處理技術

為了提高脈沖分選的處理速度，本文采用多片DSP并行處理的方法提高脈沖分選的速度。目前ADI公司TigerSHARC系列中的TS201是性能最高的浮點數字信號處理器，具有單片運行速度高和專門優化的多的DSP處理器互聯設計等突出優點，是信號處理平臺的核心處理器。本文采用的是自行研制的通用信號處理平臺，采用4片TS201組成，各TS201之間通過LINK口互聯。在工程設計是，采用1片TS201完成脈沖描述字的接收，接收完成后進行三維聚類預處理，預處理后的脈沖描述字通過片間LINK口送到其余3片TS201進行脈沖分選處理，處理結束后將形成的雷達描述字通過LINK口送回到第一片進行綜合處理，然后將綜合的結果送出。本文不采用數據分段并行處理的架構，避免了數據分割后帶來的增批，同時也保證了同一批目標的數據的完整性。DSP并行處理的脈沖分選裝置框圖和信號流圖分別如圖4、圖5所示。

圖4 多DSP并行處理的脈沖分選裝置框圖

圖5 多DSP并行處理的脈沖分選信號流圖

3 仿真實驗

為了驗證算法的有效性，模擬了8批目標，每秒脈沖200萬以上，同時為了驗證算法的復雜性，同一聚類結果存在多批目標的情況，表1為8批目標參數，根據方位、頻率、脈寬聚類出6類，其中第6類包含三批目標，從表1中可以看出，聚類后只需要處理6144個PDW的時序分析就能給出8批目標參數。

表1 模擬8批目標脈沖分選仿真試驗

前5類目標為固定重頻信號，采用直方圖方法可以估計出結果，第6類存在三批目標，時域上相互交錯，圖6為第6類聚類后到達時間8階累積差分后的直方圖統計和過門限檢測結果，從仿真結果上看，直方圖方法可以正確估計重頻固定和重頻參差的PRI值，但存在多階諧波過門限的情況，因此需要進行過門限諧波判斷，同時從圖中可以看出，直方圖方法不適用于重頻抖動PRI的估計。圖7為PRI變換方法重頻估計和過門限檢測情況，從仿真結果可以看出，PRI變換方法具有通用性，可以解決直方圖方法不能估計抖動重頻的情況，而且沒有出現諧波情況。

從脈沖分選效率上看，PRI變換法比直方圖方法優勢明顯，但運行量則大很多。假設脈沖數量為N個，計算M階差分大約需要的MN次除法運算，而計算PRI變換則需要N的階乘次指數運算，因此，隨著脈沖數N增加，PRI變換運算量成指數增加，無法滿足實時運算需求。因此本文在算法上采用直方圖統計和PRI變換相結合的方法，盡量減少PRI變換的脈沖個數，同時采用多DSP并行處理的方法提高運算速度。

圖6 直方圖統計法重頻估計

圖7 PRI變換法重頻估計

4 結束語

本文根據高密度環境下脈沖分選的任務要求，從實時信號處理角度出來，努力尋找一種實用的雷達脈沖分選算法。文中首先通過聚類的方法對高密度脈沖描述字進行稀釋，然后通過對直方圖統計和PRI變換兩種重頻估計方法進行分析比較，提出一種改進的脈沖分選算法。文章還根據新算法特點，提出了一種用于該算法并行處理的任務分配原則，提供了一種基于4片DSP硬件平臺的實時處理方案，從理論分析和仿真的結果看出，本文的方案可以滿足高密度環境下實時分選的要求。■