基于數據處理的抗密集假目標干擾處理方法研究

陳 碩，陳 凌，趙玉麗

(南京萊斯電子設備有限公司，江蘇 南京 210001)

對相參雷達的電子干擾及反干擾處理一直是電子對抗領域的重要課題。目前，隨著電子技術的迅速發展，電子干擾機能夠在相當短的時間內截獲、分析和識別雷達發射信號。數字射頻存儲器(Digital Radio Frequency Memory, DRFM)的發明和應用使干擾的產生更加靈活，種類更加豐富，已成為雷達嚴重的威脅。具有DRFM的干擾機能夠截獲和轉發雷達發射信號，產生與目標回波高度相似的假目標干擾。這些假目標能夠通過脈沖壓縮、相參積累獲得部分處理增益，從而對相參雷達進行有效的干擾[1-4]。

對此，國內外研究學者提出了多種抗干擾方法，但大部分針對密集假目標的研究都集中在信號處理層面，在后端相應處理手段較少。本文基于數據處理層面，提出了一種抗密集假目標處理的方法，該方法能夠在部分回波信號中含有較強密集假干擾的情況下有效地進行真實目標的起始和跟蹤。

1 雷達信號與干擾模型

1.1 回波信號模型

線性調頻信號是一種廣泛應用的大時寬帶寬信號，假設雷達發射信號為線性調頻(LFM)信號，在一個相參處理間隔內發射N個脈沖，則第n個脈沖發射信號的表達式為：

(1)

假設觀測場景內存在一個與雷達的距離為R0、徑向速度為v0的點目標，則第n個脈沖的回波信號為：

(2)

1.2 干擾信號模型

密集假目標欺騙式干擾的基本原理是，干擾機在一定時間內對雷達信號進行采樣和存儲轉發，形成多個不同距離的假目標。在雷達接收端，這些假目標可能散布于整個距離維上，而且假目標能量遠大于目標回波。一旦假目標進入接收機波門內，將影響目標的檢測及后續的跟蹤處理。設假目標數量為M個，產生的多假目標干擾可以表示為：

(3)

式中，am、τm分別為第m個假目標的幅值和回波時延。則接收機接收到的第n個脈沖回波信號為：

S1(t,n)=sr(t,n)+sJ(t,n)+s1(t,n)

(4)

式中，s1(t,n)為回波信號中的噪聲。

1.3 干擾特征

通過上述密集假目標產生的機制[5-6]可以看出，密集假目標的分布在空間及回波特征中均存在一定規律，通過對數據的挖掘可以對密集假目標進行有效區分和抑制。密集假目標的顯示效果圖如圖1所示。

2 綜合干擾處理

本文提出的方法通過提前對干擾態勢進行判別和感知，對點跡是否為密集假干擾產生的數據進行判別，并通過分析其分布特性和回波特征信息，在跟蹤階段，采用基于候選航跡徑向速度的航跡起始抑制技術進行處理，在跟蹤階段，綜合采用位置信息、點跡標注信息及特征信息進行多周期的航跡評判，流程圖如圖2所示。

2.1 干擾態勢判別

將雷達探測范圍按照一定的策略劃分為若干方位量化單元[7]，根據雷達的工作模式和系統參數，通過參數化設置，設定雷達探測分區圖方位單元個數為N_θ，在方位上對探測區域進行等分，計算雷達探測分區圖方位分辨單元Res_θ度，并將等分后的區域進行編號，方便索引。

對探測區域進行點跡數據統計后，根據不同區域的點跡分布情況，設定判定閾值為Nthreshold，大于此閾值的方位單元設為密集假目標區域，并進行后續處理。

(5)

密集假目標進行初步區域識別后，后續還需要進行二次點跡標注，為后續的航跡起始及航機跟蹤提供更多信息。

目標回波波形攜帶了與目標密切相關的信息，而這種目標特征信息很難直觀地表示出目標與特征的對應關系，但密集假目標之間的等間隔排序及方位寬度、距離寬度及幅度之間的趨同性較為明顯，可以通過對目標點跡所攜帶的多目標間距離差、方位寬度、距離寬度及幅度等多特征進行基于DBSCAN算法的聚類，初步排除正常目標后，重新計算距離差，再通過二次的距離差等差數列篩查，對密集假目標區域進行點跡標注。

因為DBSCAN算法使用簇的基于密度的定義，因此它是相對抗噪聲的，并且能夠處理任意形狀和大小的簇。這樣，DBSCAN可以發現使用K均值等算法不能發現的許多簇。

DBSCAN算法是基于密度的聚類算法，它將類看作是數據空間中被低密度區域分割開的高密度對象區域。在該算法中，發現一個聚類的過程是基于這樣的事實：一個聚類能夠被其中的任意一個核心對象所確定。其基本思想是：考察數據庫D中的某一個點P，若P是核心點，則通過區域查詢得到該點的鄰域，鄰域中的點和P同屬于一個類，這些點將作為下一輪的考察對象，并通過不斷地對種子點進行區域查詢來擴展它們所在的類，直至找到一個完整的類。

DBSCAN算法可以非正式地描述如下：任意兩個足夠靠近(相互之間的距離在Eps之內)的核心點將放在同一個簇中。同樣，任何與核心點足夠靠近的邊界點也將放到與核心點相同的簇中(如果一個邊界點靠近不同簇的核心點，則可能需要解決平局問題)。DBSCAN算法描述如下：1)將所有點標記為核心點、邊界點或噪聲點；2)刪除噪聲點；3)為距離在Eps之內的所有核心點之間賦予一條邊；4)每組連通的核心點形成一個簇；5)將每個邊界點指派到一個與之關聯的核心點的簇中。

2.2 干擾航跡起始抑制

航跡起始由暫時航跡形成、航跡初始化和航跡確認構成[8]，當獲得新的觀測數據時，由跟蹤門判定點跡-航跡配對關系，無法獲得配對關系的點跡形成暫時航跡，然而，在密集雜波/目標中通過門限生成的航跡不計其數，為滿足計算機內存限制進而實時性的要求，必須采取安全性判決，本文采用基于候選航跡徑向速度的航跡起始抑制技術，減小后端處理壓力。

采用對徑向速度建立直方圖，最終通過峰值搜索的方式，找到待起始的候選航跡，對其進行目標航跡起始的抑制。

2.3 干擾航跡跟蹤抑制

在航跡跟蹤階段，通過對航跡位置、特征信息及點跡標注信息的綜合航跡評分策略[9]，維持對正常目標的監視跟蹤，減小對虛假點跡的跟蹤概率。

對所有航跡分支采用貝葉斯概率航跡跟蹤算法的進行航跡評分，航跡得分由遞歸累積產生。每一個航跡的得分等于它的上一次的值加上一個得分增量Δlk，即：

lk=lk-1+α1Δlk+α2β

(6)

式中，Δlk為似然概率值；β為特征得分值；α1為目標狀態權重因子；α1為目標特征權重因子。

(7)

d=[Zk-h(Xk|k-1)]TS-1[Zk-h(Xk|k-1)]

(8)

式中，Zk為目標測量值；Xk|k-1為目標預測位置；S為殘差協方差矩陣；Pd為目標的探測概率(被傳感器觀測到且其量測落入相關門的概率)；βf為虛警的空間密度；Pf為虛警概率；M為量測的維數。且航跡初始得分為l1=ln[(1-βf)/βf]。

β=wRβR+wcβc+wfβf

(9)

式中，wR、wc、wf為對應特征因子的加權因子，wR為位置信息加權因子，wc為密集假點跡標注加權因子，wf為特征信息的加權因子，根據不同雜波和區域位置選取不同的加權值。如對于探測虛警率低的區域，位置信息加權因子可以進行相應提高，提供對于雜波區域，由于分布范圍廣且比較均勻，因此，特征信息的加權因子可以取的大一些；密集假目標區域存在假目標的概率高于其他區域，因此點跡標注加權因子可以進行提高；如果雷達前端信號處理可以提供更多特征值，則目標特征得分計算可以引入更多特征因子。對上述3種特征因子進行標準化和歸一化處理[10]，為方便起見，這里仍用原來的符號表示。

通過航跡得分，可以進行航跡分支的刪除和確認，若lk≤TL，則刪除航跡分支子航跡；若lk≥TL，等待更多的數據進行航跡分支的判定，最終航跡跟蹤選擇航跡自分支得分最高項進行航跡更新，其中TL定義為航跡子分支刪除閾值。這樣很多得分低的航跡在此過程中被刪除，大大減少了后面航跡分支判定的數量[11]。

3 結果與分析

下述通過實測的外場對抗試驗數據處理結果，驗證本文算法的有效性。該試驗中我方雷達受到密集假目標干擾，探測空中目標，在未采用抗密集假目標處理時顯示界面會存在大量虛假目標，真實目標跟蹤不連續，而采用了基于數據處理的抗密集假目標干擾處理方法后，處理效果如圖3所示，無虛假目標，真實目標跟蹤穩定連續。

4 結語

隨著現代電子技術的不斷發展，電子對抗領域的干擾與反干擾手段也在不斷進步，被廣泛地應用到雷達系統中。本文提出了一種數據處理方面的抗密集假目標干擾算法，該方法通過對探測區域和回波點跡的綜合判斷，并進行峰值提取完成對假目標的起始與跟蹤的抑制，最終達到對假目標的綜合判定。實測數據分析驗證了本文方法的有效性，本文提出的方法可以對密集假目標干擾提供有效的處理手段。