基于圖像特征的電子有源干擾分類方法

曹廣地

(中國電子科技集團公司第二十研究所,陜西 西安710068)

現代戰爭中,雷達作為一種可以對戰場環境進行全空域、全天候的探測設備,可以為指揮系統或武器系統提供必要的決策和打擊信息[1]。伴隨雷達技術的發展的是對其探測性能進行削弱甚至摧毀的電子干擾技術。相應的,雷達也不斷的采取一些措施對電子干擾進行博弈。為了對干擾進行精細化的抑制,就要對干擾信號進行分析和感知。常規的干擾分類方法通過提取干擾信號在時域或者頻域的統計特征,但由于干擾信號復雜多變,時域或者頻域的特征并不能很好的體現干擾信號的特性,而且單純的從某一維進行特征提取時并未考慮信號的時頻的耦合,故本文提出一種將干擾信號通過時頻變換,將信號變換到時頻域,將其視作一副圖片,在時域和頻域的聯合域提取LBP(Local Binary Pattern)特征,進而構建SVM(Support Vector Machine)分類器進行干擾分類。

1 干擾分類方法

本文所提的方法的干擾分類方法流程為：首先對干擾信號進行時頻變換,從一維數據變成二維圖像,然后提取圖像的LBP特征用于構建支持向量機分類器進行干擾分類。

1.1 電子有源干擾類型

電子有源干擾是敵方干擾設備釋放的一種主動式干擾,可以分為電子壓制式和電子欺騙式兩種。電子壓制式干擾是干擾機發射大功率的信號,從而提高信干噪比,將信號淹沒在干擾之中,無法檢測。電子欺騙式干擾是干擾機釋放和雷達所發射信號類似的干擾信號,經過雷達處理后在距離維、方位維、俯仰維、速度維等產生虛假目標,造成虛警[2]。本文主要討論電子壓制式干擾,包含：

1.1.1 與雷達發射波形無關的干擾：主要包含射頻噪聲電子有源干擾、噪聲調幅/調頻/調相電子有源干擾、脈沖干擾[3]。

1.1.2 與雷達發射波形有關的干擾：主要包括靈巧噪聲電子有源干擾[4]、切片轉發式電子有源干擾[5]、稀疏假目標干擾、密集假目標電子有源干擾[6]、復合電子有源干擾。

1.2 干擾特征提取

干擾的特征是用于描述干擾信號之間本質差異,常規的干擾特征是從干擾信號時域或者頻域提取的對干擾具有可區分性和對噪聲變化不強烈的統計量[7]。常見比較穩定的特征有時域的矩偏度、矩峰度、頻域的矩偏度、矩峰度等。

本文中所用到的特征是將干擾信號通過時頻變換的方式從一維時域信號變換到二維時頻信號,然后進行特征提取,所采取的變換方法為短時傅里葉變換(STFT)[8],如下式：

其中,w(t)是一個長度有限的窗函數,相當于用該滑動的窗函數對信號進行部分截取,然后進行傅里葉變換。對變換后的二維信號按下式進行歸一化處理,變為灰度圖像。

然后對完成歸一化的灰度圖進行LBP 特征提取[9-10]。LBP 特征具有灰度不變性和旋轉不敏感性,LBP 特征提取的流程如圖1 所示,每幅圖片由多個像素點構成,首先按矩形或者圓形的方式選取每個像素點周圍的區域像素,用區域中間的像素點的值分別和周圍像素點進行比較,從而進行0-1 二值化；然后按照順時針方向,將中心像素點周圍的經過二值化的數合并成一組二進制數,作為該中心像素點的LBP 特征值；將灰度圖像劃分為多個細胞區域,利用每個區域的像素點的LBP 特征值構建直方圖；最后將每個區域的直方圖拼接起來作為該圖像的LBP 特征。

圖1 LBP 特征提取示意

1.3 分類器

隨著機器學習的發展,分類器多種多樣,本文采用有監督學習的支持向量機分類器(SVM)[11-12]。SVM分類器的基本思想是在特征空間中尋求一個最優分類超平面,使之到兩類特征點的距離最大。

2 實驗

2.1 數據集

表1 常規一維特征干擾分類結果統計表

表2 基于圖像LBP 特征的干擾分類結果統計表

實驗的數據采用仿真數據,雷達采用脈沖壓縮技術,發射線性調頻信號,調頻脈沖寬度為100us,調頻帶寬為2MHz,采樣率設為4MHz,脈沖重復間隔為1000us。涉及到的干擾信號為上述的和雷達發射信號有關和無關的十類干擾。按不同參數產生不同干噪比情況的數據,生成的數據中每種干擾有301 個數據,數據總量為3010。

隨機變化數據集中的數據的順序,最后按7:3 的比例劃分訓練數據和測試數據,其中訓練數據的數據量為2107,測試數據的數據量為903。分類器采用支持向量機,核函數采用線性核,多分類方式采用“一對一”方式,利用訓練數據集進行分類器的訓練,利用測試集進行測試,然后統計分類指標。

2.2 試驗一：提取一維特征進行干擾信號分類

本實驗采用常規方法,提取時域和頻域具有穩定性,噪聲弱敏感性、可分性的特征,包括時域、頻域的矩峰度、矩偏度、包絡起伏度共六類特征進行分類,多次試驗取平均后統計出分類指標。如表1 所示。

從表中可以看出,采用該種方法,對于噪聲調幅、稀疏假目標、密集假目標、復合干擾、切片轉發式、靈巧噪聲這幾類電子有源干擾,識別效果較為理想。而對于其它的干擾識別效果比較差,出現比較多的誤判,綜合指標比較低。最終統計的準確率為81.64%,可以看出并不是很理想。

2.3 試驗二：提取LBP 特征并結合SVM分類器進行干擾分類

對數據進行短時傅里葉變化后提取二維圖像的LBP 特征,其中短時傅里葉變化的參數：窗函數采用長度為50 的漢明窗,變化的點數為64,重疊的長度為20,變化后的圖像大小為64*132。LBP 特征提取的參數為：矩形鄰域的大小取3*3,塊的大小為24*32,提取的特征大小為472。

利用訓練集對支持向量集分類器進行訓練,利用測試集對訓練好的分類器進行測試,多次試驗后統計評價指標,結果如表2 所示。

從表中可以看出,識別效果相比試驗一有很大的提升,綜合指標F1 比較穩定,最終采用此方法的準確率為92.9%

3 結論

研究表明,本文所提的基于圖像特征的電子有源干擾信號分類算法相比于傳統方法具有高的識別效果。