張忠民,王雨鑫
哈爾濱工程大學(xué) 信息與通信工程學(xué)院,黑龍江 哈爾濱 150001
沒(méi)有干擾不了的雷達(dá),也沒(méi)有抵抗不了的干擾[1]。這說(shuō)明干擾和抗干擾是協(xié)同發(fā)展的關(guān)系,隨著DRFM 技術(shù)的日益完善,這種新型雷達(dá)有源干擾呈現(xiàn)出靈活多變和脈壓增益大的特點(diǎn),對(duì)于主動(dòng)雷達(dá)系統(tǒng),回波信號(hào)伴隨著敵軍的有意干擾信號(hào),它們一方面具有欺騙目標(biāo)的干擾作用,另一方面具有壓制目標(biāo)信號(hào)的干擾作用,為雷達(dá)的追蹤和檢測(cè)帶來(lái)了巨大的挑戰(zhàn)。干擾對(duì)抗中最關(guān)鍵的一步就是干擾識(shí)別。文獻(xiàn)[2]提出了一種提取信號(hào)頻譜稀疏性的方法,用以識(shí)別出間歇采樣轉(zhuǎn)發(fā)干擾。文獻(xiàn)[3] 采用半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)(secure steganography based on generative adversarial networks,SSGAN)和改進(jìn)模型圖卷積?半監(jiān)督對(duì)抗生成神經(jīng)網(wǎng)絡(luò)(graph CNN-secure steganography based on generative adversarial networks,GCSSGAN)實(shí)現(xiàn)了干擾樣本的半監(jiān)督學(xué)習(xí),在分析了9 種典型的有源干擾的前提下進(jìn)行特征提取,使用合適的識(shí)別器和識(shí)別網(wǎng)絡(luò)進(jìn)行識(shí)別。文獻(xiàn)[4]提出了一種寬帶雷達(dá)非常規(guī)有源干擾識(shí)別方法。大量文獻(xiàn)表明,干擾識(shí)別方法已成為抗干擾技術(shù)中的熱點(diǎn)話題,為后續(xù)的抑制干擾做鋪墊。
1.1.1 噪聲卷積靈巧干擾
噪聲卷積干擾定義為[5]
式中:n(t)為 白噪聲,s(t) 為 線性調(diào)頻信號(hào),j1(t)為噪聲卷積靈巧干擾。
噪聲卷積干擾通過(guò)雷達(dá)匹配濾波之后的輸出為
式中h(t)為雷達(dá)匹配濾波器的單位沖激響應(yīng)。
同時(shí)噪聲卷積干擾信號(hào)的頻譜為
式中:ω為模擬角頻率,F(xiàn)為傅里葉變換,S(ω)為雷達(dá)信號(hào)的頻譜,N(ω)為調(diào)制噪聲的頻譜。
由上述可知,噪聲卷積干擾就是噪聲信號(hào)與截獲信號(hào)相乘積,而這相當(dāng)于頻域的乘積運(yùn)算,這使得干擾的頻譜無(wú)需引導(dǎo)就對(duì)準(zhǔn)目標(biāo)頻譜。
1.1.2 噪聲乘積靈巧干擾
噪聲乘積干擾可以定義為[6]
噪聲乘積干擾信號(hào)的頻譜為
由式(1)可知,噪聲乘積干擾是由噪聲與截取信號(hào)相乘積而產(chǎn)生,這就相當(dāng)于頻域相卷積,表現(xiàn)為頻譜的多普勒頻移,以達(dá)到干擾的目的。
1.2.1 間歇采樣直接轉(zhuǎn)發(fā)干擾
間歇采樣直接轉(zhuǎn)發(fā)的基本原理是[7]基于DRFM 的干擾機(jī)接收端截獲到雷達(dá)回波信號(hào)后,在脈沖信號(hào)內(nèi),先根據(jù)采樣時(shí)長(zhǎng)截取其中一小段信號(hào)做高保真采樣,在采樣間歇時(shí),把采樣信號(hào)處理轉(zhuǎn)發(fā),然后進(jìn)入下一個(gè)循環(huán):采樣,轉(zhuǎn)發(fā)。工作方式如圖1 所示。
圖1 間歇采樣直接轉(zhuǎn)發(fā)工作原理
1.2.2 間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾
間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾的產(chǎn)生原理[8]是基于DRFM 的干擾機(jī)接收端截獲到雷達(dá)回波信號(hào)后,在脈沖信號(hào)內(nèi),先根據(jù)采樣時(shí)長(zhǎng)截取其中一小段信號(hào)做高保真采樣,在采樣間歇時(shí),對(duì)切片信號(hào)進(jìn)行規(guī)定次數(shù)的不間斷重復(fù)轉(zhuǎn)發(fā),然后進(jìn)入下一個(gè)循環(huán):采樣,重復(fù)轉(zhuǎn)發(fā)。工作原理如圖2 所示。一般情況,循環(huán)中的重復(fù)轉(zhuǎn)發(fā)次數(shù)相同。
圖2 間歇采樣重復(fù)轉(zhuǎn)發(fā)工作原理
1.2.3 間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾
間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾的產(chǎn)生原理[9]是基于DRFM 的干擾機(jī)接收端截獲到雷達(dá)回波信號(hào)后,在脈沖信號(hào)內(nèi),根據(jù)采樣參數(shù)對(duì)截獲信號(hào)進(jìn)行截取,在采樣間歇時(shí),對(duì)切片信號(hào)進(jìn)行轉(zhuǎn)發(fā),轉(zhuǎn)發(fā)規(guī)則為對(duì)于每一個(gè)截取的切片在本循環(huán)立刻轉(zhuǎn)發(fā)之外,在下第n次 循環(huán)會(huì)在循環(huán)開(kāi)始后的第n倍的切片長(zhǎng)度時(shí)刻轉(zhuǎn)發(fā),每個(gè)切片都按照這個(gè)規(guī)則轉(zhuǎn)發(fā),直到信號(hào)接收結(jié)束。間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾的產(chǎn)生原理示于圖3。一般情況,每個(gè)循環(huán)周期時(shí)長(zhǎng)相同。
圖3 間歇采樣循環(huán)轉(zhuǎn)發(fā)工作原理
為了能夠在低信噪比下分離出具有“沖擊”特性的干擾分量,引入了一個(gè)概念?峭度[10]。峭度系數(shù)K可以定量表征出峭度特性,作為一個(gè)無(wú)量綱參數(shù),其可以定義為
式中:σ為標(biāo)準(zhǔn)差,μ為均值,x為信號(hào)。
由式(2)可知,峭度值越大,則所求信號(hào)的觀測(cè)值浮動(dòng)就越大。由此可以得到結(jié)論:在低信噪下,信號(hào)的SSD 分量的K值越大,則此分解分量的干擾信息就越豐富,干擾類型的特性就越明顯,因此峭度系數(shù)可作為最佳參數(shù)選擇的依據(jù)。
SSD 是現(xiàn)代信號(hào)處理的一種新方法,它能夠解決非線性和非平穩(wěn)時(shí)間序列信號(hào)的自適應(yīng)分解問(wèn)題,分解成若干成分,這些成分就稱之為奇異譜分量(singular spectrum component,SSC),SSD算法是基于迭代算法把成分從高頻向低頻排列。
SSD 算法需要選取分解個(gè)數(shù)和最優(yōu)分量。以往需要人為的經(jīng)驗(yàn)選取,不僅效率低下而且選取的參數(shù)可能也不是最優(yōu)解[11]。為此,本文提出了一種基于峭度準(zhǔn)則的自適應(yīng)參數(shù)選擇的方法,用以同時(shí)解決奇異譜分解算法中分解個(gè)數(shù)設(shè)置和最優(yōu)分量選取的問(wèn)題。奇異譜分解算法的自適應(yīng)參數(shù)選擇的流程如圖4 所示。
圖4 自適應(yīng)SSD 參數(shù)選擇流程
具體步驟如下:
1)預(yù)設(shè)一個(gè)最大分解個(gè)數(shù)N,N值一般可設(shè)為6 或者8,本文中取N=8。然后初始化奇異譜分解算法的各個(gè)參數(shù),設(shè)定M=1。
2)利用奇異譜分解算法對(duì)信號(hào)進(jìn)行處理,得到M個(gè)分量,對(duì)這M個(gè)分量分別求峭度系數(shù),并儲(chǔ)存。
3)令M=M+1,重復(fù)步驟1)、2),直到M=N,循環(huán)結(jié)束。
4)將儲(chǔ)存的峭度系數(shù)進(jìn)行比較,可以先把每個(gè)分解個(gè)數(shù)的第1 個(gè)分量取出作比較得到,選取最佳分解個(gè)數(shù),然后把該最佳分解個(gè)數(shù)的所有分解分量進(jìn)行比較得到最佳分解分量。其依據(jù)就是K值大小,K值越大代表該分量的干擾特征明顯,干擾信息豐富,更有特征提取的價(jià)值。
在此,以間歇采樣直接轉(zhuǎn)發(fā)干擾為例,設(shè)定了分解個(gè)數(shù)為2、6、8 時(shí),把混合信號(hào)進(jìn)行奇異值分解,其結(jié)果如圖5~7 所示。從3 個(gè)圖可以看出,隨著分解個(gè)數(shù)的增加,混合信號(hào)被分解的更加細(xì)致。
圖5 分量個(gè)數(shù)為2 時(shí)SSD 分解結(jié)果
圖6 分量個(gè)數(shù)為6 時(shí)SSD 分解結(jié)果
圖7 分量個(gè)數(shù)為8 時(shí)SSD 分解結(jié)果
本文通過(guò)上述方法,得到最優(yōu)選取分量個(gè)數(shù)為8。在選擇完最佳分量個(gè)數(shù)后,分別得到了每個(gè)分解分量的峭度值如表1 所示。從表中我們可以看出,第1 個(gè)成分的峭度值最高,因此,本文選擇第1 個(gè)分解成分作為主要分析成分。
表1 分量個(gè)數(shù)為8 時(shí)各分量的峭度系數(shù)
對(duì)于一個(gè)非高斯的隨機(jī)平穩(wěn)信號(hào)x(t),其三階累積量為[12]
定義三階累積量一維的對(duì)角切片為
定義三界累積量對(duì)角切片的傅里葉變換為x(t)的1.5 維譜[13]
時(shí)變1.5 維譜是高階累積量,具有抑制高斯噪聲和對(duì)稱分布噪聲的能力;且其計(jì)算量在高階譜中最小,與功率譜相近;可增強(qiáng)諧波信號(hào)中的基頻分量;可消除二次相位耦合時(shí)的諧波分量;能準(zhǔn)確地提取出干擾的特征。
鑒于上面所述,論述了奇異值分解和1.5 維譜的優(yōu)勢(shì),SSD 算法先對(duì)低信噪比下的信號(hào)進(jìn)行處理,提高信噪比,把分解分量進(jìn)行1.5 維譜計(jì)算,提高信噪比的同時(shí),把干擾的特征提取出來(lái)以做識(shí)別。本文結(jié)合了兩者的優(yōu)勢(shì)提出了基于SSD算法和1.5 維譜的自適應(yīng)性雷達(dá)新型干擾識(shí)別方法,具體的方法流程如圖8 所示。
圖8 算法流程
1)自適應(yīng)SSD 參數(shù)選擇。混合信號(hào)送入?yún)?shù)評(píng)價(jià)系統(tǒng),首先先設(shè)定最大分解個(gè)數(shù),這里設(shè)置最大分解個(gè)數(shù)為8,依據(jù)圖4 所示流程,通過(guò)基于峭度準(zhǔn)則的評(píng)價(jià)體系,不斷迭代選取最優(yōu)的奇異值分解個(gè)數(shù)。
2)主分析成分的選取。已知步驟1) 中選取的最優(yōu)分解個(gè)數(shù),把混合信號(hào)通過(guò)SSD 算法分解,再根據(jù)每個(gè)分解分量的K值,選取最優(yōu)分解分量,把這個(gè)分解分量作為主分析成分。
3)主分析成分的特征提取。我們對(duì)主分析成分進(jìn)行包絡(luò)解調(diào),對(duì)主分析成分的包絡(luò)求取1.5 維譜估計(jì)。
4)把1.5 維譜估計(jì)的結(jié)果送入SVM 中,進(jìn)行識(shí)別,獲得識(shí)別結(jié)果。
對(duì)間歇采樣直接轉(zhuǎn)發(fā)干擾,間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾,間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾,噪聲卷積干擾,噪聲乘積干擾分別與雷達(dá)回波信號(hào)混合,實(shí)驗(yàn)參數(shù)為信號(hào)采樣率為50 MHz,雷達(dá)回波信號(hào)的脈寬為100 μs,帶寬B為5 MHz。所有干擾的干信比設(shè)為20 dB。間歇采樣直接轉(zhuǎn)發(fā)干擾信號(hào)的仿真參數(shù)為:采樣間隔為10 μs,采樣占空比為50%。間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾信號(hào)的仿真參數(shù)為:采樣間隔為25 μs,采樣占空比為20%。間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾信號(hào)的仿真參數(shù)為:采樣間隔為25 μs,采樣占空比為20%。噪聲卷積干擾信號(hào)的仿真參數(shù)為:調(diào)制噪聲采用帶限高斯白噪聲,噪聲帶寬15 MHz,噪聲長(zhǎng)度100 μs。噪聲乘積干擾信號(hào)的仿真參數(shù)為:調(diào)制噪聲采用帶限高斯白噪聲,噪聲帶寬1 MHz,噪聲長(zhǎng)度100 μs。
本實(shí)驗(yàn)先分別對(duì)信噪比為5 dB 和0 dB 的混合信號(hào)送入搭建的系統(tǒng),得到歸一化1.5 維譜估計(jì),每種信號(hào)類型仿真了400 次,結(jié)果如圖9、10 所示。
圖9 信噪比為5 dB 時(shí)的1.5 維譜
圖10 信噪比為0 dB 時(shí)的1.5 維譜
從圖9、10 可以看出本文提出方法的優(yōu)越性。由結(jié)果橫向?qū)Ρ龋梢钥闯? 種干擾和回波的1.5 維譜中峰的個(gè)數(shù)、峰面積、開(kāi)始以及結(jié)束的圖譜走勢(shì)等不盡相同。對(duì)結(jié)果縱向?qū)Ρ龋梢钥闯? dB 和5 dB 兩種信噪比下的5 種新型干擾和雷達(dá)回波的1.5 維譜基本相同,說(shuō)明這種特征穩(wěn)定。
根據(jù)流程把5 種干擾和回波的混合信號(hào)送入搭建的系統(tǒng),設(shè)定實(shí)驗(yàn)中的信噪比范圍為?5~5 dB,以步長(zhǎng)為2 dB 進(jìn)行實(shí)驗(yàn),每次實(shí)驗(yàn)進(jìn)行400 次蒙特卡洛仿真,選取280 個(gè)特征樣本作為支持向量機(jī)的訓(xùn)練集,選取另外的120 個(gè)特征樣本作為支持向量機(jī)的測(cè)試集,送入SVM 中進(jìn)行訓(xùn)練學(xué)習(xí)并識(shí)別,其識(shí)別結(jié)果與文獻(xiàn)[14]的對(duì)比結(jié)果如圖11所示,每種信號(hào)的各自識(shí)別率如表2 所示,6 種信號(hào)在信噪比為?5 dB 下的混淆矩陣如圖12 所示。
圖11 本文方法和文獻(xiàn)[14]的識(shí)別方法對(duì)比
表2 不同信噪比下的識(shí)別率
圖12 信噪比為?5 dB 時(shí)的混淆矩陣
從表2、圖11 和圖12 可以看出,在低信噪比下,本文提出的方法也具有很高的識(shí)別率,在信噪比高于?5 dB 時(shí),平均識(shí)別率高于95%,不僅可以識(shí)別出回波是否被干擾,而且還可以識(shí)別出干擾類型。與文獻(xiàn)[14]中的方法相比,使用文獻(xiàn)中的方法,信噪比在?2 dB 以上、識(shí)別率在90%以上;信噪比在?4 dB 時(shí),識(shí)別率接近80%。
本文首先對(duì)干擾進(jìn)行了仿真,依據(jù)干擾機(jī)理,分析提取目標(biāo)在最佳SSD 分解個(gè)數(shù)下的最佳分解分量的1.5 維譜特征,所提特征因子在譜上體現(xiàn)了目標(biāo)和干擾的差異。在上述特征提取的基礎(chǔ)上,利用支持向量機(jī)分類器進(jìn)行目標(biāo)和干擾分類的識(shí)別,最終實(shí)現(xiàn)抗干擾的目的。作為一種新的處理非平穩(wěn)非線性信號(hào)的自適應(yīng)信號(hào)處理方法,SSD 在抑制偽分量的產(chǎn)生和模態(tài)混疊方面具有優(yōu)勢(shì),且表現(xiàn)出更好的魯棒性。因此,將SSD 應(yīng)用于低信噪比下精確分離富含干擾信息特征的信號(hào)分量,提高原始信號(hào)的信噪比;并將1.5 維譜作為后續(xù)分析,進(jìn)一步抑制信號(hào)分量中的無(wú)關(guān)噪聲干擾。