文/錢劍勛 盧云龍 同偉

1 引言

有源欺騙干擾會(huì)嚴(yán)重降低雷達(dá)對目標(biāo)的檢測性能。而基于數(shù)字射頻存儲(chǔ)器（DRFM）的距離波門欺騙（RGS）干擾和速度波門欺騙（VGS）干擾與雷達(dá)發(fā)射信號具有很強(qiáng)的相干性，干擾波形在相干雷達(dá)中可以獲得相當(dāng)大的增益，使得雷達(dá)難以區(qū)分目標(biāo)和干擾。

近年來針對DRFM欺騙干擾信號的研究主要有：文獻(xiàn)[1][2]分析了基于DRFM的RGS干擾的頻譜，詳細(xì)推導(dǎo)了DRFM時(shí)延量化特性對干擾信號帶來的頻域細(xì)微變化特征。在此基礎(chǔ)上，文獻(xiàn)[3][4]分析了DRFM時(shí)延函數(shù)和相位聯(lián)合量化對RGS干擾信號的影響，并得出相對于相位量化，時(shí)延函數(shù)量化對信號的影響可以忽略。另外，文獻(xiàn)[5][6][7]分別研究了在高階譜域、極化域等方面提取干擾信號的細(xì)微差異特征。

以上文獻(xiàn)中分析干擾信號特征都是基于單頻脈沖雷達(dá)信號，并且在分析DRFM量化特征時(shí)也是基于簡單的RGS干擾模型。由于具有大時(shí)寬帶寬積的脈沖壓縮信號可以保證雷達(dá)具有良好的檢測性和較高的距離、速度分辨率，現(xiàn)代雷達(dá)廣泛采用的脈內(nèi)頻率調(diào)制信號，如線性調(diào)頻（LFM）信號。具有距離-速度聯(lián)合欺騙能力的RGS-VGS干擾，不僅能干擾同時(shí)具有距離-速度信息檢測、跟蹤能力的雷達(dá)，還能有效干擾只有測速或測距能力功能的雷達(dá)。本文提出了基于寬帶LFM信號的RGSVGS量化干擾數(shù)學(xué)模型?；诖藢拵Ц蓴_模型，分析了其經(jīng)DRFM量化后的頻譜特性，并提取出有效穩(wěn)健的干擾信號誤差角（JSEA）作為識別特征。同時(shí)考慮干擾機(jī)存在時(shí)延以及波門內(nèi)同時(shí)存在目標(biāo)回波和干擾的情況，建立相應(yīng)的假設(shè)模型。仿真結(jié)果表明，在低量化位數(shù)條件下，系統(tǒng)有較好的識別性能。

圖1：回波中只有干擾，沒有轉(zhuǎn)發(fā)時(shí)延

2 寬帶干擾模型

2.1 距離-速度同步拖引干擾模型

令寬帶線性調(diào)頻信號為：

其中 為調(diào)頻率，且 ，B為調(diào)頻信號帶寬，τ為信號時(shí)寬。

DRFM的輸入信號可以表示為：

式中fc=f0+fd，f0為雷達(dá)工作頻率，fd是目標(biāo)的多普勒頻率。

令RGS-VGS干擾信號的距離拖引時(shí)延函數(shù) 為理想線性函數(shù)，為拖引率。fj為速度欺騙對應(yīng)的多普勒頻率。為了真實(shí)模擬目標(biāo)運(yùn)動(dòng)狀態(tài)，c(t)與fj需滿足一定的邏輯關(guān)系。設(shè)同步欺騙干擾速度為vj，時(shí)延函數(shù)對應(yīng)的距離為R，λ為雷達(dá)工作波長，C為光速，則由：

這里假設(shè)vj為遠(yuǎn)離雷達(dá)的徑向速度，則DRFM的輸出RGS-VGS干擾信號可以表示為：

2.2 RGS-VGS量化模型

根據(jù)文獻(xiàn)[1]的結(jié)論，對于單頻脈沖信號，在分析其相位量化時(shí)，時(shí)延函數(shù)離散化的影響是可以忽略的。對于寬帶雷達(dá)信號，時(shí)延函數(shù)量化導(dǎo)致的幾百赫茲間隔的諧波譜，會(huì)被寬帶信號的譜寬覆蓋掉，因此時(shí)延函數(shù)量化對頻譜的影響也可以忽略，則RGS-VGS經(jīng)DRFM相位量化后的輸出可表示為：

其中N=2M，M為量化位數(shù)。

令：

則

3 干擾識別

要對抗欺騙干擾信號的前提是雷達(dá)能夠正確識別干擾信號。文獻(xiàn)[8]中假設(shè)檢測模型為：

本文中假設(shè)檢測模型為：

圖2：回波中有目標(biāo)信號和干擾，沒有轉(zhuǎn)發(fā)時(shí)延

圖3：回波中有目標(biāo)信號和干擾，25ns轉(zhuǎn)發(fā)時(shí)延

其中s為目標(biāo)回波信號，sj為RGS-VGS干擾信號。本文以JSEA為特征，采用神經(jīng)網(wǎng)絡(luò)分類器對H1，H2進(jìn)行識別分類。

神經(jīng)網(wǎng)絡(luò)是經(jīng)過訓(xùn)練可以有效地提取感知模式的特征，并能解決現(xiàn)有啟發(fā)式模式識別系統(tǒng)不能很好解決的問題，是一種具有學(xué)習(xí)能力的分類識別算法。而BP神經(jīng)網(wǎng)絡(luò)是其中一種用于解決非線性問題的多層神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括兩個(gè)階段，首先通過設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和門限值，從網(wǎng)絡(luò)的第一層向后計(jì)算各神經(jīng)元的輸出，其次是根據(jù)各權(quán)限值和門限值對總誤差的影響，從最后一層向前修改各權(quán)值和門限值。將JSEA作為分類器的輸入特征，Hi,i=1,2作為網(wǎng)絡(luò)的輸出類型。

4 仿真實(shí)驗(yàn)

仿真實(shí)驗(yàn)如下：根據(jù)目前典型欺騙干擾機(jī)結(jié)構(gòu)，可設(shè)DRFM量化位數(shù)M=2,3,4，DRFM中頻FI=10MHz，采樣頻率Fs=1.024/2GHz，目標(biāo)多普勒頻率fd=4KHz。噪聲n(t)是服從分布的零均值復(fù)高斯白噪聲。雷達(dá)發(fā)射信號為線性調(diào)頻信號，帶寬B=10MHz，脈寬τ=1us，拖引率α=1us。定義信噪比為干噪比為j(t)為干擾信號。實(shí)驗(yàn)中設(shè)SNR=JNR。根據(jù)式（9）的模型，不考慮高斯噪聲中的信號檢測問題，即只對H1，H2兩種假設(shè)進(jìn)行識別。

令假設(shè)Hi概率 ，以下為仿真結(jié)果。SNR在-10dB到25dB范圍內(nèi)，每個(gè)SNR下做200次Monte Carlo實(shí)驗(yàn)得到基于神經(jīng)網(wǎng)絡(luò)的正確識別率。圖1與圖2給出的分別是回波中只有干擾信號和回波中同時(shí)存在目標(biāo)信號和干擾信號的兩種情況下的檢測曲線。從圖1中可以看出，隨著量化位數(shù)的增加，系統(tǒng)的識別性能在明顯下降。

當(dāng)M=2時(shí)，要達(dá)到90%的識別概率，SNR在0dB左右。而當(dāng)M=4時(shí)，要達(dá)到同樣的識別率，SNR需增大到15dB左右。因此，在DRFM量化位數(shù)較低時(shí)，基于JESA的識別算法有較好的效果。24中沒有考慮干擾機(jī)轉(zhuǎn)發(fā)時(shí)延，從圖中可以看出在回波中同時(shí)存在目標(biāo)信號和干擾信號時(shí)，檢測性能會(huì)相對下降。圖3為考慮了25ns干擾機(jī)轉(zhuǎn)發(fā)時(shí)延的性能曲線，在DRFM量化位數(shù)較大時(shí)，其識別性能改善明顯。

5 結(jié)論

本文以寬帶LFM信號為干擾模型，推導(dǎo)了RGS-VGS干擾信號的頻譜。分析表明，DRFM量化特性導(dǎo)致干擾信號出現(xiàn)假譜，并且假譜的譜寬變大，調(diào)頻率增加。利用干擾頻譜的變化，提取出具有較強(qiáng)分類能力的JSEA作為分類的特征參數(shù)。仿真實(shí)驗(yàn)表明，在較低的DRFM量化位數(shù)條件下，對于寬帶有源欺騙干擾，該方法在較低的SNR時(shí)仍有較好的檢測性能。同時(shí)可以看出，干擾機(jī)的轉(zhuǎn)發(fā)時(shí)延對檢測性能有很大的影響。隨著拖引距離的增加，欺騙干擾的拖引時(shí)間也在增加，因此，下一步工作可以深入研究干擾信號的脈間特性對該算法檢測性能的影響。