無線電引信抗箔條干擾綜述

劉景萍，韓可冬，劉斌，周琳

（南京理工大學 電子工程與光電技術學院，南京 210094）

無線電引信是利用電磁波環境信息感知目標，并在距目標最佳炸點處引爆戰斗部的一種近炸引信[1]。在第二次世界大戰時，國外就已經開始研制及應用無線電引信。實踐表明，導彈裝上引信后，能更有效地摧毀目標，因此無線電引信被廣泛應用于殺傷概率要求較高的武器系統中。我國在20 世紀80、90 年代，軍工企業通過引進國外生產線，借鑒國外產品資料，基本具備了自主設計、生產集成電路式無線電引信的能力[2]。發展至今，無線電引信已經將多種技術融合，多用途引信、彈道修正引信、毫米波引信等得到了廣泛應用[3]，有效提升了彈藥的射擊精度和毀傷效果。隨著無線電引信的飛速發展，針對無線電引信的干擾方式也越來越多，且越來越有效。有數據統計表明，在越南戰爭中，美軍采用了多種電子對抗措施，一度令地空導彈的殺傷概率降到2%，防空火炮的殺傷概率更是只有0.5%[4]。對于無線電引信的干擾方式可以分為有源干擾和無源干擾。無源干擾指干擾源不主動輻射電磁波，而是通過反射電磁波，使引信發出錯誤起爆信號或漏爆。近年來，無源干擾技術憑借其操作簡單、能適應多種戰場環境且造價低、設備技術要求不高、干擾效果明顯等優點[5]，應用更加廣泛。箔條是無源干擾中最常用的一種材料，它價格低廉、使用方便，具有良好的干擾效果。針對箔條干擾，目前無線電引信采取了相應的抗干擾措施。

1 箔條的應用現狀

箔條是無源干擾技術中應用最早，并且效果最好的干擾器材。IEEE 對箔條的定義是：一種輕型的空中反射目標云，通常由鋁箔條或涂覆金屬的纖維所組成，能在一定的空間范圍產生干擾回波[6]。在第二次世界大戰時，英國就使用了大量箔條來干擾敵軍的雷達，使敵軍遭受嚴重的打擊。在第四次中東戰爭中，以色列軍艦使用了箔條干擾設備，導致敵方發射的50 枚反艦導彈無一命中目標。1988 年，美國在與伊朗的海戰中，通過發射多枚箔條彈，成功誘導伊朗反艦導彈偏航。1991 年，在第一次海灣戰爭中，僅美A-10 飛機就發射了355 381 枚箔條彈[7]。箔條干擾實戰如圖1 所示。由于箔條在近現代戰爭對抗中特別有效，箔條開始被廣泛研究及應用。美國三軍飛機使用的誘餌灑布系統AN/ALE-47 如圖2 所示。飛機在被導彈鎖定跟蹤后，會施放箔條彈形成箔條云，然后根據自身運動狀態和威脅信息做切向機動。由于箔條彈散開后的雷達截面積遠大于飛機的雷達截面積，導彈最終會轉跟箔條[8]。

圖2 AN/ALE-47(V)機載對抗投射系統組件Fig.2 AN/ALE-47(V) airborne counter projection system components

在空中作戰時，箔條的應用可以分為以下幾類[9]：布設干擾走廊，形成長掩護帶；迷惑，在大范圍內投放箔條，使得敵方引信無法識別目標；欺騙，利用箔條形成假目標使引信誤炸。在海面作戰時，箔條干擾一般采用2 種作戰方式：沖淡干擾方式和質心干擾方式[10]。目前典型的箔條干擾發射系統有：英國的“烏鴉座”誘餌發射系統、俄羅斯的PK-2、PK-10 和PK-16系統、美國的MK 36 SRBOC 型無源干擾發射系統和MK 33 RBOC 型無源干擾發射器及法國的“達蓋2 型”無源干擾發射系統等[11]。一些典型的干擾發射系統如圖3 所示。箔條在地面的作戰時，主要是通過大量拋灑箔條形成屏障，以達到掩護地面車輛、陣地等設施的目的。

圖3 典型的箔條干擾發射系統Fig.3 Typical chaff interference launching system: a) British Corvus decoy launch system;b) Russian PK-2 Passive interference transmission system

2 抗箔條干擾現狀

如何有效地對抗箔條干擾是當前待解決的問題。針對這一問題，國內外的科研院所都開展了相關研究，但國外關于對抗箔條干擾研究的公開報道較少。從國內現有的公開資料看，目前抗箔條干擾技術大概可以分為六大類：基于頻譜展寬、極化特征、多普勒差異、回波信號特征、距離像、稀疏表示等抗箔條干擾方法。

現有研究大多是利用識別的方法抗干擾，但當出現目標和干擾不可分辨的情況，識別的方法不再適用[12]。其中，對抗箔條沖淡式干擾是在目標和箔條干擾可分辨條件下，通過目標與箔條的特性差異來完成箔條干擾的識別[13]；對抗箔條質心式干擾是在目標和干擾不可分辨條件下，通過極化濾波、極化對比增強、多重MTI 濾波和小波變換濾波等方法提取目標信號，實現抗箔條干擾。

2.1 基于頻譜展寬的方法

箔條彈在空中炸開后，箔條會受到風力和重力的作用，使其在水平方向和豎直方向的速度隨時間發生變化，直到箔條達到受力平衡后，箔條開始勻速運動，箔條云處于相對穩定的狀態，一般稱此時的運動狀態為“平動”。箔條還會繞某一固定軸做旋轉運動，稱為“錐動”。由于箔條的平動和錐動，箔條云回波信號的頻譜存在搬移與展寬現象[14]，如圖4 所示。目標回波信號的頻譜不存在這一現象，因此可以區分箔條和目標。

圖4 箔條云回波頻譜展寬現象Fig.4 Chaff cloud echo spectrum broadening phenomenon

通過直接法譜估計和AR 參數模型譜估計可以驗證該方案的可行性。直接法譜估計需要先對樣本數據進行傅里葉變換，進而求出其功率譜，即：

式中：x(n) 為采樣后的接收信號；N為采樣個數。為了減小誤差，一般需要對樣本進行加窗處理。直接法譜估計流程如圖5 所示[15]。

圖5 直接法譜估計流程Fig.5 Flow chart of direct spectral estimation method

AR 參數模型譜估計是一種自回歸模型，它采用如下的差分方程來表示樣本序列：

式中：e(n)是均值為0、方差為σ2的高斯白噪聲；p為AR 模型階數；ap(i)為模型的參數。將x(n)看作白噪聲通過模型后的輸出，根據式（3）推得功率譜如式（4）所示。

一般根據最終預測誤差（FPE）準則來選擇AR模型的階數p，通過求解Yule-Walker 方程來計算模型參數和σ2。

尚煒等[16]分別用2 種譜估計法進行了仿真，證明了箔條的回波頻譜具有展寬現象，因此可以根據此現象來識別箔條和目標。他還比較了直接法譜估計和AR 參數模型譜估計的性能，結果表明，AR 參數模型譜估計的建模復雜度較高，但是它的譜分辨率要高于直接法譜估計。此外，有研究者通過對比AM 和FM 的頻譜寬度，發現目標和箔條干擾有顯著差異，將調幅帶寬和調頻帶寬輸入到BP 神經網絡后，解決了箔條內是否有目標的問題，對目標和箔條的識別率可達到90%[17]。李尚生等[18]考慮了箔條的錐動和平動對回波信號頻譜的影響，建立了箔條云回波信號模型。結果表明，艦船目標回波信號的頻譜展寬幅度要遠小于箔條云回波信號的頻譜展寬幅度，與實測結果相符，通過回波信號頻譜展寬大小來區分艦船目標與箔條干擾是可行的。王丹[19]通過對回波信號的譜分析、恒虛警處理之后，對信號的功率譜進行了判斷，計算信號的譜寬Wn，并與設定的門限Tn比較，如果檢測到的Wn超過Tn，就認為該信號是箔條云回波，否則就認為是目標艦船回波。處理流程如圖6 所示。成思文等[20]同樣根據艦船與箔條在頻譜上的差異，提出了利用箔條頻譜展寬特性通過譜檢測算法識別箔條干擾，并通過仿真驗證了該方法的有效性。

圖6 利用頻譜展寬效應抗箔條處理流程Fig.6 Flow chart of anti-chaff processing by spectrum broadening effect

2.2 基于極化特征的方法

極化是電磁波除幅度、頻率和相位之外另一個可利用的重要屬性，不同的目標具有不同的極化特性。根據目標和箔條云是否在同一引信分辨單元，極化方法可以分為極化識別和極化濾波/對比增強2 類，前者適用于目標和箔條云在不同的引信分辨單元的情況，如采用極化比、極化角特征量，后者適用于目標和箔條云在同一引信分辨單元的情況。

李尚生等[21]通過3dsMAX 軟件建立了飛機目標和箔條云的三維模型，然后導入電磁仿真軟件FEKO計算雷達在不同極化方式和不同角度下目標和箔條云的回波極化信息[21]。研究表明，箔條云的極化比均值遠小于飛機目標的極化比均值，極化比平均值相差1 個數量級。因此，可以通過極化比特征量識別飛機和箔條云。由于箔條和目標極化比特征量差異明顯，章力強等[22]設置了雙門限檢測的方法識別箔條干擾，極化比識別與抑制過程如圖7 所示。Th為極化比的判別門限，根據實際情況設置其數值大小。在1 個檢測周期內，當回波脈沖數N1大于標準M1時，判斷目標為箔條假目標；N2大于標準M2時，判斷目標為真目標。他們通過仿真證實了箔條假目標和艦船目標具有明顯不同的去極化特性。吳盛源等[23]針對均勻取向箔條云，將共極化比絕對值和垂直共交極化比絕對值構成極化參數集作為鑒別量，仿真得到單一極化比的鑒別量的鑒別率均低于85%，而以極化參數集為鑒別量的鑒別率能達到95%以上，能實現對箔條假目標的有效鑒別。

圖7 極化比識別與抑制流程Fig.7 Polarization ratio identification and suppression process

上述極化比方法適用于普通的箔條干擾，其箔條取向隨機，隨著箔條加工技術的發展與進步，配重箔條應運而生。為識別配重箔條干擾，李金梁等[24]修正了原有極化比的識別特征量，選取同極化通道和交叉極化通道的極化比的最小值，即：

改進后的方法不僅適用于普通的箔條干擾，也適用于垂直取向的箔條干擾，具有更強的適用性，識別率均達到90%以上。然而箔條在大氣中會受到重力、阻力、氣流和飛機尾流等各種因素的影響，上述研究存在一定的局限性。張帆[25]考慮箔條平動和轉動等運動對箔條回波信號的影響，分析了隨機取向箔條的極化特性，修正了極化散射矩陣，重新定義了交叉極化比，提出了一種改進的極化信息抗箔條干擾方法。新的交叉極化比為：

根據空氣動力學可知，不同取向箔條的下降速度不同，垂直取向最快，水平取向最慢，其他取向介于兩者之間，利用干涉原理可以獲得目標的高度維信息。李永禎等[26]提出用特征識別量ρ衡量箔條云和目標的極化特性差異，從而提出一種基于分層極化特性的箔條云干擾識別方法，并進行了大量理論分析和仿真實驗，結果表明，所提方法可以有效地識別箔條干擾。

當目標和箔條云在同一引信分辨單元的情況，如引信受到箔條質心干擾時，可以采用斜投影極化濾波技術實現目標極化已知而箔條極化未知的干擾抑制[27]。該方法可以有效地抑制箔條干擾，提取出有用的目標信號。

楊勇等[28]提出了在不事先知道目標和干擾偏振參數的情況下，利用偏振斜投影來抑制箔條質心干擾。首先，通過理論推導和幾何解釋證明了偏振斜投影后的干涉信號比和同相單脈沖比誤差與目標偏振參數的估計誤差無關，然后利用接收信號直接估計出箔條質心干擾的極化參數，利用估計的干擾極化參數和隨機設置的目標極化參數構成極化斜投影算子，通過該算子抑制了箔條質心的干擾，實現抗箔條干擾，并通過蒙特卡羅仿真驗證了所提方法的有效性。李金梁等[12]針對目標和干擾不可分辨的情況時，提出了基于極化對比增強抗箔條質心干擾的方法。極化對比增強可以增大目標和干擾的能量對比，在一定程度上起到抗質心干擾的效果，其抑制質心干擾的效果與質心干擾和目標的極化特性差異的程度有關，二者的差別越顯著，抗干擾的效果越好。

以上關于極化比的研究均表明，箔條云的極化比均值遠小于飛機或艦船目標的極化比均值，為后續進一步抗箔條干擾研究奠定了基礎。當接收信號為單獨箔條云或飛機目標回波信號時，可以識別，但當接收信號為箔條云和飛機目標的混合回波信號時，無法識別。此時可以通過極化濾波技術濾除箔條干擾信號，提取出有用的目標信號，實現抗箔條干擾。

2.3 基于多普勒差異的方法

箔條運動擴散的速度和目標的速度有較大差距，對應其多普勒頻率存在差異，因此可以通過研究多重動態目標指示技術，分析箔條云干擾的形成原理和信號特征，從多普勒維實現箔條干擾的目標識別方法。徐光耀等[29]、董潔等[30]均設計了多重MTI 濾波器，3抽頭的多重MTI 算法結構如圖8 所示。多重MTI 濾波器在一些特定的多普勒頻率處會提供足夠的增益，并行處理多個MTI 濾波器，以檢測目標相對于箔條云的多普勒頻率差，當在正確的多普勒頻率差處積分時，可以檢測出目標而消除質心式箔條干擾[29]。

圖8 多重MTI 算法結構Fig.8 Multiple MTI algorithm structure

通過仿真對比發現，未經處理的圖像無法區分目標和箔條干擾，目標回波與箔條回波的信干比約為7 dB。經過處理后的圖像中，箔條干擾基本消除，目標回波與箔條回波的信干比約為18 dB，但是目標回波也有2～3 dB 的損耗。該算法可以改善目標回波信號，基本濾除質心式箔條干擾，從而實現引信抗箔條干擾，但其實時性還需要提高，并且未立足實際應用。

劉博針等[31]對艦載沖淡式箔條干擾和質心式箔條干擾分離期2 種情況，分析了寬帶相參雷達艦船目標回波與箔條回波的區別，提出了回波距離–多普勒二維像擴展因子和能量均勻度2 個特征指標對艦船和箔條進行區分，結合實際應用環境，設計了抗箔條干擾算法。對實測數據的處理結果表明，箔條識別率可以達到99.7%，驗證了抗箔條干擾方法的有效性，但該方法在實戰情況下的抗干擾性能還有待進一步測試。

2.4 基于回波信號特征的方法

目標回波和箔條回波具有不同的回波特性，基于此可以得到一些抗箔條干擾的方法。由于經過小波變換后的目標回波信號比箔條回波信號得到的小波變換系數相關性會更好，且相關時間更長，因此可以通過回波信號的關聯度來檢測箔條干擾信號[32]。式（7）為回波小波變換后的相關函數，其中Djf(n)為小波系數，f(n)為包含目標信息s(n)與箔條信息w(n)的回波信號。

然而，僅僅將信號做小波變換對噪聲的濾波效果不太好，因此在小波變換的基礎上，需要設立門限值，分別對顯示信號高頻信息的細節系數與顯示信號低頻信息的逼近系數進行濾除[33]。仿真結果表明，小波變換可以有效濾除混合在目標信號中的箔條干擾信號，實現抗箔條干擾。

除小波變換外，目標回波和箔條回波還可以通過比較灰色關聯度的差異，對箔條干擾進行鑒別[34]。首先，對每個周期的回波信號進行采樣，用式（8）計算第i個周期與第i+1 個周期的回波信號的灰色關聯度。其中，設第i個周期信號的回波為序列X，第i+1個周期的回波為序列Y，則X與Y的關聯度為：

式（8）可反映第i個周期與第i+1 個周期回波序列的相似程度，為消除隨機性，還需對所有周期的回波信號都進行關聯度計算，可得到平均關聯度

按照灰色關聯度的定義可知，當幾何形狀上越相似時，關聯度會越高。對于箔條云和艦船目標而言，艦船目標的值會更高，因此只需設置合理的目標檢測門限，就可以將二者區分開。通過仿真表明，艦船目標的灰色關聯度高于箔條，且更加穩定，因此該方法在理論上是可以將艦船目標與箔條云區分開的。

除對信號進行時域處理后辨別目標回波和箔條回波，還可以利用時域、頻域和聯合時頻域幾何矩進行模式的特征提取，并用多層感知神經網絡進行識別[35]。黃靖涵[36]使用基于機器學習的方法進行了抗箔條干擾，利用實測得到的箔條、目標數據和仿真得到的數據，構建了應用于卷積神經網絡和支持向量機訓練、驗證、測試的相應數據集，分別基于CNN 與SVM 完成了3 類特征分類識別的訓練和測試。結果表明，CNN 模型識別率基本在80%以上，SVM 模型識別率基本在70%以上，能夠有效完成箔條與目標的分類。王湖升等[37]在箔條干擾的條件下，完成了距離–多普勒成像后，進一步完成了聚類、特征提取和機器學習分類器對抗識別。通過理論分析和實測數據表明，該方法能夠準確地識別箔條和目標，抗干擾性能良好。

2.5 基于距離像的方法

在距離分別率比較高時，目標的一維距離像中包含了目標的幾何形狀和物理特性等細節信息，而目標（如飛機，艦船等）與箔條云的細節信息差異較大，因此可以從目標與箔條云的一維距離像中提取特征來進行識別。

引用熵的概念來表征目標和箔條的距離像分布情況，設{S(l),l＝1,2,…,N}為回波信號的一維距離像序列，則S(l)的波形熵可以表示為：

式中：S(l)為歸一化后的一維距離像序列。式（10）反映了距離像的離散程度。若物體的散射中心分布較為集中，則熵值較小；若散射中心能量分布較為分散，則熵值較大。波形熵值體現了散射體的分布情況。將奇異值分解與波形熵結合，對距離像進行分析，可以提高波形熵識別方法的穩定性。目標和箔條干擾熵值特征分布如圖9 所示[7]。其中，圖9a 為箔條和目標的波形熵，圖9b 為對目標和箔條干擾的奇異譜熵進行Kruskal-Wallis 非參數統計分析后得到的統計箱。

圖9 熵特征Fig.9 Entropy characteristics: a) waveform entropy;b) singular values of entropy

此外，可以基于箔條云和目標回波距離像的形狀不變性、對稱性，對比相鄰回波的距離像的差異，進行箔條云和目標的識別[38]。在信噪比較高時，基于艦船與箔條回波在時頻域上的稀疏性，識別箔條云的效果較為良好[39]?；谀繕撕筒瓧l干擾的不同次數回波的一維距離像之間相關性的不同，使用BP 神經網絡進行特征學習，也可以識別箔條干擾[40]?？梢岳蒙疃壬窠浘W絡對一維距離像進行特征提取，同時使用經典子空間方法提取一維距離像的子空間特征[41]。

2.6 基于稀疏表示的方法

基于冗余字典的稀疏表示是研究的核心之一，稀疏表示的關鍵是稀疏表示算法和字典構造。稀疏表示算法有MP、OMP 和子空間追蹤等，以及基于它們的改進，如ROMP、StOMP，還有從自適應角度出發的SAMP，引入Dice 系數匹配準則改進的自適應匹配追蹤算法[42]。除此之外，還有BPDN、LASSO 和FOCUSS方法等。部分常用的稀疏表示算法的對比見表1。

表1 常用稀疏算法對比Tab.1 Comparison of commonly used sparse algorithms

字典構造分為固定字典與學習字典。常用的固定字典有快速傅里葉變換（FFT）、離散小波變換（DWT）和離散余弦變換（DCT）等。常用的自適應字典有ML、MOD 和K-SVD 等。信號稀疏表示中常用的稀疏字典見表2。

表2 常用稀疏字典對比Tab.2 Comparison of commonly used sparse dictionary

基于以上原理，使用K-SVD 算法分別對目標回波信號和箔條回波信號進行學習，可以得到目標字典和箔條字典。再通過得到的自適應字典對目標信號和箔條信號分別進行重構（如圖10 所示），通過比較重構誤差來區分目標和箔條信號[25]。

圖10 不同字典對信號的重構誤差Fig.10 Reconstruction error of signal by different dictionaries: a) target dictionary;b) chaff dictionary

在訓練字典時，也可以選用一維距離像數據集，同樣可以得到良好的效果[43]。BPDN 算法可以消除不同信噪比下雷達回波信號中的噪聲部分[44]。此外，段沛沛[45]分別提出了基于結構字典稀疏表示的目標識別算法、基于聯合字典稀疏表示的雷達目標識別算法和基于雙稀疏字典學習的雷達目標識別算法，相比其他類型的常規識別算法，提高了運算效率和目標識別率。李麗萍[46]通過分析雷達回波的稀疏性，結合最小功率方法，提出了一種基于稀疏表示的雜波抑制方法，并通過仿真實驗論證了所提方法的可行性。朱濤[47]對基于稀疏表示的信號恢復算法以及字典學習算法展開了研究，既為某些現有算法提供改進版本或新的收斂性分析，也提出新的算法。

3 結語

無線電引信抗箔條干擾的方法眾多，但仍然不夠成熟，存在一些問題。目前，大部分抗箔條干擾的研究都處于理論分析與仿真的階段，沒有進行實測，因此其實用性和可靠性還需在實踐中進一步檢驗。為了使得引信系統擁有更好的性能，往往采用復雜的信號處理技術，但同時會帶來一些問題，如高成本、高計算量和存儲需求，因此在設計時需要全方面考慮。

未來在抗干擾方法方面，由于神經網絡強大的學習和處理能力，它在信號處理領域的廣泛應用將是今后熱門的研究方向，將推動抗干擾算法的發展。隨著硬件、軟件技術的不斷進步，復合制導技術結合不同單一制導技術的優點，能提高引信的抗箔條干擾性能，也將是未來發展的趨勢之一。眾多抗干擾方法應進行硬件的實現，并盡可能進行實際環境的測試，做到理論指導于實踐，實踐服從于理論，不斷地優化，推動電子對抗事業的發展。