CN109061577A - 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法 - Google Patents

Abstract

本发明属于数字信息传输技术领域，公开了一种不同类型的遮盖式干扰和欺骗式干扰的识别方法，对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；利用RBF神经网络分类器对所构建的特征向量进行分类。当干燥比大于0dB时调幅噪声干扰、射频噪声干扰的识别率为100％，当干噪比大于3dB时调频噪声干扰的识别率在95％以上并逐渐接近100％；三种欺骗式干扰识别率随着干燥比增加快速增长，当干噪比大于5dB时三种欺骗式干扰识别率都在94％以上并逐渐接近100％，对于欺骗式干扰本发明方法依然具有较好的识别效果。

Description

一种不同类型的遮盖式干扰和欺骗式干扰的识别方法

技术领域

本发明属于数字信息传输技术领域，尤其涉及一种不同类型的遮盖式干扰和欺骗式干扰的识别方法。

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雷达干扰机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。电子对抗在现代战争中起着越来越重要的作用，雷达干扰信号识别分析技术是电子对抗设备有效工作的基础和保障。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。雷达有源干扰识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，从而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，雷达对抗领域的研究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。现有技术一利用信号的瞬时信息进行自回归建模，然后求解Yule-Walker 方程，并将该方程的解作为信号的特征。现有技术二提取了直方图中的统计参数将接受到的信号的幅度、相位、频率统计为直方图的形式，再提取直方图的某些特征如包络的方差、调制对度等等。最后统计相应峰值个数作为干扰信号的特征。现有技术三在时域提取了信号的分形维数作为其特征。现有技术四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。现有技术五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。现有技术六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。现有技术七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。现有技术八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。现有技术九人依据距离-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 (突变来判断干扰的存在与否，判断的依据为：若谱峰分裂现象和自动增益控制)，对拖引干扰进行识别。现有技术十提取干扰的时域、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。现有技术十一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—现有技术十一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：现有技术在低信噪比环境下识别性能欠佳，且识别类型有限，识别技术实现复杂，且可靠性较低。

解决上述技术问题的难度和意义：在低信噪比环境下凸显不同类型的遮盖式干扰和欺骗式干扰差异的特征参数困难，通过解决此难题，可在非合作有源雷达干扰识别中具有重要的意义和价值。

发明内容

针对现有技术存在的问题，本发明提供了一种不同类型的遮盖式干扰和欺骗式干扰的识别方法。

本发明是这样实现的，一种不同类型的遮盖式干扰和欺骗式干扰的识别方法，所述不同类型的遮盖式干扰和欺骗式干扰的识别方法包括：对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；利用RBF神经网络分类器对所构建的特征向量进行分类；

所述RBF神经网络分类器的结构为l～m～n，有l个输入节点，m个隐藏层节点和n个输出节点，h_i为第i个隐藏层节点的输出，y_j为第j个输出节点的输出；网络的映射关系分为：

(1)输入层到隐藏层的非线性变换，则第i个隐藏层节点的输出为：

式中X为输入样本，C_i、σ_i为隐藏层第i个节点的中心和宽度；

(2)从隐藏层到输出层的线性合并，第j个输出层节点的输出为：

式中w_ij为第i个隐藏层节点与第j个输出层节点中间的权值，m为隐藏层节点数。

进一步，所述不同类型的遮盖式干扰和欺骗式干扰的识别方法具体包括以下步骤：

步骤一，对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；

对接收信号r(t)进行双谱分析，表达式如下：

其中，ω₁，ω₂分别为τ₁，τ₂对应的角频率，B(ω₁,ω₂)表示干扰信号的双谱， C₃(τ₁,τ₂)为三阶累积量，表示为：

步骤二：分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；

计算接收信号双谱的Renyi熵，计算式为：

其中R_α为双谱的Renyi熵，α为可调节参数(α≠1)；调整参数α的值，计算不同参数下双谱的Renyi熵，组合成特征向量ξ：

ξ＝[R₁,R₂,…R_N]；

其中，N为参数α取的第N个值；

步骤三：利用RBF神经网络分类器对所构建的特征向量进行分类。

进一步，所述步骤一计算接收干扰信号的双谱的具体方法包括：

(1)对接收信号r(t)进行采样得到长度为N的{r(i)}，分为K段，可重叠分段，然后除去每段数据的均值，将每段数据的均值变为0；

(2)求第k段数据的离散傅里叶系数(DFT)：

(3)计算DFT系数的三重自相关：

式中：Δ₀＝f_s/N₀，f_s为数据采样频率，N₀为双谱域内ω₁和ω₂的频率采样点数；N₀和L₁之间应该满足M＝(2L₁+1)N₀的关系；

(4)求K段数据双谱的平均值，得到接收信号的双谱：

式中：ω₁＝2πf_sλ₁/N₀；ω₂＝2πf_sλ₂/N₀。

进一步，所述RBF神经网络的学习算法由两部分组成，第一部分采用无导师学习的聚类算法，确定隐藏层节点径向基函数的中心和宽度即C_i、σ_i，第二部分采用有导师学习，确当输出层的权值w_ij。

本发明的另一目的在于提供一种所述不同类型的遮盖式干扰和欺骗式干扰的识别方法使用的RBF神经网络分类器，所述RBF神经网络分类器：第一层为输入层，由信号源节点组成；第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数；第三层为输出层，是对输入模式做出的响应；输入层与隐藏层之间为直接连接；隐藏层到输出层之间为权连接。

本发明的另一目的在于提供一种使用所述不同类型的遮盖式干扰和欺骗式干扰的识别方法的雷达有源干扰识别系统。

综上所述，本发明的优点及积极效果为：图2看出当干燥比大于0dB时调幅噪声干扰、射频噪声干扰的识别率为100％，当干噪比大于3dB时调频噪声干扰的识别率在95％以上并逐渐接近100％，可以看出，对于遮盖式干扰，本发明方法在低干噪比下依然可以获得良好的识别性能。图3可以看出三种欺骗式干扰识别率随着干燥比增加快速增长，当干噪比大于5dB时三种欺骗式干扰识别率都在94％以上并逐渐接近100％，对于欺骗式干扰本发明方法依然具有较好的识别效果。

附图说明

图1是本发明实施例提供的不同类型的遮盖式干扰和欺骗式干扰的识别方法流程图。

图2和图3是本发明实施例提供的仿真实验结果示意图。

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。

本发明旨在解决现有技术在低信噪比环境下识别性能欠佳，且识别类型有限，识别技术实现复杂，且可靠性较低的问题；本发明方法在低干噪比下依然可以获得良好的识别性能；对于欺骗式干扰本发明方法依然具有较好的识别效果。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的不同类型的遮盖式干扰和欺骗式干扰的识别方法包括以下步骤：

S101：对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；

S102：分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；

S103：利用RBF神经网络分类器对所构建的特征向量进行分类。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的不同类型的遮盖式干扰和欺骗式干扰的识别方法包括以下步骤：

步骤一：对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；

对接收信号r(t)进行双谱分析，表达式如下：

其中，ω₁，ω₂分别为τ₁，τ₂对应的角频率，B(ω₁,ω₂)表示干扰信号的双谱， C₃(τ₁,τ₂)为三阶累积量，其表示为：

计算接收干扰信号的双谱的具体流程如下：

1)对接收信号r(t)进行采样得到长度为N的{r(i)}，将其分为K段，可重叠分段，然后除去每段数据的均值，将每段数据的均值变为0。

2)求第k段数据的离散傅里叶系数(DFT)：

3)计算DFT系数的三重自相关：

式中：Δ₀＝f_s/N₀，f_s为数据采样频率，N₀为双谱域内ω₁和ω₂的频率采样点数；N₀和L₁之间应该满足M＝(2L₁+1)N₀的关系。

4)求K段数据双谱的平均值，得到接收信号的双谱：

式中：ω₁＝2πf_sλ₁/N₀；ω₂＝2πf_sλ₂/N₀。

步骤二：分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；

计算接收信号双谱的Renyi熵，其计算式为：

其中R_α为双谱的Renyi熵，α为可调节参数(α≠1)。调整参数α的值，计算不同参数下双谱的Renyi熵，将其组合成特征向量ξ：

ξ＝[R₁,R₂,…R_N]；

其中，N为参数α取的第N个值。

步骤三：利用RBF神经网络分类器对所构建的特征向量进行分类；RBF神经网络是使用径向基函数作为特性函数的前馈网络，是典型的机器学习模型之一，它的结构与多层前向网络类似，它是一种三层前向网络，第一层为输入层，由信号源节点组成。第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数。第三层为输出层，是对输入模式做出的响应。输入层与隐藏层之间为直接连接；隐藏层到输出层之间为权连接，它们之间的权值可在训练网络的时候得出。

设RBF网络的结构为l～m～n，即该网络有l个输入节点，m个隐藏层节点和n个输出节点，h_i为第i个隐藏层节点的输出，y_j为第j个输出节点的输出。该网络的映射关系分为两部分：

第一部分：输入层到隐藏层的非线性变换。常用的传递函数即径向基函数为高斯核函数，则第i个隐藏层节点的输出为：

式中X为输入样本，C_i、σ_i为隐藏层第i个节点的中心和宽度。

第二部分：从隐藏层到输出层的线性合并。第j个输出层节点的输出为：

式中w_ij为第i个隐藏层节点与第j个输出层节点中间的权值，m为隐藏层节点数。

RBF神经网络的学习算法主要由两部分组成，第一部分采用无导师学习的聚类算法，确定隐藏层节点径向基函数的中心和宽度即C_i、σ_i，第二部分采用有导师学习，确当输出层的权值w_ij。

下面结合仿真实验对本发明的应用效果作详细的描述。

为了评估本发明的性能，采用仿真实验进行验证。实验中选取了调频噪声干扰、调幅噪声干扰、射频噪声干扰三种遮盖式干扰和密集假目标干扰、速度假目标干扰、距离假目标干扰三种欺骗式干扰进行仿真分析，双谱变换的参数设置为如下：FFT计算的长度为256个采样点，每段数据的采样点数为128，每段数据的重叠度为0，Renyi熵参数采取3、6、9、12。干噪比采取0～20dB，每个信噪比下每种信号做500次训练试验，500次测试试验。其仿真结果如图2和图3所示，由图2可以看出当干燥比大于0dB时调幅噪声干扰、射频噪声干扰的识别率为100％，当干噪比大于3dB时调频噪声干扰的识别率在95％以上并逐渐接近100％，可以看出，对于遮盖式干扰，本发明方法在低干噪比下依然可以获得良好的识别性能；由图3可以看出三种欺骗式干扰识别率随着干燥比增加快速增长，当干噪比大于5dB时三种欺骗式干扰识别率都在94％以上并逐渐接近100％，对于欺骗式干扰本发明方法依然具有较好的识别效果。

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 (5)

1.一种不同类型的遮盖式干扰和欺骗式干扰的识别方法，其特征在于，所述不同类型的遮盖式干扰和欺骗式干扰的识别方法包括：对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；利用RBF神经网络分类器对所构建的特征向量进行分类。

2.如权利要求1所述的不同类型的遮盖式干扰和欺骗式干扰的识别方法，其特征在于，所述不同类型的遮盖式干扰和欺骗式干扰的识别方法具体包括以下步骤：

步骤一，对接收到的雷达有源干扰信号进行双谱计算，得到干扰信号的双谱；

对接收信号r(t)进行双谱分析，表达式如下：

其中，ω₁，ω₂分别为τ₁，τ₂对应的角频率，B(ω₁,ω₂)表示干扰信号的双谱，C₃(τ₁,τ₂)为三阶累积量，表示为：

步骤二：分别计算在不同参数下双谱的Renyi熵，并将其组合成新的特征向量；

计算接收信号双谱的Renyi熵，计算式为：

其中R_α为双谱的Renyi熵，α为可调节参数(α≠1)；调整参数α的值，计算不同参数下双谱的Renyi熵，组合成特征向量ξ：

ξ＝[R₁,R₂,…R_N]；

其中，N为参数α取的第N个值；

步骤三：利用RBF神经网络分类器对所构建的特征向量进行分类。

3.如权利要求2所述的不同类型的遮盖式干扰和欺骗式干扰的识别方法，其特征在于，所述步骤一计算接收干扰信号的双谱的具体方法包括：

(1)对接收信号r(t)进行采样得到长度为N的{r(i)}，分为K段，可重叠分段，然后除去每段数据的均值，将每段数据的均值变为0；

(2)求第k段数据的离散傅里叶系数DFT：

(3)计算DFT系数的三重自相关：

式中：Δ₀＝f_s/N₀，f_s为数据采样频率，N₀为双谱域内ω₁和ω₂的频率采样点数；N₀和L₁之间应该满足M＝(2L₁+1)N₀的关系；

(4)求K段数据双谱的平均值，得到接收信号的双谱：

式中：ω₁＝2πf_sλ₁/N₀；ω₂＝2πf_sλ₂/N₀。

4.一种如权利要求1所述不同类型的遮盖式干扰和欺骗式干扰的识别方法使用的RBF神经网络分类器，其特征在于，所述RBF神经网络分类器：第一层为输入层，由信号源节点组成；第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数；第三层为输出层，是对输入模式做出的响应；输入层与隐藏层之间为直接连接；隐藏层到输出层之间为权连接。所述RBF神经网络分类器的结构为l～m～n，有l个输入节点，m个隐藏层节点和n个输出节点，h_i为第i个隐藏层节点的输出，y_j为第j个输出节点的输出；网络的映射关系分为：

(1)输入层到隐藏层的非线性变换，则第i个隐藏层节点的输出为：

式中X为输入样本，C_i、σ_i为隐藏层第i个节点的中心和宽度；

(2)从隐藏层到输出层的线性合并，第j个输出层节点的输出为：

式中w_ij为第i个隐藏层节点与第j个输出层节点中间的权值，m为隐藏层节点数。

5.一种使用权利要求1～4任意一项所述不同类型的遮盖式干扰和欺骗式干扰的识别方法的雷达有源干扰识别系统。