CN105652246A - 一种基于盲源分离的雷达抗主瓣干扰方法 - Google Patents

Abstract

本发明公开了一种基于盲源分离的雷达抗主瓣干扰方法，包括如下步骤：1)将多个通道混合数据按通道顺序排列接收向量；2)接收向量进行预白化；3)对白化后的接收向量进行盲源分离处理；4)根据雷达目标回波信号的先验知识，解决分离后的目标回波和干扰信号的模糊性。本发明将盲源分离应用于雷达抗主瓣干扰中，利用目标回波信号与干扰信号的不同，将回波信号和干扰信号分离，再利用目标回波信号的先验信息，解决分离后信号的不确定性。不仅能够抑制干扰信号对目标回波的影响，而且能够从混合信号中提取出干扰信号，通过对干扰信号的分析，采取更有效的抗干扰措施。

Description

一种基于盲源分离的雷达抗主瓣干扰方法

技术领域

本发明涉及一种基于盲源分离的雷达抗主瓣干扰方法，属于雷达抗干扰信号处理技术领域。

背景技术

雷达系统在实战工作的接收信号包括回波信号、干扰信号、杂波信号、内部噪声等，雷达工作环境的恶化和日益复杂的电子战信号环境使现代雷达系统面临严峻挑战，多数雷达都要求具有从强干扰环境中检测目标和提取目标参数的能力，因此要求雷达具有灵活的反应能力和抗干扰能力，从而得到最好的检测和跟踪效果。对于较简单的干扰模式，现有的雷达信号处理模块通过经典的滤波理论和传统的信号处理方法加以处理，就可以获取较佳的效果。随着干扰信号模式愈来愈复杂多变，这些传统抗干扰技术在交错、瞬变、密集复杂的信号环境中的处理却存在极大的局限性，自适应能力和灵活性不强。

为了提高复杂电磁环境下的作战能力，雷达采用了低副瓣、频率捷变、副瓣匿影、副瓣对消等各种抗干扰措施，这些措施在对抗远距离支援式干扰等副瓣干扰中起了重要作用，但对自卫式干扰和伴随式干扰等主瓣干扰或近主瓣干扰通常无能为力。利用和差波束的主瓣对消(MLC)可以抑制近主瓣干扰，但需要将天线主波束对准目标，这在干扰环境下很难实现。多站无源定位是另一种通过体系对抗主瓣干扰的方法，但该方法只能跟踪干扰源，对干扰机保护的目标无法有效探测。

现有雷达的设计中，主要考虑来自副瓣的噪声干扰，采用副瓣对消等方法将来自副瓣的噪声干扰抑制掉几十分贝。对从雷达主瓣进入的干扰，无法通过传统的副瓣对消等传统方法将干扰抑制掉。但对来自天线主瓣的干扰和密集的与雷达信号相参干扰，没有有效的办法。相参干扰，因与雷达信号非常近似，在进入雷达信号通道后，雷达面临着数字射频存储转发(DRFM)干扰。DRFM能捕获和存储雷达信号和特殊调制的信号波形，能精确复制原始信号。因此DRFM多假目标欺骗干扰是在干扰机在复制雷达信号的基础上，进行精细调制并重复发射，形成多个假目标，因干扰机密集转发接收到的雷达信号，与雷达信号具有强相关性。这类干扰不仅消耗大量的雷达信号处理系统资源，而且形成密集假目标，影响雷达的探测与定位。如对存储的信号加上适当的延时和调制处理(频移或其它变换)，就能灵活实现各种欺骗干扰技术。当雷达主瓣扫过时，噪声干扰彻底将目标遮盖住，显示画面上呈现全屏幕的“雪花”。在目标的前后存在大量假目标，严重影响雷达的测距和跟踪。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于盲源分离的雷达抗主瓣干扰方法，通过将盲源分离应用于雷达抗主瓣干扰中，抑制干扰信号对目标回波的影响，并从混合信号中提取出干扰信号。

为了实现上述目标，本发明采用如下的技术方案：

一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，包括以下步骤：

1)将N个通道混合数据按通道顺序排列接收向量r＝[r₁…r_N]^T；

2)计算接收向量的协方差矩阵并进行特征值分解，最后进行预白化；

3)对白化后的四阶累积量矩阵进行矩阵特征分解后进行盲源分离处理；

4)根据雷达目标回波信号的先验知识，解决分离后的目标回波和干扰信号的模糊性。

前述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤2)具体包括如下步骤：

2.1)计算接收信号的协方差矩阵R_rr，其中R_rr＝E(rr^H)，可以通过接收信号估计得到：为步骤1)中的接收向量r的第n个元素，K为信号数据的点数；

2.2)对接收信号的协方差矩阵R_rr进行特征值分解，R_rr＝GΛG^H，Λ＝diag({λ₁,λ₂,...,λ_M,...λ_N})为特征值所组成的对角矩阵，G＝[g₁,g₂,...g_M,...g_N]^H为其相应的特征向量，其中{λ₁,λ₂,...,λ_M}是天线阵接收信号协方差矩阵R_rr的M个最大特征值，[g₁,g₂,...g_M]是其相应的特征向量，σ²是噪声的方差估计，σ²为R_rr剩余N-M个特征值的均值；

2.3)构造预白化矩阵 $W={\[{({\mathrm{\λ}}_1-{\mathrm{\σ}}^2)}^{-\frac{1}{2}}{g}_1,...{({\mathrm{\λ}}_M-{\mathrm{\σ}}^2)}^{-\frac{1}{2}}{g}_M\]}^H;$

2.4)对接收向量进行白化z＝Wr，式中，W矩阵是一个M×N维矩阵，r为一个N×K矩阵(由于每一个通道接收到的都是数据长度为K的信号，也就是r_i＝[r_i1…r_iK]，i＝1,2,…,N)，z为一个M×K维矩阵。

前述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤3)具体包括以下步骤：

3.1)计算白化信号的四阶累积量矩阵Q_z(T)，其中Q_z(T)的第(i,j)个元素定义为： ${\[Q_z\left(T\right)\]}_{ij}=\underset{k,l=1}{\overset{M}{\Σ}}cum\left(z_i\right(n),z_j^{*}(n),z_k(n),z_l^{*}(n\left)\right){\left(T\right)}_{lk},$ 其中，z_i(n)表示z矩阵的第i行第n列的元素，1≤i,j≤M，T为任意非零的N×M矩阵，(T)_lk为其第(l,k)个元素，cum(…)为求四阶累积量运算；

3.2)对白化信号的四阶累积量矩阵Q_z(T)进行特征分解Q_z(T)＝VΛV^H；

3.3)对接收信号进行盲源分离处理：

前述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤4)具体为：

对分离后的信号的每一路信号做时频分析，

如果某一路信号的时频特性和调频斜率与雷达信号不一致，则将这一路标记为干扰信号，并进行后续的干扰特性分析处理；

如果某一路信号的时频特性和调频斜率与雷达信号一致，再用雷达发射信号与分离信号进行匹配脉压来确定回波信号；

如果分离后的某一路信号与雷达信号完全匹配，则将这一路标记为雷达目标回波信号，并进行后续的其他雷达信号处理。

本发明所达到的有益效果：本方法通过将盲源分离应用于雷达抗主瓣干扰中，利用目标回波信号与干扰信号的不同，将回波信号和干扰信号分离，再利用目标回波信号的先验信息，解决分离后信号的不确定性，不仅能够抑制干扰信号对目标回波的影响，而且能够从混合信号中提取出干扰信号，通过对干扰信号的分析，采取更有效的抗干扰措施。

附图说明

图1是本发明的流程图；

图2(a)、(b)分别是采用盲分离算法前通道1和通道2脉压后的仿真图；

图3是采用盲分离算法后分离出来的信号的脉压后的仿真图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明将每一个接收波束(或接收天线)当成一个接收通道，组成一个多通道系统，利用目标回波信号与干扰信号的差异，进行盲源分离处理。下面结合实施例对本发明进行效果说明。

仿真中假设雷达发射线性调频信号，信号脉宽2ms，带宽2MHz，干扰信号为噪声调频干扰，干信比为40dB，采样频率4MHz。雷达波束宽度3度，目标位于60度，干扰位于61度，为主瓣干扰。采用双波束抗干扰，波束1指向目标方向，波束2指向干扰方向，通道1接收波束1信号，通道2接收波束2信号。

图2和图3给出了信噪比为-15dB情况下，采用本发明的基于盲源分离方法抗干扰前后的性能对比。

图2(a)、(b)分别为采用盲源分离方法前，通道1和通道2脉压后的波形，由于干扰信号太强，两个通道均无法检测出信号。

图3为采用盲源分离算法后，其中一个分离信号的脉压波形，从图中可以看出，分离信号脉压后有明显的尖峰，可以检测出信号。

通过对图2(a)、(b)和图3结果的统计，可以发现盲源分离对干扰的抑制比达17dB。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，包括以下步骤：

1)将N个通道混合数据按通道顺序排列接收向量r＝[r₁…r_N]^T；

2)计算接收向量的协方差矩阵并进行特征值分解，最后进行预白化；

3)对白化后的四阶累积量矩阵进行矩阵特征分解后进行盲源分离处理；

4)根据雷达目标回波信号的先验知识，解决分离后的目标回波和干扰信号的模糊性。

2.根据权利要求1所述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤2)具体包括如下步骤：

2.1)计算接收信号的协方差矩阵R_rr，其中R_rr＝E(rr^H)，可以通过接收信号估计得到：r(n)为步骤1)中的接收向量r的第n个元素，K为信号数据的点数；

2.2)对接收信号的协方差矩阵R_rr进行特征值分解，R_rr＝GΛG^H，Λ＝diag({λ₁,λ₂,...,λ_M,...λ_N})为特征值所组成的对角矩阵，G＝[g₁,g₂,...g_M,...g_N]^H为其相应的特征向量，其中{λ₁,λ₂,...,λ_M}是天线阵接收信号协方差矩阵R_rr的M个最大特征值，[g₁,g₂,...g_M]是其相应的特征向量，σ²是噪声的方差估计，σ²为R_rr剩余N-M个特征值的均值；

2.3)构造预白化矩阵 $W={\[{({\mathrm{\λ}}_1-{\mathrm{\σ}}^2)}^{-\frac{1}{2}}{g}_1,...{({\mathrm{\λ}}_M-{\mathrm{\σ}}^2)}^{-\frac{1}{2}}{g}_M\]}^H;$

2.4)对接收向量进行白化z＝Wr。

3.根据权利要求1所述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤3)具体包括以下步骤：

3.1)计算白化信号的四阶累积量矩阵Q_z(T)，其中Q_z(T)的第(i,j)个元素定义为： ${\[Q_z\left(T\right)\]}_{ij}=\underset{k,l=1}{\overset{M}{\Σ}}cum\left(z_i\right(n),z_j^{*}(n),z_k(n),z_l^{*}(n\left)\right){\left(T\right)}_{lk},$ 其中，z_i(n)表示z矩阵的第i行第n列的元素，1≤i,j≤M，T为任意非零的N×M矩阵，(T)_lk为其第(l,k)个元素，cum(…)为求四阶累积量运算；

3.2)对白化信号的四阶累积量矩阵Q_z(T)进行特征分解Q_z(T)＝VΛV^H；

3.3)对接收信号进行盲源分离处理：

4.根据权利要求1所述的一种基于盲源分离的雷达抗主瓣干扰方法，其特征是，所述步骤4)具体为：

对分离后的信号的每一路信号做时频分析，

如果某一路信号的时频特性和调频斜率与雷达信号不一致，则将这一路标记为干扰信号，并进行后续的干扰特性分析处理；

如果某一路信号的时频特性和调频斜率与雷达信号一致，再用雷达发射信号与分离信号进行匹配脉压来确定回波信号；

如果分离后的某一路信号与雷达信号完全匹配，则将这一路标记为雷达目标回波信号，并进行后续的其他雷达信号处理。