CN101533091A - 空时二维阻塞窄带干扰方法 - Google Patents

Abstract

本发明公开了一种针对相控阵雷达的空时二维阻塞窄带干扰方法。常规的相控阵雷达通过自适应来抑制窄带干扰，先通过学习雷达接收机收到的干扰数据，然后在干扰方向形成零点。这种常规的自适应处理方法很容易产生信号相消、零点深度和宽度受阵列误差影响很严重，且不适应运动干扰或快变的间隙式干扰。采用超低副瓣天线是一条最有效的抗干扰的方法，但在当前技术和工艺水平下，对相控阵天线提出过高的副瓣要求是不切实际的。本发明首先通过空间谱估计技术来实现干扰参数的估计，从而得到干扰的方位和频率参数，然后利用相关的参数信息来构造空时二维阻塞矩阵，再通过空时二维阻塞矩阵和接收数据相乘，从而阻塞特定方位和特定频率的窄带干扰，实现空时二维抗窄带干扰。本发明的优点在于可用于相控阵雷达抗特定的旁瓣干扰和主瓣干扰，且具有运算量小，便于实现和推广等特点。

Description

空时二维阻塞窄带干扰方法

技术领域

本发明涉及信号处理领域中的一种相控阵雷达自适应抑制窄带干扰方法，适用于相控阵雷达的信号处理系统，如基于外辐射源的无源阵列雷达信号处理系统、天波超视距雷达信号处理系统和机载相控阵雷达信号处理系统等。

背景技术

目前，在与敌方雷达对抗过程中面临最多的是压制性干扰，干扰形式通常是窄带噪声干扰。但一些工作在低频段的雷达，如基于外辐射源的无源阵列雷达、天波超视距雷达等，在平时的雷达工作和训练过程中面临最多的是广播电台、通信电台等友邻单位施放的窄带干扰。这种干扰是比较容易抑制的，通常采用常规的跳频或者自适应处理方法进行抑制。

当在工作频段附近存在没有干扰的工作频点时，就可以采用跳频的方法进行抗干扰，但对于天波超视距雷达系统，几乎不存在这种情况。所以，此时只能跳频到干扰相对较小的工作频点，再采用常规的自适应处理方法进行窄带干扰的抑制。

但常规的自适应处理方法对付窄带干扰时存在如下三个缺点：一是只能对付旁瓣干扰，当此时有干扰从主瓣进来时，此时采用自适应抗干扰就会导致主瓣方向形成零点，从而造成信号相消现象；二是当窄带干扰源快速运动或者间隙变化时，由于此时自适应算法学习不到真实的干扰，所以会导致算法抗干扰性能严重恶化；三是自适应干扰相消需要学习干扰数据，通常采用的方法是在雷达休止期进行学习，但有些大型相控阵雷达不存在休止期，所以此时学习就很容易学习到目标，从而导致目标的相消。

采用超低副瓣天线来降低雷达对位于天线主瓣以外信号的敏感性是一条最有效的抗窄带干扰的方法，但是必须认识到天线副瓣的降低是以制造成本的提高，主瓣的展宽为代价的。在当前技术和工艺水平下，对天线提出过高的副瓣要求是不切实际的，特别是大型相控阵天线，目前还无法做到超低副瓣。在许多情况下，采用代价较低的信号处理方式是一种比较可行的方法，所以用自适应抑制技术对付这种广播电台、通信电台等的干扰是值得重视的。

发明内容

本发明的目的正是针对上述背景技术中的不足之处提出的。本发明通过空间谱估计技术来实现干扰参数的估计，从而得到干扰的方位和频率参数，然后利用相关的参数信息来构造空时二维阻塞矩阵，再通过空时二维阻塞矩阵和接收数据相乘，从而阻塞特定方位和特定频率的窄带干扰，实现空时二维抗窄带干扰。由于阻塞矩阵的形成只和方位和频率参数相关，所以形成阻塞的零点和实际的学习数据无关，这样就可以避免信号相消的情况，而且可以适应干扰的快速运动和间隙变化。另外，由于阻塞矩阵只需要两个参数，计算方便、快捷，对消过程只需将阻塞矩阵和阵列接收数据相乘即可，从而实现对广播电台或通信电台的干扰抑制。本发明的优点在于可用于相控阵雷达，且具有运算量小，便于实现和推广等特点。

为了实现上述发明目的，本发明提供了一种相控阵雷达空时二维阻塞窄带干扰方法，包括如下技术步骤：

(1)利用相控阵雷达固有的数字接收机将所有阵元数据进行接收，并将其送入信号处理系统；

(2)对阵列的接收数据进行自适应均衡处理，均衡后数据X的维数为MK×L，M为阵元数，K为脉冲数，L为每个脉冲的距离门数；

(3)抽取各个阵元通道均衡后的数据形成相控阵雷达的数据协方差矩阵，计算公式如下

$R_1=\frac{X_1{X}_1^H}{L_1}$

其中，X₁为相控阵各阵元接收到的数据矩阵，其维数为MK×L₁，L₁为用于计算的快拍数，得到的协方差矩阵R₁的维数为MK×MK；

(4)利用波达方向估计方法实现对干扰源角度和频率的估计，首先对数据协方差矩阵进行特征分解

R₁＝UΛU^H

其中Λ＝diag[λ₁，λ₂，…，λ_MK]为特征值组成的对角方阵，U＝[e₁，e₂，…，e_MK]为由特征向量组成的特征矩阵，这里的特征值从大到小排列，即λ₁>λ₂>…>λ_N>λ_N+1>…>λ_MK，采用AIC或MDL方法利用特征值判断出大特征值数，假设干扰源数为N，则特征值满足

λ₁>λ₂>…>λ_N>>λ_N+1>…>λ_MK

判断出干扰源数之后，则将特征矩阵分成两部分，即由大特征值对应的特征矢量组成的干扰子空间E_S＝[e₁，e₂，…，e_N]和由小特征矢量组成的噪声子空间E_N＝[e_N+1，e_N+2，…，e_MK]。利用MUSIC方法实现对干扰源的参数估计，估计公式如下

$P(\mathrm{\θ},f)=\frac{1}{a^H(\mathrm{\θ},f)E_N{E}_N^{H}a(\mathrm{\θ},f)}$

其中a(θ，f)为空时二维的导向矢量

$a(\mathrm{\θ},f)=a_t\left(f\right)\⊗a_s\left(\mathrm{\θ}\right)$

时域导向矢量为

a_l(f)＝[1，e^-j2πfτ，…，e^{-j(K-1)2πfτ}]^T

空域导向矢量为

$a_s\left(\mathrm{\θ}\right)={[1,\exp (-j\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0}),\·\·\·,\exp (-j(M-1)\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0})]}^T$

上式中f₀为载频，λ₀为发射波波长，τ为时延间隔。

利用P(θ，f)就可以实现干扰角度的估计θ_p和频率参数估计f_p，p＝1，2，…，N，角度和频率估计的方法采用搜索法或多项式求根。

(5)利用角度估计参数θ_p和频率参数估计f_p，p＝1，2，…，N，来构造如下的阻塞矩阵

$T=\underset{p=1}{\overset{N}{\mathrm{\Π}}}{T}_p$

上式中

其中b_p＝exp{j2πf_p(τ+d sinθ_p/f₀λ₀)}，f_p，θ_p为第p信号源的频率和方位，N为干扰源数，I₁为单位矩阵，I₂为次对角线单位矩阵

注意，阻塞矩阵T_p的维数为(K-p)(M-p)×(K-p+1)(M-p+1)，其中K为脉冲数，M为阵元数。

(6)利用信号相消的原理对阵列接收数据进行干扰抑制，干扰抑制公式如下：

Y(t)＝TX(t)

其中，X为阵列的所有阵元接收数据，Y为阻塞干扰之后的输出数据矢量，此时的输出数据中已经抑制了空间的窄带干扰。

其中，步骤(4)中的波达方向估计还可以采用最小模算法(MNM)、最小方差法(MVM)、最小熵算法(MEM)、最大似然(ML)算法、加权子空间拟合(WSF)算法、旋转不变子空间(ESPRIT)算法等。

本发明的优点在于：

(1)本发明相比常规无源阵列干扰抑制方法，不增加天线接收设备(这一设备在雷达系统中是最昂贵的)，只是对系统中信号处理部分进行相关改造，所以设备简单，系统升级方便，成本低廉。

(2)本发明采用先估计干扰参数再进行阻塞干扰的方法，这样就可以充分利用干扰的参数信息来重构阻塞矩阵，这样就可以解决自适应阵列中的数据学习问题，可以避免出现信号相消的现象，所以算法的性能更加稳定。

(3)由于阻塞矩阵是根据估计参数重构的，所以可以适应干扰的运动或者间隙式变化，所以算法的鲁棒性更强。

(4)由于阻塞矩阵采用的是空时二维结构，这种结构可以产生一个空时二维零点，所以这种空时二维的阻塞不仅可以抑制旁瓣干扰，也可以抑制主瓣内的窄带干扰，因此，方法的干扰抑制能力更强。

附图说明

图1是本发明的实施例的结构方框图。

参照图1，本发明的实施例由阵列数字接收机1，自适应均衡2，数据抽取3，波达方向估计4，重构阻塞矩阵5和干扰对消6组成。其中实施例中阵列数字接收机将空间接收到的信号、干扰及噪声等信息接收并存贮到信号处理系统中，自适应均衡2实现阵列数字通道的均衡，数据抽取3则从均衡后的数据中抽取部分数据形成数据协方差矩阵，并送入波达方向估计4，波达方向估计4采用MUSIC算法进行干扰源的方向、频率和干扰源数估计，并将估计参数送到重构阻塞矩阵5，重构阻塞矩阵5根据方向参数、频率参数及干扰源数来重构阻塞矩阵，并将之送入到干扰对消6，在干扰对消6中阻塞矩阵结合均衡后的数据进行干扰对消，这样就可以实现窄带干扰的抑制，对消后的结果就可以送出。

具体实施方式

实施本发明的原理如下：首先利用阵列接收数据进行干扰源的数目及参数估计，然后利用这些信息形成阻塞矩阵，最后通过阻塞矩阵实现对接收数据的窄带干扰的对消。

假设相控阵雷达有M个阵元，N个干扰，实施例中为M＝16，K＝16，N＝2个，干扰的角度分别为θ_J1，θ_J2。下面结合附图和实施例说明该发明的详细步骤：

(1)由阵列数字接收机1将接收到的M个阵元通道的K个脉冲数据存储到系统中，这一部分对存储器的大小、采样精度要求与原系统相同。

(2)由自适应均衡2对阵列接收的数据进行自适应均衡，均衡后数据为X，其维数为MK×L，M为阵元数，K为脉冲数，L为每个脉冲的距离门数，通过自适应均衡后，就可以实现阵列的通道不一致校正，这里采用的是常规自适应均衡技术——即32级的FIR滤波器。

(3)由数据抽取单元3从均衡后的数据X中将需要的数据进行抽取，并形成相控阵雷达的数据协方差矩阵，计算公式如下

$R_1=\frac{X_1{X}_1^H}{L_1}$

其中，X₁为相控阵各阵元接收到数据矩阵，其维数为MK×L₁，L₁为用于计算的快拍数，得到的协方差矩阵R₁的维数为MK×MK，实施例中是256维；

(4)波达方向估计4利用数据抽取3送来的数据协方差矩阵进行特征分解

R₁＝UAU^H

其中Λ＝diag[λ₁，λ₂，…，λ_MK]为特征值组成的对角方阵，U＝[e₁，e₂，…，e_MK]为由特征向量组成的特征矩阵，这里的特征值从大到小排列，即λ₁>λ₂>…>λ_N>λ_N+1>…>λ_MK，采用AIC或MDL方法利用特征值判断出大特征值数，假设干扰源数为N，则特征值满足

λ₁>λ₂>…>λ_N>>λ_N+1>…>λ_MK

判断出干扰源数之后，则将特征矩阵分成两部分，即由大特征值对应的特征矢量组成的干扰子空间E_S＝[e₁，e₂，…，e_N]和由小特征矢量组成的噪声子空间E_N＝[e_N+1，e_N+2，…，e_MK]。利用MUSIC方法实现对干扰源的参数估计，估计公式如下

$P(\mathrm{\θ},f)=\frac{1}{a^H(\mathrm{\θ},f)E_N{E}_N^{H}a(\mathrm{\θ},f)}$

其中a(θ，f)为空时二维的导向矢量

$a(\mathrm{\θ},f)=a_t\left(f\right)\⊗a_s\left(\mathrm{\θ}\right)$

时域导向矢量为

a_t(f)＝[1，e^-j2πfτ，…，e^{-j(K-1)2πfτ}]^T

空域导向矢量为

$a_s\left(\mathrm{\θ}\right)={[1,\exp (-j\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0}),\·\·\·,\exp (-j(M-1)\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0})]}^T$

上式中f₀为载频，λ₀为发射波波长，τ为时延间隔。

利用P(θ，f)就可以实现干扰角度的估计θ_p和频率参数估计f_p，p＝1，2，…，N，角度和频率估计的方法采用搜索法或多项式求根。实施例中为2个干扰，假设估计出来的角度为θ_J1和θ_J2，频率分别为f₁和f₂，则需要将这些参数送入重构阻塞矩阵5。

(5)重构阻塞矩阵5利用波达方向估计4送来的角度、频率及干扰源数信息重构阻塞矩阵，重构的公式如下

$T=\underset{p=1}{\overset{N}{\mathrm{\Π}}}{T}_p$

上式中

其中b_p＝exp{j2πf_p(τ+d sinθ_p/f₀λ₀)}，f_p，θ_p为第p信号源的频率和方位，N为干扰源数，I₁为单位矩阵，I₂为次对角线单位矩阵

注意，阻塞矩阵T_p的维数为(K-p)(M-p)×(K-p+1)(M-p+1)，其中K为脉冲数，M为阵元数。

实施例中T₁和T₂分别为(K-1)(M-1)×MK维矩阵和(K-2)(M-2)×(M-1)(K-1)维矩阵，它们具体公式如下

式中b₁＝exp{j2πf₁(τ+d sinθ₁/f₀λ₀)}，b₂＝exp{j2πf₂(τ+d sinθ₂/f₀λ₀)}。则实施例中最后得到的阻塞矩阵为

T＝T₂T₁

(6)利用重构阻塞矩阵5送来的阻塞矩阵对自适应均衡2送来的存贮数据进行干扰对消6，干扰抑制公式如下：

Y(t)＝TX(t)

其中，X为阵列的所有阵元接收数据，Y为阻塞干扰之后的输出数据矢量，此时的输出数据中已经抑制了空间的窄带干扰。

波达方向估计还可采用最小模算法(MNM)、最小方差法(MVM)、最小熵算法(MEM)、最大似然(ML)算法、加权子空间拟合(WSF)算法、旋转不变子空间(ESPRIT)算法等。

虽然结合附图描述了本发明的实施方式，但是本领域普通技术人员可以在所附权利要求的范围内作出各种变形或修改。

Claims (2)

1.一种空时二维阻塞窄带干扰方法，包括如下技术步骤：

(1)利用相控阵雷达固有的数字接收机将所有阵元数据进行接收，并将其送入信号处理系统；

(2)对阵列的接收数据进行自适应均衡处理，均衡后数据X的维数为MK×L，M为阵元数，K为脉冲数，L为每个脉冲的距离门数；

(3)抽取各个阵元通道均衡后的数据形成相控阵雷达的数据协方差矩阵，计算公式如下

$R_1=\frac{X_1{X}_1^H}{L_1}$

其中，X₁为相控阵各阵元接收到的数据矩阵，其维数为MK×L₁，L₁为用于计算的快拍数，得到的协方差矩阵R₁的维数为MK×MK；

(4)利用波达方向估计方法实现对干扰源角度和频率的估计，首先对数据协方差矩阵进行特征分解

R₁＝UΛU^H

其中Λ＝diag[λ₁，λ₂，…，λ_MK]为特征值组成的对角方阵，U＝[e₁，e₂，…，e_MK]为由特征向量组成的特征矩阵，这里的特征值从大到小排列，即λ₁>λ₂>…>λ_N>λ_N+1>…>λ_MK，采用AIC或MDL方法利用特征值判断出大特征值数，假设干扰源数为N，则特征值满足

λ₁>λ₂>…>λ_N>>λ_N+1>…>λ_MK

判断出干扰源数之后，则将特征矩阵分成两部分，即由大特征值对应的特征矢量组成的干扰子空间E_S＝[e₁，e₂，…，e_N]和由小特征矢量组成的噪声子空间E_N＝[e_N+1，e_N+2，…，e_MK]。利用MUSIC方法实现对干扰源的参数估计，估计公式如下

$P(\mathrm{\θ},f)=\frac{1}{a^H(\mathrm{\θ},f)E_N{E}_N^{H}a(\mathrm{\θ},f)}$

其中a(θ，f)为空时二维的导向矢量

$a(\mathrm{\θ},f)=a_t\left(f\right)\⊗a_s\left(\mathrm{\θ}\right)$

时域导向矢量为

a_t(f)＝[1，e^-j2πfτ，…，e^{-j(K-1)2πfτ}]^T

空域导向矢量为

$a_s\left(\mathrm{\θ}\right)={[1,\exp (-j\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0}),\·\·\·,\exp (-j(M-1)\frac{2\mathrm{\π}\mathrm{fd}\sin \mathrm{\θ}}{f_0{\mathrm{\λ}}_0})]}^T$

上式中f₀为载频，λ₀为发射波波长，τ为时延间隔。

利用P(θ，f)就可以实现干扰角度的估计θ_p和频率参数估计f_p，p＝1，2，…，N，角度和频率估计的方法采用搜索法或多项式求根。

(5)利用角度估计参数θ_p和频率参数估计f_p，p＝1，2，…，N，来构造如下的阻塞矩阵

$T=\underset{p=1}{\overset{N}{\mathrm{\Π}}}{T}_p$

上式中

其中b_p＝exp{j2πf_p(τ+d sin θ_p/f₀λ₀)}，f_p，θ_p为第p信号源的频率和方位，N为干扰源数，I₁为单位矩阵，I₂为次对角线单位矩阵

注意，阻塞矩阵T_p的维数为(K-p)(M-p)×(K-p+1)(M-p+1)，其中K为脉冲数，M为阵元数。

(6)利用信号相消的原理对阵列接收数据进行干扰抑制，干扰抑制公式如下：

Y(t)＝TX(t)

其中，X为阵列的所有阵元接收数据，Y为阻塞干扰之后的输出数据矢量，此时的输出数据中已经抑制了空间的窄带干扰。

2.根据权利要求1所述的空时二维阻塞窄带干扰方法，其特征在于，波达方向估计还可以采用最小模算法(MNM)、最小方差法(MVM)、最小熵算法(MEM)、最大似然(ML)算法、加权子空间拟合(WSF)算法、旋转不变子空间(ESPRIT)算法。

Images