基于脈內特征的靈巧類干擾分組識別*

（海軍航空大學信息融合研究所 煙臺 264001）

1 引言

干擾識別的意義在于感知干擾環境，為雷達提供更多的先驗信息，使雷達更有針對性的對干擾進行及時抑制。由DRFM產生、專門針對相參雷達的的靈巧類干擾，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［1～8］從信號特性角度入手，在時域、頻域、時頻域、小波域和統計域等變換域內挖掘干擾信號與目標信號差異明顯的特征信息，達到回波、欺騙式干擾樣式識別目的。文獻［9］提出一種區分卷積靈巧噪聲干擾和目標回波多維特征處理識別方法，通過提取目標和干擾信號的包絡起伏參數、相位門限概率、盒維數、近似熵，構建特征向量，使用SVM分類器進行檢測識別。但是現有文獻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，間歇采樣轉發、C&I干擾和SMSP干擾，根據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微差異，逐級進行識別判斷。仿真結果驗證了本文算法的有效性和可行性。

2 目標與典型靈巧類干擾分析

2.1 目標與典型靈巧類干擾模型

假設目標存在干擾條件下，雷達目標檢測模型為

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H0時，表示檢測到干擾；出現H1時，表示檢測到回波。

回波信號為線性調頻信號，其數學模型：

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

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、間歇采樣轉發干擾、SMSP干擾，其干擾原理不再陳述，這里參考相關文獻［14～15］，給出其部分數學模型。

卷積靈巧噪聲干擾數學模型：

式中，n1(t)為視頻卷積噪聲，服從高斯分布。

間歇采樣轉發干擾數學模型：

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

頻譜彌散干擾SMSP數學模型：

式中，k1為SMSP干擾調頻斜率，k為雷達發射信號調頻斜率，m為正整數。

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［10］提出，采用雙正交函數將信號展開，得到調頻斜率密度譜，簡稱斜率譜。對于單個LFM信號，其斜率譜表現為相應的沖激函數，而具有不同調頻斜率的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，并計算其香農熵。SE常用于故障檢測和診斷中的特征提取，也廣泛應用于語音識別和生物醫學信號處理［11～13］。由于干擾信號對截獲的雷達發射信號調制方式不同，其頻譜復雜性也明顯不同，因此這一特征參數能夠給出識別回波和不同干擾信號的有效信息。

3）互相關系數（corrcoef）

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

4）范數熵（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參數，因此，熵理論可以在同時包含隨機信號與確定性信號的混合信號中使用”［12～13］。BoekeeD E等人在R范數度量的基礎上提出了范數熵的概念。

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，而乘積靈巧噪聲干擾為回波與視頻噪聲的乘積，其能量隨機分布于整個頻率范圍內，因此帶寬功率比特別適合區分這兩類干擾信號。

6）小波變換高頻分量能量比（wdpowratio）

參考文獻［5］中的定義，對接收信號進行一維小波變換，定義M階小波變換細節分量能量占比：

式中，N為小波分解的階數，M為細節分量的階數，CDi為第i階細節分量系數，CA為近似分量系數。

3 目標與典型靈巧類干擾識別流程

為有效識別目標、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 聯合識別處理流程

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

第一組，回波、間歇采樣轉發和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：選取相關系數、頻譜熵和范數熵作為第一組信號的特征因子，提取特征參數，構造待檢測樣本，投入訓練好的分類器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，構造待檢測樣本，投入訓練好的分類器2，完成卷積和乘積靈巧噪聲干擾信號的識別。

4 仿真結果與分析

參數設置：設SNR為0dB，JNR為-20:1:20(dB)，雷達發射LFM基帶信號時寬為20μs，帶寬為20MHz，LFM調頻斜率為1000GHz/s，采樣頻率為80MHz；參與卷積、乘積調制的視頻噪聲時寬均為20μs，SMSP干擾調頻斜率為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。不同干噪比隨機取出回波、間歇采樣轉發干擾和CI干擾各100個樣本（剩余的100個樣本用于測試），共計2700個樣本訓練分類器1；不同干噪比隨機取出卷積、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個樣本訓練分類器2。按照圖1的處理流程，對六種信號進行分類識別。

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）峰值點對應斜率值存在噪聲特點，且與干噪比無關，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的調頻斜率約等于雷達發射信號的調頻斜率或SMSP干擾的調頻斜率），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、間歇采樣轉發干擾識別率達到了100%，而CI干擾在JNR≥-5dB可以達到98%；第二組二種信號中，JNR≥-5dB，信號識別率達到了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、間歇采樣轉發干擾、SMSP干擾在JNR≥-9dB情況下，識別率達到了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，且在檢測端產生大量的虛假目標，影響雷達正常檢測。本文針對五種典型的靈巧類干擾信號，建立信號數學模型，選取調頻斜率、互相關系數、帶寬功率比等特征參數，采取二級識別的方法，對回波及干擾信號進行分組識別。相比傳統的“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，并充分利用了雷達先驗信息。仿真結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學模型，探索更為靈活有效的識別處理方法。