基于脈內(nèi)特征的靈巧類干擾分組識別*

（海軍航空大學(xué)信息融合研究所 煙臺 264001）

1 引言

干擾識別的意義在于感知干擾環(huán)境，為雷達(dá)提供更多的先驗信息，使雷達(dá)更有針對性的對干擾進(jìn)行及時抑制。由DRFM產(chǎn)生、專門針對相參雷達(dá)的的靈巧類干擾，由于能夠獲得全部或者部分脈壓處理增益，影響真實回波信號的正常檢測，兼有欺騙和壓制特點，威脅性大。文獻(xiàn)［1～8］從信號特性角度入手，在時域、頻域、時頻域、小波域和統(tǒng)計域等變換域內(nèi)挖掘干擾信號與目標(biāo)信號差異明顯的特征信息，達(dá)到回波、欺騙式干擾樣式識別目的。文獻(xiàn)［9］提出一種區(qū)分卷積靈巧噪聲干擾和目標(biāo)回波多維特征處理識別方法，通過提取目標(biāo)和干擾信號的包絡(luò)起伏參數(shù)、相位門限概率、盒維數(shù)、近似熵，構(gòu)建特征向量，使用SVM分類器進(jìn)行檢測識別。但是現(xiàn)有文獻(xiàn)針對靈巧類干擾的分類識別研究較少，本文針對五種典型的靈巧類干擾樣式，分別是卷積、乘積靈巧噪聲干擾，間歇采樣轉(zhuǎn)發(fā)、C&I干擾和SMSP干擾，根據(jù)不同樣式工作原理的差異，采取一級分組判斷、二級分類識別的處理流程，通過提取出回波和各類干擾信號的細(xì)微差異，逐級進(jìn)行識別判斷。仿真結(jié)果驗證了本文算法的有效性和可行性。

2 目標(biāo)與典型靈巧類干擾分析

2.1 目標(biāo)與典型靈巧類干擾模型

假設(shè)目標(biāo)存在干擾條件下，雷達(dá)目標(biāo)檢測模型為

式中，x(n)為接收到的信號，Jar(n)為干擾信號，Sr(n)為回波信號，w(n)為背景噪聲。出現(xiàn)H0時，表示檢測到干擾；出現(xiàn)H1時，表示檢測到回波。

回波信號為線性調(diào)頻信號，其數(shù)學(xué)模型：

式中，s(t)為發(fā)射信號，f0為中頻頻率，k為發(fā)射信號調(diào)頻斜率，t0為目標(biāo)距離相對發(fā)射信號的延時，fd為目標(biāo)多普勒頻率。

常見的靈巧類干擾主要有卷積靈巧噪聲干擾、乘積靈巧噪聲干擾、間歇采樣轉(zhuǎn)發(fā)干擾、SMSP干擾，其干擾原理不再陳述，這里參考相關(guān)文獻(xiàn)［14～15］，給出其部分?jǐn)?shù)學(xué)模型。

卷積靈巧噪聲干擾數(shù)學(xué)模型：

式中，n1(t)為視頻卷積噪聲，服從高斯分布。

間歇采樣轉(zhuǎn)發(fā)干擾數(shù)學(xué)模型：

式中，p1(t)為矩形采樣函數(shù)，T矩形脈沖寬度，Ts為采樣周期，N為采樣脈沖個數(shù)。

頻譜彌散干擾SMSP數(shù)學(xué)模型：

式中，k1為SMSP干擾調(diào)頻斜率，k為雷達(dá)發(fā)射信號調(diào)頻斜率，m為正整數(shù)。

2.2 特征提取與選擇

1）雙正交Fourier變換

雙正交Fourier變換由文獻(xiàn)［10］提出，采用雙正交函數(shù)將信號展開，得到調(diào)頻斜率密度譜，簡稱斜率譜。對于單個LFM信號，其斜率譜表現(xiàn)為相應(yīng)的沖激函數(shù)，而具有不同調(diào)頻斜率的LFM信號彼此正交，特別適合分析含有多個LFM成分的信號。

2）頻譜熵（pentropy）

信號的頻譜熵SE借鑒信息論中的信息熵，用于度量信號的頻譜分布，SE將信號在頻譜中的歸一化功率分布視為概率分布，并計算其香農(nóng)熵。SE常用于故障檢測和診斷中的特征提取，也廣泛應(yīng)用于語音識別和生物醫(yī)學(xué)信號處理［11～13］。由于干擾信號對截獲的雷達(dá)發(fā)射信號調(diào)制方式不同，其頻譜復(fù)雜性也明顯不同，因此這一特征參數(shù)能夠給出識別回波和不同干擾信號的有效信息。

3）互相關(guān)系數(shù)（corrcoef）

互相關(guān)系數(shù)是互相關(guān)函數(shù)的歸一化處理，用以度量兩個信號的相關(guān)程度，若互相關(guān)系數(shù)越接近1，表示兩個信號越相似；反之，互相關(guān)系數(shù)越接近0，表示兩個信號的差異就越大。排除回波噪聲外，回波與發(fā)射信號的相似程度最高，因此互相關(guān)系數(shù)最大；而間歇采樣轉(zhuǎn)發(fā)干擾信號是對發(fā)射信號的分段采樣，其互相關(guān)系數(shù)要低于回波信號。因此互相關(guān)系數(shù)可以作為識別回波與間歇采樣轉(zhuǎn)發(fā)干擾信號的特征因子。

4）范數(shù)熵（Norm Entropy，NoEn）

“熵理論等價于一個條件概率，而不只是一種非線性動態(tài)參數(shù)，因此，熵理論可以在同時包含隨機(jī)信號與確定性信號的混合信號中使用”［12～13］。BoekeeD E等人在R范數(shù)度量的基礎(chǔ)上提出了范數(shù)熵的概念。

5）帶寬功率比（powerratio）

對于卷積靈巧噪聲干擾，LFM可以看作通帶為[f0-B/2，f0+B/2]的帶通濾波器，其能量主要集中于帶寬B內(nèi)，而乘積靈巧噪聲干擾為回波與視頻噪聲的乘積，其能量隨機(jī)分布于整個頻率范圍內(nèi)，因此帶寬功率比特別適合區(qū)分這兩類干擾信號。

6）小波變換高頻分量能量比（wdpowratio）

參考文獻(xiàn)［5］中的定義，對接收信號進(jìn)行一維小波變換，定義M階小波變換細(xì)節(jié)分量能量占比：

式中，N為小波分解的階數(shù)，M為細(xì)節(jié)分量的階數(shù)，CDi為第i階細(xì)節(jié)分量系數(shù)，CA為近似分量系數(shù)。

3 目標(biāo)與典型靈巧類干擾識別流程

為有效識別目標(biāo)、五種干擾樣式共六種信號形式，這里采取“二級分類識別”方法，步驟如圖1所示。

圖1 聯(lián)合識別處理流程

第一步：對接收信號進(jìn)行雙正交Fourier變換，分析斜率譜，提取峰值斜率，與閥值進(jìn)行比較，將六種信號分成三組：

第一組，回波、間歇采樣轉(zhuǎn)發(fā)和CI干擾信號。

第二組，卷積、乘積靈巧噪聲信號。

第三組，SMSP干擾信號。

第二步：選取相關(guān)系數(shù)、頻譜熵和范數(shù)熵作為第一組信號的特征因子，提取特征參數(shù)，構(gòu)造待檢測樣本，投入訓(xùn)練好的分類器1，完成三種信號的識別；選取帶寬功率比、小波變換高頻分量能量比作為第二組信號的特征因子，提取特征參數(shù)，構(gòu)造待檢測樣本，投入訓(xùn)練好的分類器2，完成卷積和乘積靈巧噪聲干擾信號的識別。

4 仿真結(jié)果與分析

參數(shù)設(shè)置：設(shè)SNR為0dB，JNR為-20:1:20(dB)，雷達(dá)發(fā)射LFM基帶信號時寬為20μs，帶寬為20MHz，LFM調(diào)頻斜率為1000GHz/s，采樣頻率為80MHz；參與卷積、乘積調(diào)制的視頻噪聲時寬均為20μs，SMSP干擾調(diào)頻斜率為2000GHz。

本文針對六種信號（回波和五種干擾）利用MonteCarlo實驗在不同干噪比下各產(chǎn)生200個樣本（JNR 自-20dB～20dB，間隔5dB），每種信號共計1800個樣本。不同干噪比隨機(jī)取出回波、間歇采樣轉(zhuǎn)發(fā)干擾和CI干擾各100個樣本（剩余的100個樣本用于測試），共計2700個樣本訓(xùn)練分類器1；不同干噪比隨機(jī)取出卷積、乘積靈巧噪聲干擾各100個樣本（剩余的100個樣本用于測試），共計1800個樣本訓(xùn)練分類器2。按照圖1的處理流程，對六種信號進(jìn)行分類識別。

1）一級分組識別情況

圖2可以看出，JNR≥-5dB情況下，各組識別率均超過了90%，其中第三組識別最高，達(dá)到了100%；第一組在JNR≥-0dB情況下，識別率接近100%；第二組（卷積和乘積靈巧噪聲干擾）峰值點對應(yīng)斜率值存在噪聲特點，且與干噪比無關(guān)，因此第二組樣本存在誤分至其他組的情況（即所檢測斜率譜峰值點對應(yīng)的調(diào)頻斜率約等于雷達(dá)發(fā)射信號的調(diào)頻斜率或SMSP干擾的調(diào)頻斜率），但誤分率≤7%，處于可以接受范圍。

圖2 一級識別概率

2）二級分類識別情況

圖3、圖4可以看出，所選分類器較好地完成了第一組、第二組內(nèi)部信號分離。第一組三種信號識別中，JNR≥-10db情況下，回波、間歇采樣轉(zhuǎn)發(fā)干擾識別率達(dá)到了100%，而CI干擾在JNR≥-5dB可以達(dá)到98%；第二組二種信號中，JNR≥-5dB，信號識別率達(dá)到了100%。相比第一組信號識別，卷積和乘積靈巧噪聲干擾識別率受干噪比影響較大。

圖3 二級識別概率（第一組）

圖4 第二級識別概率（第二組）

3）總體識別情況

由圖5和表1可以看出，本文所提算法較好地識別了回波和五種干擾信號，其中回波、間歇采樣轉(zhuǎn)發(fā)干擾、SMSP干擾在JNR≥-9dB情況下，識別率達(dá)到了100%；JNR≥-12dB情況下卷積和乘積靈巧噪聲干擾識別率超過了90%；CI干擾識別率最低，僅在JNR≥-6dB情況下，識別率才超過90%。

圖5 總體識別情況

表1 總體識別情況（%）

5 結(jié)語

基于DRFM的靈巧類干擾由于可以獲得脈壓處理增益，且在檢測端產(chǎn)生大量的虛假目標(biāo)，影響雷達(dá)正常檢測。本文針對五種典型的靈巧類干擾信號，建立信號數(shù)學(xué)模型，選取調(diào)頻斜率、互相關(guān)系數(shù)、帶寬功率比等特征參數(shù)，采取二級識別的方法，對回波及干擾信號進(jìn)行分組識別。相比傳統(tǒng)的“一級分類識別”，本文提出的“二級分類識別”方法覆蓋干擾類型更廣，并充分利用了雷達(dá)先驗信息。仿真結(jié)果驗證了該方法的有效性。由于算法對CI干擾識別率較低，下步將針對上述問題，建立更加貼近實際的數(shù)學(xué)模型，探索更為靈活有效的識別處理方法。