CN109459732B - 一种宽带雷达干扰信号的识别分类方法 - Google Patents
一种宽带雷达干扰信号的识别分类方法 Download PDFInfo
- Publication number
- CN109459732B CN109459732B CN201811573957.XA CN201811573957A CN109459732B CN 109459732 B CN109459732 B CN 109459732B CN 201811573957 A CN201811573957 A CN 201811573957A CN 109459732 B CN109459732 B CN 109459732B
- Authority
- CN
- China
- Prior art keywords
- interference signal
- matrix
- time
- interference
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种宽带雷达干扰信号的识别分类方法,包括以下步骤:S1、获取雷达干扰信号,并对其进行处理,得到数字视频信号;S2、将数字视频信号经过短时傅里叶变换,得到时频矩阵;S3、通过排序统计恒虚警方法对时频矩阵进行处理,得到恒虚警检测矩阵;S4、计算恒虚警检测矩阵中各干扰信号的参数,并将各干扰信号的参数集成到一个信号参数矩阵中,得到干扰信号检测结果;S5、根据干扰信号检测结果,计算干扰信号的特征;S6、根据干扰信号的特征,对干扰信号进行识别并分类。本发明基于干扰的时频信号特征对九种宽带雷达干扰进行识别分类,且具有同时多干扰(频率上不重叠)分别识别的能力。
Description
技术领域
本发明属于宽带雷达技术领域,具体涉及一种宽带雷达干扰信号的识别分类方法。
背景技术
现代战场电磁环境日益复杂,随着数字射频存储(DRFM)技术的出现,新型的针对线性调频(LFM)雷达信号的欺骗干扰层出不穷,雷达面临的不再是单一类型的电子干扰,而通常是不同干扰源所产生的不同调制类型的干扰,甚至是复合干扰,这些干扰分布在较宽的频带内,参数灵活多变,干扰样式多样化,对雷达构成了严重威胁。虽然近年来针对单一类型的干扰识别技术有许多研究,但是会缺乏对干扰信号的有效检测方法及对多种压制和欺骗干扰进行全面识别分类的方法,对于同时不同频的多干扰识别也很少有研究。
发明内容
针对现有技术中的上述不足,本发明提供的带宽雷达干扰信号的识别分类方法解决了现有技术中缺乏对带宽雷达干扰信号有效检测及全面分类研究的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种宽带雷达干扰信号的识别分类方法,包括以下步骤:
S1、获取雷达干扰信号,并对其进行处理,得到数字视频信号;
S2、将数字视频信号经过短时傅里叶变换,得到时频矩阵;
S3、通过排序统计恒虚警方法对时频矩阵进行处理,得到去除了时频矩阵中背景噪声,保留了各时间段对应的各干扰信号的恒虚警检测矩阵;
S4、计算恒虚警检测矩阵中各干扰信号的参数,并将各干扰信号的参数集成到一个信号参数矩阵中,得到干扰信号检测结果;
S5、根据干扰信号检测结果,计算干扰信号的特征;
S6、根据干扰信号的特征,对干扰信号进行识别并分类。
进一步地,所述步骤S1具体为:
S11、通过信号采集单元获取雷达干扰信号,可能包含同时不同频(频谱不重叠)多个干扰信号;
S12、将获取的雷达干扰信号分别与cos数控本振和sin数控本振混频,然后分别进行低通滤波,得到两路信号;
S13、对两路信号叠加后进行降采样,得到数字视频信号。
进一步地,所述步骤S2具体为:
S21、对数字视频信号进行时域加窗处理,将数字视频信号分成若干个时间段的干扰信号;
S22、在时域内移动窗函数,计算各时间段内的干扰信号的频率分量;
S23、由各时间段内的干扰信号的频率分量组成时频矩阵。
进一步地,所述步骤S3具体为:
S31、将时频矩阵输入到平方律检波器中,将平方律检波器中出现测试单元参考滑窗处理循环中的输出值按从小到大排序,并选出第k个输出值单元Xk;
S32、将输出值单元Xk与设定的门限因子相乘作为判决阈值;
S33、通过判决阈值检测输入到平方律检波器中的时频矩阵的所有单元;
其中,时频矩阵的所有单元中的干扰信号能够通过判决阈值检测,背景噪声不能通过判决阈值检测;
S34、通过判决阈值检测的干扰信号构成的矩阵即为恒虚警检测矩阵。
进一步地,所述步骤S4中各干扰信号的参数包括各干扰信号的起始时间t1、结束时间t2、起始频率f1、结束频率f2、中心频率f和带宽B。
进一步地,所述步骤S5具体为:
S51、根据各干扰信号的起始时间t1和结束时间t2,将各干扰信号从数字视频信号中截取出来;
S52、以截取出的各干扰信号的中心频率f和带宽B为参数设计滤波器,滤除各干扰信号中的噪声和和非当前干扰信号,得到干扰信号矩阵Js;
S53、依次对干扰信号矩阵进行短时傅里叶变换、取模和归一化处理,得到特征矩阵;
S54、根据特征矩阵,确定干扰信号的特征。
进一步地,所述步骤S54中干扰信号的特征包括极角、矩偏度、F峰的个数、R峰的个数和时频图均匀度;
其中,极角的确定方法具体为:
D1、对特征矩阵Ms求模后作Radon变换,得到矩阵R;
D2、对矩阵R求模,并确定矩阵R中模值最大的一点;
D3、在角度维中,确定矩阵R中模值最大的一点对应的角度值,即为极角Angle_r;
其中,Radon变换的公式为:
式中,R(p,θ)为变换后的矩阵;
p为矩阵R的纵轴的截距维;
θ为矩阵R的横轴的角度维;
t为特征矩阵Ms的时间变量;
其中,矩偏度的计算公式为:
其中,Sk为矩偏度;
E(·)为求均值函数;
|Js|为干扰信号矩阵Js的模;
σ为干扰信号矩阵Js的标准差;
μ为干扰信号矩阵Js的均值;
其中,F峰的个数的确定方法具体为:
E1、将特征矩阵Ms按列累加,并求其对数,然后进行归一化处理得到行矩阵Msf;
E2、分别设定F峰的峰值门限和谷值门限;
E3、根据行矩阵Msf中的数据作曲线图像;
E4、判断曲线图像的形状是否满足F峰的个数为2的条件;
若是,F峰的个数Fnum为2,;
否则,F峰的个数Fnum为1;
其中,曲线图像的形状满足F峰的个数为2的条件为:曲线图像先向上越过峰值门限,然后向下越过谷值门限,最后再向上穿过峰值门限;
其中,确定R峰的个数的方法具体为:
F1、提取特征矩阵Ms中最大值所在的列,将该列构成的矩阵记为列矩阵Msr;
F2、根据列矩阵Msr中的数据作曲线图像;
F3、设定R峰的门限值为0.5,R峰的个数初始值为0;
F4、根据曲线图像穿过门限值的次数,确定R峰的个数;
其中,确定R峰个数的公式为:
Rnum=0.5n
式中,Rnum为R峰的个数;
n为曲线图像穿过门限值的次数;
其中,确定时频图均匀度的方法具体为:
当n大于等于5时,判断R峰在特征矩阵的时间维中出现的位置在允许的误差内是否均匀;
若是,时频图均匀度Uniform为1;
否则,时频图均匀度Uniform为0。
进一步地,所述步骤S6具体为:
S61、判断干扰信号的极角Angle_r是否在1到89之间;
若是,则进入步骤S62;
否则;进入步骤S63;
S62、判断干扰信号的F峰的个数Fnum是否为1;
若是,则进入步骤S64;
若否,进入步骤S65;
S63、判断干扰信号的矩偏度Sk是否小于1.2;
若是,则进入步骤S66;
否则,则该干扰信号为梳状谱干扰信号;
S64、判断干扰信号的R峰的个数Rnum是否为1;
若是,则该干扰信号为速度拖引干扰信号或距离拖引干扰信号;
若否,则进入步骤S67;
S65、判断干扰信号的R峰的Rnum是否为1;
若是,则该干扰信号为间隙转发干扰信号;
若否,则该干扰信号为切片重构干扰信号;
S66、判断干扰信号的带宽B是否为0;
若是,则该信号为单载频信号;
否则,则该干扰信号为噪声调幅干扰信号或噪声调频干扰信号;
S67、判断干扰信号的时频图均匀度Uniform是否为1;
若是,则该干扰信号为频谱弥散干扰信号;
否则,则该干扰信号为密集幅值假目标干扰信号。
本发明的有益效果为:
(1)采取低频率分辨率的短时傅立叶变换加恒虚警检测方法,可以在时频域快速检测干扰并测量其时频参数,为同时多干扰分离提取和干扰类型识别提供参考。
(2)通过测量的干扰时频参数生成频域滤波器,将同时多干扰(频率不重叠)分别提取,解决同时多干扰识别难题。
(3)采用高频率分辨率和固定时间分辨率的短时傅立叶变换获得干扰的时频分布,通过若当变换获取干扰在时频平面的极角,根据不同干扰的时频特征可以将多达九种宽带雷达干扰进行准确的分类和识别。
附图说明
图1为本发明中宽带雷达干扰信号的识别分类方法实现流程图。
图2为本发明中通过雷达干扰信号得到数字视频信号方法流程图。
图3为本发明中对数字视频信号进行处理得到时频矩阵方法流程图。
图4为本发明中得到恒虚警检测矩阵方法流程图。
图5为本发明中根据干扰信号特征对干扰信号进行分类的方法流程图。
图6为本发明提供的实施例中噪声调幅干扰时频特征示意图。
图7为本发明提供的实施例中噪声调频干扰时频特征示意图。
图8为本发明提供的实施例中梳状谱干扰时频特征示意图。
图9为本发明提供的实施例中切片重构干扰时频特征示意图。
图10为本发明提供的实施例间歇转发干扰时频特征示意图。
图11为本发明提供的实施例中频谱弥散干扰时频特征示意图。
图12为本发明提供的实施例中密集假目标干扰时频特征示意图。
图13为本发明提供的实施例中距离拖引干扰时频特征示意图。
图14为本发明提供的实施例中速度拖引干扰时频特征示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种宽带雷达干扰信号的识别分类方法,包括以下步骤:
S1、获取雷达干扰信号,并对其进行处理,得到数字视频信号;
S2、将数字视频信号经过短时傅里叶变换,得到时频矩阵;
S3、通过排序统计恒虚警方法对时频矩阵进行处理,得到去除了时频矩阵中背景噪声,保留了各时间段对应的各干扰信号的恒虚警检测矩阵;
S4、计算恒虚警检测矩阵中各干扰信号的参数,并将各干扰信号的参数集成到一个信号参数矩阵中,得到干扰信号检测结果;
S5、根据干扰信号检测结果,计算干扰信号的特征;
S6、根据干扰信号的特征,对干扰信号进行识别并分类。
如图2所示,上述步骤S1具体为:
S11、通过信号采集单元获取雷达干扰信号;
其中,从信号采集单元获取的宽带雷达干扰信号为数字中频信号,它是包含多干扰的宽带信号,中心频率为F0,带宽为B0;
S12、将获取的雷达干扰信号分别与cos数控本振和sin数控本振混频,然后分别进行低通滤波,得到两路信号;
其中,cos数控本振和sin数控本振的中心频率为F0;低通滤波时的通带带宽为B0;
S13、对两路信号叠加后进行降采样,得到数字视频信号;
上述步骤S2中,采用的时频变换算法为低频率分辨率的短时傅里叶变换,短时傅里叶变换是一种线性变换,在使用过程中不会产生交叉干扰项,因此对频率分集信号具有较强的处理能力,且具有较好的干扰能力,短时傅里叶变换是对传统谱分析技术傅里叶变换的推广;
因此,如图3所示,上述步骤S2具体为:
S21、对数字视频信号进行时域加窗处理,将数字视频信号分成若干个时间段的干扰信号;
其中,进行时域加窗处理时,加较短时间窗对应于短时傅里叶变换低频率分辨率处理;
S22、在时域内移动窗函数,计算各时间段内的干扰信号的频率分量;
S23、由各时间段内的干扰信号的频率分量组成时频矩阵;
其中,频率分量的计算公式为:
式中,STFT(t,ω)为变换后的时频矩阵;
τ为时间变量;
S(τ)为数字视频信号;
h(τ-t)为窗函数;
S(τ)h(t)为截取数字视频信号在t时刻τ邻域内的信号;
如图4所示,上述步骤S3具体为:
S31、将时频矩阵输入到平方律检波器中,将平方律检波器中出现测试单元参考滑窗处理循环中的输出值按从小到大排序,并选出第k个输出值单元Xk;
其中,输出值按从小到大排序为X1≤X2≤…≤Xn;
S32、将输出值单元Xk与设定的门限因子相乘作为判决阈值;
S33、通过判决阈值检测输入到平方律检波器中的时频矩阵的所有单元;
其中,时频矩阵的所有单元中的干扰信号能够通过判决阈值检测,背景噪声不能通过判决阈值检测;
S34、通过判决阈值检测的干扰信号构成的矩阵即为恒虚警检测矩阵。
其中,平方律检波器中参考单元数目n为40,保护单元数目m为5,k为34,可调门限因子d为15(设定的n、m和k是固定参数,d可以根据干噪比调整);
上述序统计恒虚警方法中的虚警率PFA为:
根据上式可知当门限因子d固定时,虚警率是恒定值,由d的取值范围可以得到虚警率在[4.6e-9,7.8e-8]变化。
上述步骤S4中各干扰信号的参数包括各干扰信号的起始时间t1、结束时间t2、起始频率f1、结束频率f2、中心频率和带宽B;
计算各干扰信号的起始时间t1和结束时间t2的方法具体为:
A1、将恒虚警检测矩阵向时间维投影,得到所有干扰信号的时间维起始点数d1和结束点数d2;
由于干扰信号需要持续一段时间,因此需要滤除虚恒警检测矩阵中时间短于某个长度的信号,可能是虚假结果,需要滤除,其滤除杂波的时间长度需根据时间情况设定,因此在进行步骤A2之前,需要滤除杂波;
A2、根据起始点数d1和结束点数d2,计算各干扰信号的起始时间t1和结束时间t2;
其中,计算各干扰信号的起始时间t1和结束时间t2的公式分别为:
t1=d1*H_t
t2=d2*H_t
式中,H_t为对数字视频信号进行短时傅里叶变换时的矩形窗长;
计算各干扰信号的起始频率f1和结束频率f2的方法具体为:
B1、通过起始点数d1和结束点数d2截取恒虚警检测矩阵,并将截取结果向频率维投影,得到各干扰信号的起始频率点数q1和结束频率点数q2;
B2、根据各干扰信号的起始频率点数q1和结束频率点数q2,计算各起始频率f1和结束频率f2;
计算各起始频率f1和结束频率f2的公式分别为:
f1=(q1*Fs)/H_M
f2=(q2*Fs)/H_M
式中,Fs为雷达干扰信号的采样率;
H_M为对数字视频信号进行短时傅里叶变换时矩形窗长为H_t时对应的窗的点数,且H_M=H_t*Fs;
起始频率f1和结束频率f2的单位均为MHz;本发明方法中要求频带上存在多段干扰时,窄频至少间隔200MHz。
计算中心频率f的公式为:
f=(f1+f2)/2
计算带宽B的公式为:
B=f2-f1
中心频率f和带宽B的单位均为MHz。
上述步骤S5具体为:
S51、根据各干扰信号的起始时间t1和结束时间t2,将各干扰信号从数字视频信号中截取出来;
S52、以截取出的各干扰信号的中心频率f和带宽B为参数设计滤波器,滤除各干扰信号中的噪声和和非当前干扰信号,得到干扰信号矩阵JS;
S53、依次对干扰信号矩阵进行短时傅里叶变换、取模和归一化处理,得到特征矩阵;
其中,进行短时傅里叶变换时采用较长时间窗,对应高频率分辨率;
特征矩阵Ms的行是时间维度,列是频率维;
S54、根据特征矩阵,确定干扰信号的特征。
其中,干扰信号的特征包括极角、矩偏度、F峰的个数、R峰的个数和时频图均匀度;
其中,极角的确定方法具体为:
D1、对特征矩阵Ms求模后作Radon变换,得到矩阵R;
其中,Ms求模后在角度区间[-89,90]做Radon变换后得到矩阵R;
对于特征矩阵Ms(图像矩阵)中任意直线一点(u,v),有u=pcosθ-tsinθ,v=psinθ+tcosθ,Radon变换成熟应用于计算图像矩阵在特定方向上的投影,Radon变换计算一定方向上平行线的积分,变换后图像矩阵中的一点对应原图像中的一条直线。
其中,Radon变换的公式为:
式中,R(p,θ)为Radon变换后矩阵;
p为矩阵R的纵轴的截距维(截距即Ms中对应直线到原点的距离);
θ为矩阵R的横轴的角度维(点的角度代表Ms中对应直线的倾斜角);
t为Ms矩阵的时间变量;
D2、对矩阵R求模,并确定矩阵R中模值最大的一点;
D3、在角度维中,确定矩阵R中模值最大的一点对应的角度值,即为极角Angle_r;
矩偏度表征的是一个分布的不对称度,如果分布曲线右边的拖尾比左边长,则称为分布有正偏度,反之,则称之为有负偏度;
其中,矩偏度的计算公式为:
其中,Sk为矩偏度;
E(·)为求均值函数;
|Js|为干扰信号矩阵Js的模;
σ为干扰信号矩阵Js的标准差;
μ为干扰信号矩阵Js的均值;
F峰的个数反映了干扰信号时频矩阵在频率维投影的峰值数目在两个以上或只有一个;
其中,F峰的个数的确定方法具体为:
E1、将特征矩阵Ms按列累加,并求其对数,然后进行归一化处理得到行矩阵Msf;
E2、分别设定F峰的峰值门限和谷值门限;
E3、根据行矩阵Msf中的数据作曲线图像;
E4、判断曲线图像的形状是否满足F峰的个数为2的条件;
若是,F峰的个数Fnum为2,;
否则,F峰的个数Fnum为1;
其中,曲线图像的形状满足F峰的个数为2的条件为:曲线图像先向上越过峰值门限,然后向下越过谷值门限,最后再向上穿过峰值门限;
R峰的个数反映了向时域维投影的峰值个数;
其中,确定R峰的个数的方法具体为:
F1、提取特征矩阵Ms中最大值所在的列,将该列构成的矩阵记为列矩阵Msr;
F2、根据列矩阵Msr中的数据作曲线图像;
F3、设定R峰的门限值为0.5,R峰的个数初始值为0;
F4、根据曲线图像穿过门限值的次数,确定R峰的个数;
其中,确定R峰个数的公式为:
Rnum=0.5n
式中,Rnum为R峰的个数;
n为曲线图像穿过门限值的次数;
其中,确定时频图均匀度的方法具体为:
当n大于等于5时,判断R峰在特征矩阵的时间维中出现的位置在允许的误差内是否均匀;
若是,时频图均匀度Uniform为1;
否则,时频图均匀度Uniform为0。
上述步骤S6中的对干扰信号进行识别分类后,干扰信号的种类包括噪声调幅干扰信号、噪声调频干扰信号、梳状谱干扰信号、切片重构干扰信号、间隙转发干扰信号、频谱弥散干扰信号、密集假目标干扰信号、速度拖引干扰信号和距离拖引干扰信号,对上述9种干扰信号是根据其时频特征进行分类的,它们的时频特征如图6-14所示,其中,还有一种单载频信号与噪声调幅信号类似,但带宽极窄,因为频率维分辨率大于其带宽,因此单载频信号的信号检测结果中B=0。
因此,根据其时频特征进行分类时,如图5所示,步骤S6具体为:
S61、判断干扰信号的极角Angle_r是否在1到89之间;
若是,则进入步骤S62;
否则;进入步骤S63;
S62、判断干扰信号的F峰的个数Fnum是否为1;
若是,则进入步骤S64;
若否,进入步骤S65;
S63、判断干扰信号的矩偏度Sk是否小于1.2;
若是,则进入步骤S66;
否则,则该干扰信号为梳状谱干扰信号;
S64、判断干扰信号的R峰的个数Rnum是否为1;
若是,则该干扰信号为速度拖引干扰信号或距离拖引干扰信号;
若否,则进入步骤S67;
S65、判断干扰信号的R峰的Rnum是否为1;
若是,则该干扰信号为间隙转发干扰信号;
若否,则该干扰信号为切片重构干扰信号;
S66、判断干扰信号的带宽B是否为0;
若是,则该信号为单载频信号;
否则,则该干扰信号为噪声调幅干扰信号或噪声调频干扰信号;
S67、判断干扰信号的时频图均匀度Uniform是否为1;
若是,则该干扰信号为频谱弥散干扰信号;
否则,则该干扰信号为密集幅值假目标干扰信号。
在本发明的一个实施例中,提供了验证本发明方法有效性的过程,用于产生的干扰信号模型进行仿真验证;干扰信号的基本参数设置如表1-9所示,干噪比为5dB,在产生干扰信号时在表1~9的基础上对参数进行修改,具体修改的参数和各干扰的识别率如表10~18示,根据表中数据可以,密集假目标的识别率较低,只有62.4%,其他干扰的识别率都在90%以上。由此可知发明方法是比较高效的。
表1:噪声调幅干扰信号参数表设置
中心频率/MHZ | 带宽/MHZ | 时宽/us | 信号起始时间/us | |
AM.s | 300 | 50 | 700 | 200 |
表2:噪声调频干扰信号参数设置
中心频率/MHZ | 带宽/MHZ | 时宽/us | 信号起始时间/us | 调频斜率 | |
FM.s | 400 | 60 | 500 | 200 | 1 |
表3:梳状谱干扰信号参数设置
表4:切片重构干扰信号参数设置
表5:间歇转发干扰信号参数设置
表6:密集假目标干扰信号参数设置
表7:速度拖引干扰信号参数设置
表8:距离拖引干扰信号参数设置
表9:频谱弥散干扰信号参数设置
表10:调幅干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
AM01~05 | 中心频率 | 100MHZ | 噪声压制干扰 | 5 | 5 | 100% |
AM11~15 | 时宽 | 100us | 噪声压制干扰 | 5 | 5 | 100% |
AM21~25 | 带宽 | -8MHZ | 噪声压制干扰 | 5 | 5 | 100% |
总计 | 15 | 15 | 100% |
表11:调频干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
FM01~05 | 中心频率 | 100MHZ | 噪声压制干扰 | 5 | 5 | 100% |
FM11~15 | 时宽 | 100us | 噪声压制干扰 | 5 | 5 | 100% |
FM21~25 | 带宽 | -8MHZ | 噪声压制干扰 | 5 | 5 | 100% |
FM31~35 | 调频斜率 | 0.2 | 噪声压制干扰 | 5 | 5 | 100% |
总计 | 20 | 20 | 100% |
表12:梳状谱干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
COMB01~05 | 子频段个数 | 2个 | 梳状谱干扰 | 5 | 5 | 100% |
COMB11~15 | 每个梳带宽 | 1MHZ | 梳状谱干扰 | 5 | 5 | 100% |
COMB | 调频斜率 | 0.2 | 梳状谱干扰 | 5 | 5 | 100% |
总计 | 15 | 15 | 100% |
表13:切片重构干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
CI01~03 | 间隙数 | 1个 | 切片重构干扰 | 30 | 30 | 100% |
CI11~13 | 脉冲重复周期 | 25us | 切片重构干扰 | 30 | 30 | 100% |
总计 | 60 | 60 | 100% |
表14:间歇转发干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
IS01~03 | 间歇采样次数 | 1个 | 间歇转发干扰 | 45 | 45 | 100% |
IS11~13 | 脉冲重复周期 | 20us | 间歇转发干扰 | 45 | 38 | 84.4% |
总计 | 90 | 83 | 92.2% |
表15:密集假目标干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
MT01~03 | 假目标个数 | 1个 | 密集假目标干扰 | 31 | 25 | 80.6% |
MT11~13 | 脉冲重复周期 | 20us | 密集假目标干扰 | 71 | 38 | 53.5% |
总计 | 101 | 63 | 62.4% |
表16:速度拖引干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
SD01~03 | 假目标速度 | 5/m/s | 速度拖引干扰 | 30 | 29 | 96.7% |
SD11~13 | 目标距离 | -5000m | 速度拖引干扰 | 30 | 29 | 96.7% |
总计 | 60 | 58 | 96.7% |
表17:距离拖引干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
TD01~03 | 拖引速度/m/s | 5/m/s | 欺骗干扰 | 45 | 44 | 97.8% |
TD11~13 | 真实目标距离/m | -400m | 欺骗干扰 | 45 | 44 | 97.8% |
总计 | 90 | 88 | 97.8% |
表18:频谱弥散干扰信号参数修改和识别结果
信号 | 修改参数 | 步长 | 正确的识别 | 总识别次数 | 正确识别次数 | 识别率 |
SMSP01~03 | 采样倍数 | 1 | 欺骗干扰 | 30 | 28 | 93.3% |
SMSP11~13 | 脉冲数 | 2 | 欺骗干扰 | 42 | 42 | 100% |
总计 | 72 | 70 | 97.2% |
本发明的有益效果为:
(1)采取低频率分辨率的短时傅立叶变换加恒虚警检测方法,可以在时频域快速检测干扰并测量其时频参数,为同时多干扰分离提取和干扰类型识别提供参考。
(2)通过测量的干扰时频参数生成频域滤波器,将同时多干扰(频率不重叠)分别提取,解决同时多干扰识别难题。
(3)采用高频率分辨率和固定时间分辨率的短时傅立叶变换获得干扰的时频分布,通过若当变换获取干扰在时频平面的极角,根据不同干扰的时频特征可以将多达九种宽带雷达干扰进行准确的分类和识别。
Claims (6)
1.一种宽带雷达干扰信号的识别分类方法,其特征在于,包括以下步骤:
S1、获取雷达干扰信号,并对其进行处理,得到数字视频信号;
S2、将数字视频信号经过短时傅里叶变换,得到时频矩阵;
S3、通过排序统计恒虚警方法对时频矩阵进行处理,得到去除了时频矩阵中背景噪声,保留了各时间段对应的各干扰信号的恒虚警检测矩阵;
S4、计算恒虚警检测矩阵中各干扰信号的参数,并将各干扰信号的参数集成到一个信号参数矩阵中,得到干扰信号检测结果;
S5、根据干扰信号检测结果,计算干扰信号的特征;
S6、根据干扰信号的特征,对干扰信号进行识别并分类;
所述步骤S4中各干扰信号的参数包括各干扰信号的起始时间t1、结束时间t2、起始频率f1、结束频率f2、中心频率f和带宽B;
所述步骤S5具体为:
S51、根据各干扰信号的起始时间t1和结束时间t2,将各干扰信号从数字视频信号中截取出来;
S52、以截取出的各干扰信号的中心频率f和带宽B为参数设计滤波器,滤除各干扰信号中的噪声和和非当前干扰信号,得到干扰信号矩阵Js;
S53、依次对干扰信号矩阵进行短时傅里叶变换、取模和归一化处理,得到特征矩阵;
S54、根据特征矩阵,确定干扰信号的特征。
2.根据权利要求1所述的宽带雷达干扰信号的识别分类方法,其特征在于,所述步骤S1具体为:
S11、通过信号采集单元获取雷达干扰信号;
S12、将获取的雷达干扰信号分别与cos数控本振和sin数控本振混频,然后分别进行低通滤波,得到两路信号;
S13、对两路信号叠加后进行降采样,得到数字视频信号。
3.根据权利要求1所述的宽带雷达干扰信号的识别分类方法,其特征在于,所述步骤S2具体为:
S21、对数字视频信号进行时域加窗处理,将数字视频信号分成若干个时间段的干扰信号;
S22、在时域内移动窗函数,计算各时间段内的干扰信号的频率分量;
S23、由各时间段内的干扰信号的频率分量组成时频矩阵。
4.根据权利要求1所述的宽带雷达干扰信号的识别分类方法,其特征在于,所述步骤S3具体为:
S31、将时频矩阵输入到平方律检波器中,将平方律检波器中出现测试单元参考滑窗处理循环中的输出值按从小到大排序,并选出第k个输出值单元Xk;
S32、将输出值单元Xk与设定的门限因子相乘作为判决阈值;
S33、通过判决阈值检测输入到平方律检波器中的时频矩阵的所有单元;
其中,时频矩阵的所有单元中的干扰信号能够通过判决阈值检测,背景噪声不能通过判决阈值检测;
S34、通过判决阈值检测的干扰信号构成的矩阵即为恒虚警检测矩阵。
5.根据权利要求1所述的宽带雷达干扰信号的识别分类方法,其特征在于,所述步骤S54中干扰信号的特征包括极角、矩偏度、F峰的个数、R峰的个数和时频图均匀度;
其中,极角的确定方法具体为:
D1、对特征矩阵Ms求模后作Radon变换,得到矩阵R;
D2、对矩阵R求模,并确定矩阵R中模值最大的一点;
D3、在角度维中,确定矩阵R中模值最大的一点对应的角度值,即为极角Angle_r;
其中,Radon变换的公式为:
式中,R(p,θ)为变换后的矩阵;
p为矩阵R的纵轴的截距维;
θ为矩阵R的横轴的角度维;
t为特征矩阵Ms的时间变量;
其中,矩偏度的计算公式为:
其中,Sk为矩偏度;
E(·)为求均值函数;
|Js|为干扰信号矩阵Js的模;
σ为干扰信号矩阵Js的标准差;
μ为干扰信号矩阵Js的均值;
其中,F峰的个数的确定方法具体为:
E1、将特征矩阵Ms按列累加,并求其对数,然后进行归一化处理得到行矩阵Msf;
E2、分别设定F峰的峰值门限和谷值门限;
E3、根据行矩阵Msf中的数据作曲线图像;
E4、判断曲线图像的形状是否满足F峰的个数为2的条件;
若是,F峰的个数Fnum为2;
否则,F峰的个数Fnum为1;
其中,曲线图像的形状满足F峰的个数为2的条件为:曲线图像先向上越过峰值门限,然后向下越过谷值门限,最后再向上穿过峰值门限;
其中,确定R峰的个数的方法具体为:
F1、提取特征矩阵Ms中最大值所在的列,将该列构成的矩阵记为列矩阵Msr;
F2、根据列矩阵Msr中的数据作曲线图像;
F3、设定R峰的门限值为0.5,R峰的个数初始值为0;
F4、根据曲线图像穿过门限值的次数,确定R峰的个数;
其中,确定R峰个数的公式为:
Rnum=0.5n
式中,Rnum为R峰的个数;
n为曲线图像穿过门限值的次数;
其中,确定时频图均匀度的方法具体为:
当n大于等于5时,判断R峰在特征矩阵的时间维中出现的位置在允许的误差内是否均匀;
若是,时频图均匀度Uniform为1;
否则,时频图均匀度Uniform为0。
6.根据权利要求5所述的宽带雷达干扰信号的识别分类方法,其特征在于,所述步骤S6具体为:
S61、判断干扰信号的极角Angle_r是否在1到89之间;
若是,则进入步骤S62;
否则;进入步骤S63;
S62、判断干扰信号的F峰的个数Fnum是否为1;
若是,则进入步骤S64;
若否,进入步骤S65;
S63、判断干扰信号的矩偏度Sk是否小于1.2;
若是,则进入步骤S66;
否则,则该干扰信号为梳状谱干扰信号;
S64、判断干扰信号的R峰的个数Rnum是否为1;
若是,则该干扰信号为速度拖引干扰信号或距离拖引干扰信号;
若否,则进入步骤S67;
S65、判断干扰信号的R峰的Rnum是否为1;
若是,则该干扰信号为间隙转发干扰信号;
若否,则该干扰信号为切片重构干扰信号;
S66、判断干扰信号的带宽B是否为0;
若是,则该信号为单载频信号;
否则,则该干扰信号为噪声调幅干扰信号或噪声调频干扰信号;
S67、判断干扰信号的时频图均匀度Uniform是否为1;
若是,则该干扰信号为频谱弥散干扰信号;
否则,则该干扰信号为密集幅值假目标干扰信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573957.XA CN109459732B (zh) | 2018-12-21 | 2018-12-21 | 一种宽带雷达干扰信号的识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573957.XA CN109459732B (zh) | 2018-12-21 | 2018-12-21 | 一种宽带雷达干扰信号的识别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109459732A CN109459732A (zh) | 2019-03-12 |
CN109459732B true CN109459732B (zh) | 2020-05-05 |
Family
ID=65614279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573957.XA Active CN109459732B (zh) | 2018-12-21 | 2018-12-21 | 一种宽带雷达干扰信号的识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459732B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412519B (zh) * | 2019-09-04 | 2021-04-23 | 中国人民解放军空军工程大学 | 一种雷达目标信号与干扰信号分离方法及装置 |
CN110794374B (zh) * | 2019-11-08 | 2022-05-17 | 哈尔滨工业大学 | 一种间歇采样转发干扰的参数辨识方法 |
CN111427018A (zh) * | 2020-04-22 | 2020-07-17 | 安徽华可智能科技有限公司 | 一种雷达干扰装备干扰效果评估方法 |
CN111693944B (zh) * | 2020-06-18 | 2023-07-18 | 上海志良电子科技有限公司 | 雷达有源干扰信号参数提取与干扰样式识别方法及装置 |
CN111970083B (zh) * | 2020-07-08 | 2022-04-08 | 北京航天华腾科技有限公司 | 干扰信号生成装置、方法及干扰信号源设备 |
CN112099013B (zh) * | 2020-08-06 | 2023-06-27 | 广东工业大学 | 一种波形自适应调整的车载雷达抗干扰方法 |
CN112051557B (zh) * | 2020-09-04 | 2023-12-12 | 中国船舶集团有限公司第七二四研究所 | 一种基于时频特征量化分析的有源干扰在线认知方法 |
CN112162245B (zh) * | 2020-09-29 | 2021-06-15 | 中国船舶重工集团公司第七二四研究所 | 一种基于时频功率谱投影的雷达宽带干扰识别方法 |
CN113030874B (zh) * | 2021-02-24 | 2022-08-19 | 电子科技大学 | 基于频控阵雷达的近距离主瓣干扰抑制方法 |
CN113835067B (zh) * | 2021-09-15 | 2023-12-26 | 中国人民解放军陆军工程大学 | 一种抗频谱弥散干扰方法及装置 |
CN114696942B (zh) * | 2022-03-25 | 2023-10-10 | 电子科技大学 | 一种适用于无人机通信链路的干扰方法 |
CN115499023B (zh) * | 2022-11-18 | 2023-03-24 | 中国电力科学研究院有限公司 | 一种无线路由器抗放电干扰方法及装置 |
CN115575908B (zh) * | 2022-11-28 | 2023-03-21 | 长沙驭电信息技术有限公司 | 一种基于脉冲描述字的雷达干扰参数优化方法及系统 |
CN116299401B (zh) * | 2023-05-19 | 2023-10-17 | 成都航空职业技术学院 | 基于目标散射点位置的恒虚警方法、设备及其存储介质 |
CN117991198A (zh) * | 2024-04-07 | 2024-05-07 | 成都远望科技有限责任公司 | 一种单发双收顶扫云雷达同频干扰识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329400A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 一种基于拟合优度检验的雷达目标恒虚警检测方法 |
CN101631102A (zh) * | 2009-04-10 | 2010-01-20 | 北京理工大学 | 一种跳频系统干扰样式识别技术 |
CN201489113U (zh) * | 2009-08-14 | 2010-05-26 | 成都远望科技有限责任公司 | 一种中频采集装置 |
CN104678368A (zh) * | 2015-02-16 | 2015-06-03 | 零八一电子集团有限公司 | 一维相扫三坐标雷达空域自适应干扰抑制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4622556A (en) * | 1984-10-02 | 1986-11-11 | The United States Of America As Represented By The Secretary Of The Air Force | Technique for rapid determination of probability of detection in pulse doppler radars |
CN1996042A (zh) * | 2006-12-31 | 2007-07-11 | 武汉大学 | 大时间带宽积线性调频信号的数字脉冲压缩方法 |
-
2018
- 2018-12-21 CN CN201811573957.XA patent/CN109459732B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329400A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 一种基于拟合优度检验的雷达目标恒虚警检测方法 |
CN101631102A (zh) * | 2009-04-10 | 2010-01-20 | 北京理工大学 | 一种跳频系统干扰样式识别技术 |
CN201489113U (zh) * | 2009-08-14 | 2010-05-26 | 成都远望科技有限责任公司 | 一种中频采集装置 |
CN104678368A (zh) * | 2015-02-16 | 2015-06-03 | 零八一电子集团有限公司 | 一维相扫三坐标雷达空域自适应干扰抑制方法 |
Non-Patent Citations (1)
Title |
---|
《基于DRFM的电子干扰检测与识别算法研究》;李乾;《信息科技辑》;20170215;P13-15 * |
Also Published As
Publication number | Publication date |
---|---|
CN109459732A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459732B (zh) | 一种宽带雷达干扰信号的识别分类方法 | |
CN111693944B (zh) | 雷达有源干扰信号参数提取与干扰样式识别方法及装置 | |
CN108469560B (zh) | 一种基于快速s变换时频空间模型的电磁干扰客观复杂度评估方法 | |
CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
CN111722188B (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
Chen et al. | Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
CN102879767B (zh) | 一种用于空时自适应处理的干扰目标检测方法 | |
CN111090077B (zh) | 多维度去交错后的toa差分统计雷达信号分选方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN107015207B (zh) | 基于frft域峰值离散特性的有源压制干扰分类识别方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN108594177A (zh) | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 | |
CN104931939A (zh) | 一种基于假目标特征的弹载转发式干扰抑制方法 | |
CN112014806B (zh) | 一种复杂干扰场景下的机载雷达无意干扰抑制方法 | |
Zaimbashi | Forward M-ary hypothesis testing based detection approach for passive radar | |
KR101207779B1 (ko) | 전자전 장비를 위한 신호 처리 장치 및 신호 처리 방법 | |
CN111060878B (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
Abdullah et al. | Vehicle recognition analysis in LTE based forward scattering radar | |
CN103308829A (zh) | 一种gis单次局放信号提取与触发时刻调整方法 | |
CN108089162A (zh) | 一种脉冲干扰信号的检测与抑制方法 | |
CN104596369B (zh) | 一种基于svm的连续波多普勒无线电引信抗扫频式干扰方法 | |
CN115951315B (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
CN109471084B (zh) | 一种电磁散射机理分解方法 | |
CN105745550B (zh) | 模拟至信息转换器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |