CN112034428A - 基于灰色关联的雷达无源干扰识别方法 - Google Patents

Abstract

本发明提供了一种基于灰色关联的雷达无源干扰识别方法，结合多种特征提取和分析，能够实现对雷达无源干扰的识别。本发明基于灰色关联进行分类器构建，结合了特征提取的全面性和分类器设计的高效性，从而使得通过分类器的特征匹配结果的准确率和实时性很高，进而得到的识别结果准确性特别高，能够解决雷达对无源干扰识别的需求。

Description

基于灰色关联的雷达无源干扰识别方法

技术领域

本发明属于雷达干扰技术领域，具体涉及基于灰色关联的雷达无源干扰识别方法。

背景技术

海面电磁干扰环境中的干扰识别，主要是为了区分舰船与箔条干扰、角反射器干扰。在单极化天线的条件下，主要实时处理识别方法为基于高分辨一维距离像技术和多普勒技术。干扰识别在国防安全、电子对抗等方面起着关键作用。

一维距离像是通过大带宽信号获得的距离高分辨回波包络，能够详细刻画目标的散射结构。一维距离像特性又分为静态特性和动态特性，静态特性为目标一个回波一维距离像所反映出的目标散射结构，动态特性为多个回波的一维距离像的变化所体现出的目标散射特性的动态变化过程。角反射器物理尺寸较小，结构简单，舰船物理尺寸较大，结构较为复杂，而箔条尺寸一般比舰船大，此外一般舰船一维距离像稳定性好、相关性强，相关时间长；箔条距离像稳定性差、相关性弱，相关时间短。故通过高分辨一维距离像根据统计学可以提出反映目标物理特性的特征，但是这种方法对于目标位于箔条云内部一维距离像不可分和阵列角反射器等复杂情况下识别效果下降甚至失效。

多普勒特性包含两个方面，一个是由目标的空间移动造成的多普勒平移及多普勒频谱扩展的效应，另一个是由目标围绕质心的摇动摆动所引入的微多普勒。其中微多普勒由于需要的积累时间较长，未能实际运用到干扰识别中。根据多普勒频谱扩展效应，由于箔条云内部箔条运动复杂，箔条云的多普勒展宽会明显大于整体速度单一的舰船目标，故可用于区分箔条云和舰船。

目前雷达海面无源干扰识别技术中，缺乏易于实现且有效的角反射器识别方法，箔条识别方法相对成熟但识别率仍有提升空间。雷达探测目标的环境非常复杂，而雷达系统在有限的系统资源下获取的目标信息也是有限的。同一个目标具有很多种特征，很多目标特征并非是唯一性的，不同目标在同一个特征的投影空间上往往会有交叠，导致识别错误。为了提高目标识别性能，综合利用多种特征是雷达目标识别发展的一个必然趋势。在雷达多特征目标识别中，分类器应用广泛，随着统计学理论在识别领域的应用，支持向量机在解决小样本、非线性识别中便显示出独特的优势，如结构简单、全局最优、推广能力强、学习和预测时间短等。

发明内容

有鉴于此，本发明提供了一种基于灰色关联的雷达无源干扰识别方法，结合多种特征提取和分析，能够实现对雷达无源干扰的识别。

为实现上述目的，本发明的基于灰色关联的雷达无源干扰识别方法，包括如下步骤：

以实测数据中的真实目标的雷达回波信号以及雷达无源干扰目标的回波信号作为样本数据，分别进行标记，对应不同属性；提取带标记样本数据的一维距离像的静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征，构成带标记向量样本；将利用带标记向量样本构建分类器；

根据待识别目标的距离多普勒量测信息，定位待识别目标在数据中的位置并截取相应的目标数据；提取目标数据的一维距离像的静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征形成目标向量；将目标向量送入构建好的分类器，分类器对待识别目标的属性进行判别并输出，完成识别。

其中，所述雷达真实目标为舰船；所述雷达无源干扰包括箔条和角反射器。

有益效果：

本发明基于灰色关联进行分类器构建，结合了特征提取的全面性和分类器设计的高效性，从而使得通过分类器的特征匹配结果的准确率和实时性很高，进而得到的识别结果准确性特别高，能够解决雷达对无源干扰识别的需求。

附图说明

图1为本发明原理框图。

图2为本发明一维距离像截取示意图。

图3为本发明两种灰色关联度原理示意图。图3a为绝对平均灰色关联度原理示意图，图3b为邓氏平均灰色关联度原理示意图。

图4为本发明初始扩散阶段的箔条与舰船平均灰色关联度统计对比图。图4a为初始扩散阶段的箔条与舰船的距离-多普勒域仿真结果，图4b为初始扩散阶段的箔条与舰船平均灰色关联度统计对比图。

图5为本发明中后期扩散阶段的箔条与舰船平均灰色关联度统计对比图。图5a为中后期扩散阶段的箔条与舰船的距离-多普勒域仿真结果，图5b为中后期扩散阶段的箔条与舰船平均灰色关联度统计对比图。

图6为本发明单个角反射器与舰船平均灰色关联度统计对比图。图6a为单个角反射器与舰船的距离-多普勒域仿真结果，图6b为舰船的距离-多普勒域局部放大图，图6c为单个角反射器的距离-多普勒域局部放大图，图6d为单个角反射器与舰船的平均灰色关联度统计对比图。

图7为本发明二阵列角反射器与舰船平均灰色关联度统计对比图。图7a为二阵列角反射器与舰船的距离-多普勒域仿真结果，图7b为舰船的距离-多普勒域局部放大图，图7c为二阵列角反射器的距离-多普勒域局部放大图，图7d为单个角反射器与舰船的平均灰色关联度统计对比图。

图8为本发明线性可分情况下的最优超平面示意图。

图9为本发明基于实测数据的基于多特征提取的无源干扰识别方法验证流程图。

图10为本发明识别率改善对比图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明原理框图如图1所示，对目标样本数据的一维距离像静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征进行提取，利用提取的特征构建分类器；对检测到的目标进行一维距离像静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征进行提取，通过构建好的分类器进行匹配识别，从而得到准确性较高的识别结果，使得该方法能够很好地应用在雷达对无源干扰的识别上。

1、一维距离像静态特征具体如下：

回波样本数据满足完整性、连续性和保真性的条件下，连续采集N个脉冲回波，每个脉冲回波的采样点为M，得到一个N组M点回波序列的样本。如图2所示，反映目标散射信号的部分，称之为有效波形(T3～T4)。采用自适应界定的思路，首先根据目标特性设置一个较为宽松的距离波门T1和T2，分别以波门边界为起点，以最大值为终点，搜索上升沿T3和下降沿T4，作为有效波形的起始和终止。利用统计的方法，从一维距离像中定义并提取特征，提取的一维距离像静态特征包括径向尺寸、一维距离像熵和时域信号相对充实度，具体介绍如下：

径向尺寸：对于目标检测后的散射点聚集，假设可聚集散射点集合为S_r＝{r₁ r₂… r_P}，其中：r表示散射点的斜距，下标P表示可聚集散射点个数。定义目标的距离向长度为：

R_L＝max(s_r)-min(s_r) (1)

一维距离像熵：定义一维距离像的熵，来反映目标散射中心的分布情况。假设x_i为第i个回波脉冲，一维距离像熵特征的计算为：

时域信号相对充实度：回波的静态特征与目标结构有较强对应关系，角反射器为点目标模型，其时域回波类似为三角结构；舰船目标是多个散射点回波的叠加，其时域回波是底宽顶窄的梯形结构；而箔条目标是大量散射点回波的叠加，其时域回波更接近于长方形。针对这三种形状，受限于带宽的距离分辨率以及旁瓣的影响，根据过CFAR点计算的径向尺寸具有一定的误差，考虑利用信号的所有能量。根据信号位置取一定宽度距离窗的信号，计算一个CPI信号的归一化幅度求和，将归一化的幅度求和定义为时域信号相对充实度。

其中n为一个脉冲重复间隔内脉冲总个数，m为一维距离像所取距离单元个数，row为目标信号CFAR检测的最大值所在距离单元。

2、多普勒频谱特征具体如下：

将目标多个脉冲的采样信号做傅里叶变换，得到多普勒频谱。将提取的多普勒频谱包络做幅度归一化后，提取特征，设归一化多普勒频谱为y＝[y₁ y₂ … y_n]，提取的多普勒频谱特征包括多普勒积分旁瓣比、多普勒波形熵、多普勒-6dB幅度、多普勒宽度和幅度标准差。具体介绍如下：

多普勒积分旁瓣比(ISL)：积分旁瓣比定义为旁瓣能量与主瓣能量的比值。一般用分贝数表示，定量地描述目标周围被来自目标强散射点能量泄露所“淹没”的程度。定义多普勒积分旁瓣比为：

其中E_m与E_s分别是多普勒频谱主瓣能量和旁瓣能量：

式中，a，b为主瓣第一零点，作为主瓣与旁瓣的交界，(a,b)内为主瓣，(0,a)和(b,n)内为旁瓣。

多普勒波形熵：对应于时域一维距离像的熵，定义频域的多普勒波形熵：

多普勒-6dB幅度：统计多普勒频谱，以目标幅度下降6dB(即目标幅度的0.25倍)为门限，统计门限之上信号的幅度和。定义-6dB幅度为：

其中y_i'为幅度大于0.25倍信号最大值的多普勒信号。反映频谱中峰值幅度与其它信号点幅度的关系。

多普勒宽度：计算目标多普勒频谱多普勒幅度大于某门限值的最大多普勒单元与最小多普勒单元之差。为防止频谱中出现同一距离单元，不同多普勒通道的多个目标，在散射点聚集的基础上，假设二维CFAR检测后聚集散射点集合为s_d＝{d₁ d₂ … d_N}，其中：d表示散射点的多普勒通道，下标N表示可聚集散射点个数。提取大于0.2倍目标幅度的散射点，目标多普勒宽度估计结果为：

D_l＝max(s_d)-min(s_d) (8)

针对相参积累后的距离-多普勒矩阵，包含了距离维、多普勒维以及信号能量强度的信息，以通过二维CFAR检测且关联为一个目标的散射点为基础，计算以下特征：

幅度标准差：幅度标准差代表了距离-多普勒区域中，该目标点所聚集散射点偏离均值的程度，它反映了所聚集散射点的不均匀性。定义幅度标准差σ为：

其中P为聚集散射点个数，Amp_i为各散射点幅度。

3、邓氏平均灰色关联度特征具体如下：

设选取的回波数据包含N个回波脉冲，每个脉冲采样点为M，第i个回波脉冲序列记为

X_i＝{x_i(k)|i＝1,2,…,N,k＝1,2,…,M} (10)

选取第i+1个脉冲为参考数列，第i个脉冲作为比较数列，则

则ξ_i(k)为比较数列X_i对参考数列X_i+1在k时刻的关联系数。ρ∈(0,1)为分辨系数，由上述公式易看出，ρ越大，分辨率越大；ρ越小，分辨率越小，为了舰船与角反射器的区分效果更加明显，选择ρ＝0.4。

定义

为数列X_i对参考脉冲数列X_i+1的关联度(GCD)。遍历N-1个比较脉冲作为参考数列，可以得到N-1个GCD，定义

为该目标M个脉冲间的邓氏平均灰色关联度。

邓氏平均灰色关联度与绝对平均灰色关联度的区分度对比如下：

分析典型实测数据，挑选舰船目标分别与箔条、角反射器干扰同时存在于同一个波束内的数据，绝对平均灰色关联度和邓氏平均灰色关联度的原理示意图如图3所示，根据这两种方法分别计算平均灰色关联度，并对比不同类别目标的类间区分度及类内收敛程度，仿真结果表明，采用邓氏平均灰色关联度特征在干扰目标区分中更具优势。具体分析如下：

对初期和中后期的箔条、单个和二阵列角反射器与舰船进行两种平均灰色关联度计算，仿真结果分别如图4、图5、图6、图7所示。结果表明，绝对平均灰色关联度仅对中后期扩散阶段的箔条与舰船有一定区分度，对初始扩散阶段的箔条、角反射器与舰船，特征无法区分开。而邓氏平均灰色关联度不仅对扩散阶段、中后期扩散阶段的箔条与舰船有区分效果，并且对舰船与单个角反射器、二阵列角反射器器也有很好的类间区分效果；相比较一维距离像静态特征与多普勒频谱特征而言特征的值也较为收敛，各类特征分布的区间较为稳定，角反射器的邓氏平均灰色关联度值最高，其次是舰船，箔条最低，趋势明显。

4、分类器：以现有的基于支持向量机的分类器构建为例，SVM起源于线性可分条件下的最优超平面理论，以此为例，图8中空心点和实心点则分别代表两类线性可分的目标样本，线段H代表分类超平面，H1和H2为两条直线，分别由两类样本中距离分类超平面H最近的样本所支撑，且平行于分类超平面H，它们之间的距离称为分类间隔。最优分类超平面理论要求同时满足分类超平面可将两类目标正确分开，并且使分类间隔最大化。

超平面为：

(w·x)+b＝0 (12)

而最优超平面，为使H1:(w·x)+b＝1和H2：(w·x)+b＝-1的间隔最大，并且保证H1与H2间没有样本数据点，即对所有训练样本数据，有以下形式：

y_i·[(w·x_i)+b]≥1 (13)

式中，y_i为样本数据x_i的类别标号，值为1或-1，i＝1,2,…，N。实际中很难存在H1与H2间没有样本数据点的情况，可通过引入松弛因子ξ允许存在错分样本，约束条件变为：

y_i·[(w·x_i)+b]+ξ≥1 (14)

在2.31的约束条件下，该超平面H的确定即寻找w和b，要保证平面H1和H2的间隔最大，可转化为

其中ξ_i>0为松弛变量，C>0为惩罚因子。

为避免原始高维的样本数据在变换空间出现维数灾难，降低时间复杂度，有效地解决非线性问题，在支持向量机中引入高斯径向基核函数。

本发明采用一对一思想来进行分类器的构建，基于大量的实测数据构建分类器，具体如下：

首先以实测数据中的雷达真实目标以及雷达无源干扰作为样本数据，从样本数据提取基于一维距离像的静态特征以及多普勒频谱特征，和基于一维距离像动态变化的邓氏平均灰色关联度特征，将样本数据转化为由各个特征表示的向量样本，将向量样本分为训练样本与测试样本，利用训练样本构建分类器，利用测试样本对分类器进行测试，流程图如图9所示。

本实施例中，雷达真实目标为舰船，雷达无源干扰包括箔条干扰以及角反射器干扰，分别从不同时间的三次外场试验得到的20组实测数据中，筛选已知真值的样本，为了保证样本的均衡，在保证多样性的同时，保证各类目标样本的数量在同一个数量级上，选取角反射器4000样本数据，舰船6250样本数据，箔条5000样本数据；其中舰船样本9组，角反射器样本15组，箔条样本4组；其中单数作为训练样本，双数作为测试样本，保证训练样本与测试样本无交叉、不重复，也保证了每一类目标训练样本与测试样本的比例不变。

本发明在向量样本中考虑了基于一维距离像动态变化的邓氏平均灰色关联度特征，为了确定该特征对分类器起到的作用，采用统计的方法进行对比分析，分别评估仅采用一维距离像与多普勒特征、无邓氏平均灰色关联度特征训练的识别结果，以及采用一维距离像与多普勒特征、并加入邓氏平均灰色关联度特征训练的识别结果。舰船、箔条以及角反射器三类目标的识别率对比如图10所示。

采用混淆矩阵评估识别错误样本的变化情况。其对角线上的数据代表该算法对各类目标正确识别率，非对角线数据则表示不同目标之间相互混淆的概率。

无邓氏平均灰色关联度的识别率混淆矩阵如表1所示。从表1中可以发现舰船与角反射器相互判错的概率较大，舰船错判为角反射器的概率为21.4％，角反射器识别为舰船的概率为36.8％，舰船与箔条有小部分相互判错，箔条与角反射器则没有相互判错的情况。含有邓氏平均灰色关联度的识别率混淆矩阵如表2所示。从表2中可以发现舰船与角反射器相互判错的概率大幅度降低，舰船错判为角反射器的概率为7.53％，角反射器判错为舰船的概率为3.14％，舰船与箔条相互判错的概率也有所降低，箔条与角反射器则没有相互判错的情况。

表1无邓氏平均灰色关联度的识别率混淆矩阵

表2含有邓氏平均灰色关联度的识别率混淆矩阵

由表1与表2对比可以发现，表2中舰船与角反射器相互判错的概率大幅度降低。验证了邓氏平均灰色关联度特征在舰船、角反射器别中的重要作用。同时，箔条的识别率也有一定的提升，表明该特征对干扰与舰船识别分类器的构建均起到了正面作用。

进行雷达无源干扰时，根据待识别目标的距离多普勒量测信息，定位待识别目标在数据中的位置并截取相应的目标数据，提取目标数据的一维距离像的静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征；将目标数据转化为由所提取的特征表示的目标向量；将目标向量送入构建好的分类器，分类器对待识别目标的属性进行判别并输出，完成识别。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于灰色关联的雷达无源干扰识别方法，其特征在于，包括如下步骤：

以实测数据中的真实目标的雷达回波信号以及雷达无源干扰目标的回波信号作为样本数据，分别进行标记，对应不同属性；提取带标记样本数据的一维距离像的静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征，构成带标记向量样本；将利用带标记向量样本构建分类器；

根据待识别目标的距离多普勒量测信息，定位待识别目标在数据中的位置并截取相应的目标数据；提取目标数据的一维距离像的静态特征、多普勒频谱特征以及邓氏平均灰色关联度特征形成目标向量；将目标向量送入构建好的分类器，分类器对待识别目标的属性进行判别并输出，完成识别。

2.如权利要求1所述的基于灰色关联的雷达无源干扰识别方法，其特征在于，所述雷达真实目标为舰船；所述雷达无源干扰包括箔条和角反射器。

Images