CN108919203A - 一种雷达有源干扰的识别方法及系统 - Google Patents

Abstract

本发明属于抗干扰装置技术领域，公开了一种雷达有源干扰的识别方法及系统，所述雷达有源干扰的识别方法对接收到的有源干扰进行变分模态分解，得到不同的模态分量；计算每个固有模态分量相应的矩形积分双谱，组合成特征参量；通过随机森林分类器实现雷达有源干扰方式的识别。本发明可以有效实现较低信噪比环境下常见的六种雷达有源干扰(射频噪声干扰、噪声调频干扰、噪声调幅干扰、噪声调相干扰、距离假目标、速度目标，转发式密集假目标)的分类，且不需要进行信干比估计等预处理。

Description

一种雷达有源干扰的识别方法及系统

技术领域

本发明属于抗干扰装置技术领域，尤其涉及一种雷达有源干扰的识别方法及系统。

背景技术

目前，业内常用的现有技术是这样的：雷达有源干扰通常是发射出蓄意干扰和阻碍目标检测以及目标信息的获取。雷达有源干扰识别技术是电子侦察、雷达抗干扰领域的重要技术之一。随着电子技术的迅速发展，雷达有源干扰已成为一种有力的雷达对抗措施，在信息化战争中得到了广泛的应用。雷达有源干扰判别是在雷达遭受到干扰后，对接收到的干扰进行处理分析，判识出对方干扰的具体制式，为后续的抗干扰措施提供重要的依据，以有效地提高雷达的抗干扰能力，确保己方雷达能够在日益复杂的战争环境中正常工作。目前，雷达对抗领域的主要集中在雷达干扰技术和雷达抗干扰技术，而针对于干扰方式识别的研究相对较少。现有技术一通过分析指出距离欺骗式干扰在频域上存在虚假电平，通过利用观测虚假电平存在与否以识别距离欺骗式干扰。现有技术二对雷达干扰在多个变换域上的特征参数进行了分析，并通过特征参数提取和分类器完成了干扰类型的识别。现有技术三介绍了短时傅里叶变换、维格纳分布和小波变换在有源干扰信号的细微特征分析中的应用，并采用窗口傅立叶脊和小波脊实现对信号瞬时频率的精确估计，最后采用模糊模式识别分类器结合统计判决树完成了对干扰类型的识别。现有技术四提出了一种基于多普勒频率对比的速度欺骗干扰信号识别方法。现有技术五根据欺骗干扰和雷达目标回波在时延、相位以及多普勒频移上的差异，釆用小波分解提取特征参数差异实现欺骗干扰的识别。现有技术六利用距离速度欺骗干扰中干扰与目标回波的起伏特性、能量差别和多普勒频率的变化，提出了可作为频率特性识别的特征因子，并使用径向基神经网络分类器完成了干扰识别。现有技术七通过分析欺骗式干扰信号的双谱特性，利用双谱特征实现干扰信号识别。现有技术八依据距离-速度拖引干扰信号拖引期出现的谱峰分裂现象和自动增益控制突变，对拖引干扰进行识别。现有技术九提取干扰的时域、频域、时频域以及小波域中的特征参数，并使用组合分类器对噪声干扰、密集假目标干扰进行了类型识别。现有技术十利用积分双谱和分形维数特征实现欺骗干扰信号分类。现有技术一到现有技术十在一定程度上解决了雷达干扰识别的问题，但是在低信噪比环境下识别性能欠佳，且识别类型有限，另外，上述识别技术实现起来较为复杂，且可靠性较低。

综上所述，现有技术存在的问题是：现有的雷达干扰识别方法存在低信噪比环境下识别性能欠佳，识别类型有限，实现复杂，可靠性较低。

发明内容

针对现有技术存在的问题，本发明提供了一种雷达有源干扰的识别方法及系统、雷达抗干扰系统。

本发明是这样实现的，一种雷达有源干扰的识别方法，所述雷达有源干扰的识别方法对接收到的有源干扰进行变分模态分解，得到不同的模态分量；计算每个固有模态分量相应的矩形积分双谱，组合成特征参量；通过随机森林分类器实现雷达有源干扰方式的识别。

进一步，所述对接收到的有源干扰进行变分模态分解，得到不同的模态分量具体包括：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)更新u_k和ω_k；

4)更新λ，即

5)给定判别精度ε，直到达到迭代停止条件结束循环，得到各个及中心频率ω_k，最后由傅里叶反变换得到K个窄带IMF分量。

进一步，所述模态分量的双谱计算式为：

其中，ω₁，ω₂分别为两个不同时延τ₁，τ₂对应的角频率，表示不同模态分量信号y_i(t)的双谱，为三阶累积量，表示为：

不同的模态分量的矩形积分双谱计算式为：

其中，表示不同模态分量信号y_i(t)的矩形积分双谱，利用不同模态的积分双谱构建特征向量Υ为：

其中，为的最大值。

进一步，所述随机森林的判决结果表达式：

其中：一个M类的分类问题，一个样本p通过每个决策树分类器T_n均有M个输出结果，每个置信度p_(n,p)(f(p)＝c)表示了样本p属于第c类的概率，其中，c＝{1,2,…,M})。

进一步，所述随机森林的生成过程具体包括：

1)训练集中有B个样本，有放回地随机抽取b个样本，作为一棵决策树的训练样本；

2)特征向量是d维，选取d₁维作为子集指定给每个节点，从d₁中选择分类效果最佳的一维特征作为接点的分类属性；

3)当每个节点的分类纯度达到期望比例或者生长层数达到给定值时，停止决策树的生长；

4)重复1)至3)，生长出多颗决策树，生成森林。

本发明的另一目的在于提供一种所述雷达有源干扰的识别方法的雷达有源干扰的识别系统，所述雷达有源干扰的识别系统包括：

变分模态分解模块，用于对接收到的有源干扰进行变分模态分解，得到不同的模态分量；

特征参量获取模块，用于分别计算每个固有模态分量相应的矩形积分双谱，并将其组合成新的特征参量；

识别模块，用于通过随机森林分类器实现雷达有源干扰方式的识别。

所述识别模块进一步包括：

训练样本单元，用于从训练集中的样本随机抽取作为一棵决策树的训练样本；

分裂属性选择单元，用于选择分类效果最佳的一维特征作为接点的分类属性；

决策树生长单元，用于当每个节点的分类纯度达到期望比例或者生长层数达到给定值时停止决策树的生长；

生成随机森林单元，用于生长出多颗决策树，生成森林。

本发明的另一目的在于提供一种实现所述雷达有源干扰的识别方法的雷达抗干扰系统。

综上所述，本发明的优点及积极效果为：可以有效实现较低信噪比环境下常见的六种雷达有源干扰(射频噪声干扰、噪声调频干扰、噪声调幅干扰、噪声调相干扰、距离假目标、速度目标，转发式密集假目标)的分类，且不需要进行信干比估计等预处理。

附图说明

图1是本发明实施例提供的雷达有源干扰的识别方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作进一步的描述。

如图1所示，本发明实施例提供雷达有源干扰的识别方法包括以下步骤：

S101：对接收到的有源干扰进行变分模态分解，得到不同的模态分量；

S102：分别计算每个固有模态分量相应的矩形积分双谱，并将其组合成新的特征参量；

S103：通过随机森林分类器实现雷达有源干扰方式的识别。

本发明实施例提供雷达有源干扰的识别方法具体包括以下步骤：

步骤一，对接收到的有源干扰进行变分模态分解，得到不同的模态分量；根据干扰的产生形式及作用的不同，雷达有源干扰可分为压制式干扰和欺骗式干扰。按照噪声调制方式的不同，压制式干扰可分为射频噪声干扰、噪声调频干扰、噪声调幅干扰、噪声调相干扰等。欺骗式干扰可分为拖引干扰与假目标干扰。其中，拖引干扰包括距离拖引欺骗干扰、速度拖引欺骗干扰和距离-速度拖引；欺骗干扰假目标干扰包括距离假目标、速度目标，转发式密集假目标。

对接收信号r(t)进行变分模态分解，表达式如下：

其中，y_i(t)为第i个模态分量，K为分解模态总数。变分模态分解方法中，定义本征模态函数u_k(t)为一个调幅-调频信号，其表达式为：

u_k(t)＝A_k(t)cos(φ_k(t))；

其中，A_k(t)为的瞬时幅值，为u_k(t)的瞬时频率，且对于模态函数u_k(t)，利用希尔伯特变换得到各模态解析信号，并求出K个模态函数使得每个模态的估计带宽之和最小。对u_k(t)进行希尔伯特变换，进一步得到其解析信号及单边谱：

其中，u_k(t)为本征模态函数，δ(t)表示冲激函数。

通过乘以指数函数调整各本征模态函数估计的中心频率，将每个本征模态函数的频谱调制到相应的基频带：

计算该调制信号梯度的平方L₂范数，估计出各本征模态函数的带宽：

其中，表示梯度运算，表示平方L₂范数。变分模态分解中为使各模态的带宽之和最小，建立如下的约束变分模型：

其中，{u_k}＝{u₁,...,u_k}表示K个模态分量集；{ω_k}＝{ω₁,...,ω_k}表示各模态分量的中心频率集；

变分模态分解算法的具体流程如下：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)根据下式更新u_k和ω_k；

4)更新λ，即

5)给定判别精度ε，直到达到迭代停止条件结束循环，得到各个及中心频率ω_k，最后由傅里叶反变换得到K个窄带IMF分量。

步骤二，分别计算每个固有模态分量相应的矩形积分双谱，并将其组合成新的特征参量；不同的模态分量的双谱，其计算式为：

其中，ω₁，ω₂分别为两个不同时延τ₁，τ₂对应的角频率，表示不同模态分量信号y_i(t)的双谱，为三阶累积量，其表示为：

不同的模态分量的矩形积分双谱，其计算式为：

其中，表示不同模态分量信号y_i(t)的矩形积分双谱。因此，利用不同模态的积分双谱构建特征向量Υ为：

其中，为的最大值。

步骤三，通过随机森林分类器实现雷达有源干扰方式的识别；随机森林(RandomForest)是一个由多个随机决策树组成的综合分类器系统，并且其输出的类别是根据决策树输出类别标签的众数而定，是典型的集成学习之一。随机森林与单一的决策树分类不同的是，随机森林通过多个决策树投票结果进行分类，因此，不容易出现过度拟合问题。一个随机森林由N棵决策树构成，每颗决策树T_n是一个分类器，决策树的每个节点都是一个弱分类器，随机森林的决策结果是所有决策树分类结果的平均。在训练过程中，随机森林中的每棵决策树的训练样本都是从总样本集中随机选取一个子集，决策树在每个节点都选取当前分类效果最好的弱分类器。所有决策树分类器构成一个随机森林分类器。在分类过程中，以一个M类的分类问题为例，一个样本p通过每个决策树分类器T_n均有M个输出结果(每个置信度p_(n,p)(f(p)＝c)表示了该样本p属于第c类的概率，其中，c＝{1,2,…,M})，最后随机森林的判决结果是基于所有决策树结果的平均，其计算表达式如下：

随机森林的生成过程分以下四步：

1)Bagging过程：假设训练集中有B个样本，有放回地随机抽取b个样本，作为一棵决策树的训练样本；

2)分裂属性选择过程：假设特征向量是d维，选取d₁维作为子集指定给每个节点，从d₁中选择分类效果最佳的一维特征作为接点的分类属性，且保证在随机森林的生长过程中d₁保持不变；

3)决策树的生长过程：当每个节点的分类纯度达到期望比例或者生长层数达到给定值时，则停止决策树的生长，保证每个决策树都保证最大限度的生长，且没有剪枝情况；

4)生成随机森林过程：重复1)至3)，生长出多颗决策树，从而生成森林。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种雷达有源干扰的识别方法，其特征在于，所述雷达有源干扰的识别方法对接收到的有源干扰进行变分模态分解，得到不同的模态分量；计算每个固有模态分量相应的矩形积分双谱，组合成特征参量；通过随机森林分类器实现雷达有源干扰方式的识别。

2.如权利要求1所述的雷达有源干扰的识别方法，其特征在于，所述对接收到的有源干扰进行变分模态分解，得到不同的模态分量具体包括：

1)初始化且n为0；

2)n＝n+1，执行循环；

3)更新u_k和ω_k；

4)更新λ，即

5)给定判别精度ε，直到达到迭代停止条件结束循环，得到各个及中心频率ω_k，最后由傅里叶反变换得到K个窄带IMF分量。

3.如权利要求1所述的雷达有源干扰的识别方法，其特征在于，所述模态分量的双谱计算式为：

其中，ω₁，ω₂分别为两个不同时延τ₁，τ₂对应的角频率，表示不同模态分量信号y_i(t)的双谱，为三阶累积量，表示为：

不同的模态分量的矩形积分双谱计算式为：

其中，表示不同模态分量信号y_i(t)的矩形积分双谱，利用不同模态的积分双谱构建特征向量Υ为：

其中，为的最大值。

4.如权利要求1所述的雷达有源干扰的识别方法，其特征在于，所述随机森林的判决结果表达式：

其中：一个M类的分类问题，一个样本p通过每个决策树分类器T_n均有M个输出结果，每个置信度p_(n,p)(f(p)＝c)表示了样本p属于第c类的概率，其中，c＝{1,2,…,M})。

5.如权利要求1所述的雷达有源干扰的识别方法，其特征在于，所述随机森林的生成过程具体包括：

1)训练集中有B个样本，有放回地随机抽取b个样本，作为一棵决策树的训练样本；

2)特征向量是d维，选取d₁维作为子集指定给每个节点，从d₁中选择分类效果最佳的一维特征作为接点的分类属性；

3)当每个节点的分类纯度达到期望比例或者生长层数达到给定值时，停止决策树的生长；

4)重复1)至3)，生长出多颗决策树，生成森林。

6.如权利要求1所述雷达有源干扰的识别方法的雷达有源干扰的识别系统，其特征在于，所述雷达有源干扰的识别系统包括：

变分模态分解模块，用于对接收到的有源干扰进行变分模态分解，得到不同的模态分量；

特征参量获取模块，用于分别计算每个固有模态分量相应的矩形积分双谱，并将其组合成新的特征参量；

识别模块，用于通过随机森林分类器实现雷达有源干扰方式的识别。

7.如权利要求6所述的雷达有源干扰的识别系统，其特征在于，所述识别模块进一步包括：

训练样本单元，用于从训练集中的样本随机抽取作为一棵决策树的训练样本；

分裂属性选择单元，用于选择分类效果最佳的一维特征作为接点的分类属性；

决策树生长单元，用于当每个节点的分类纯度达到期望比例或者生长层数达到给定值时停止决策树的生长；

生成随机森林单元，用于生长出多颗决策树，生成森林。

8.一种实现权利要求1～5任意一项所述雷达有源干扰的识别方法的雷达抗干扰系统。