CN113126041B - 基于惩罚因子可变的雷达分布式干扰信号产生方法 - Google Patents

Abstract

一种基于惩罚因子可变的雷达分布式干扰信号生成方法，其实现步骤是：用获取的雷达参数判定雷达威胁等级并设置约束条件；构建与每个STAP雷达威胁等级值对应的目标函数；设置惩罚因子的值；用计算欧式距离的方法确定相邻向量并组成相邻向量索引集合；用基于标准遗传算法得到变异后的个体；判断惩罚因子可变的PBI分解公式并求解目标函数的最优解；利用最优解中的最优干扰信号完成对对方STAP雷达组网的干扰。本发明采用了惩罚因子可变的PBI分解算法生成的干扰信号具备充足的能量，提升了对STAP雷达的干扰性能，可用于多部干扰机和STAP雷达组成的干扰场景。

Description

基于惩罚因子可变的雷达分布式干扰信号产生方法

技术领域

本发明属于雷达技术领域，更进一步涉及雷达干扰技术领域中的一种基于惩罚因子可变的惩罚边界交集APBI(Adaptive Penalty-based Boundary Intersection)分解的空时自适应处理STAP(Space-Time Adaptive Processing)雷达分布式干扰方法。本发明可用于干扰机对目标函数求解最优解，然后利用最优解产生的干扰信号，对雷达进行干扰。

背景技术

相比于地基雷达较为简单的杂波抑制过程，机载雷达所面对的信号探测环境更为复杂。这种雷达对于强杂波和干扰的抑制主要通过STAP技术来实现，STAP雷达具有极强的自适应性，可对强杂波和常规干扰进行有效抑制。由此可见，具有优越杂波抑制性能的STAP雷达无疑使得干扰方在实施对抗行动时存在一定难度。更为严重的是，在无干扰情况下干扰方的战机将无法得到有效掩护，使作战方案的部署毁于一旦。目前，STAP雷达干扰领域处于起步阶段，现今对STAP算法的干扰研究仅集中在设计有效的干扰样式，从而破坏STAP算法中训练样本的独立同分布条件，但实现该技术需要通过侦察设备精确获取敌方雷达的重要参数及位置信息，对侦察技术提出了更高要求，实现难度较大。因此，对STAP雷达进行干扰研究是抑制STAP雷达性能的有效手段，对掩护干扰方目标具有重要意义。

张嘉曦在其发表的论文“对机载雷达STAP的干扰方法研究”(西安电子科技大学，硕士学位2018年)中公开了一种STAP的干扰方法。该方法首先将干扰天线对准STAP雷达的主瓣方向，然后对STAP雷达发射单点源主瓣干扰信号。该方法存在的不足之处是，只运用了单点源主瓣干扰方法对STAP雷达进行干扰，由于实施主瓣干扰需要较多先验信息，无法同时对多个目标进行有效干扰。

西安电子科技大学在其申请的专利文献“基于PBI的STAP雷达分布式干扰信号产生方法”(专利号202110382564.6，2021.04.09)中公开了一种对STAP雷达的分布式干扰信号产生方法。该方法首先干扰机接收雷达信号得到雷达的参数信息判定雷达的威胁等级，根据不同的威胁等级构建满足约束条件的目标函数集合；利用基于PBI的分解算法对种群中各组初始干扰信号生成解的最优解，每个种群最优解中包含干扰样式和干扰功率的最优分布式干扰信号可以在实现对雷达干扰的同时保持干扰信号能量，并且可以应用于多部干扰机和多部雷达组成的“多对多”干扰场景，解决了现有技术无法同时对多个目标进行干扰的问题。但是，该方法仍然存在的不足之处是，由于该方法所使用的PBI算法之中的惩罚因子是不变的，使得多个干扰机对多个STAP雷达的干扰信号能量损失过大，且分解算法寻优干扰信号结果受惩罚因子的影响比较大，干扰效果不佳。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于惩罚因子可变的PBI的STAP雷达分布式干扰信号产生方法，用于解决基于PBI的STAP雷达分布式干扰产生的最佳干扰信号的干扰能信号能量损失过大的问题，使得生成的干扰信号在完成对STAP雷达干扰的同时保证了干扰信号具备充足的能量。

实现本发明目的的具体思路是，根据干扰机截获的STAP雷达参数信息判定雷达的威胁等级；根据不同的威胁等级构建满足约束条件的目标函数集合；惩罚因子可变的PBI分解算法可以在搜索寻优的每一代调整每个目标函数的惩罚因子值，利用惩罚因子可变的PBI分解算法对种群中各组干扰信号生成解的最优解，最优解中包含干扰功率和干扰样式的分配方案，可以在实现对STAP雷达干扰的同时保持干扰信号能量，并且本发明生成的分布式干扰信号可以应用于“多对多”干扰场景，解决了现有技术无法同时对多个目标进行干扰的问题。

本发明的具体步骤包括如下：

(1)用获取的雷达参数信息判定雷达威胁等级；

(2)设置目标函数集合的约束条件；

设置目标函数集合的约束条件为，每个干扰机的归一化干扰功率之和均为1，且在干扰同一部STAP雷达时，每个干扰机所用干扰样式均为同一种干扰样式；

(3)构建与每个STAP雷达威胁等级值对应的目标函数f_i(x)组成目标函数集合F(x)；

(4)利用惩罚因子可变的PBI分解算法求解目标函数的最优解；

(4a)设置种群规模大小为K，K＞200，产生满足目标函数的约束条件的K组干扰信号生成解向量；

(4b)计算每组当前迭代时干扰信号生成的解向量与其余组各初始干扰信号生成的解向量之间的欧式距离，将所有欧式距离中最小的欧式距离对应解向量作为当前迭代时干扰信号生成的解向量的相邻向量，将所有相邻向量组成相邻向量索引集合；

(4c)从相邻向量索引集合中任意选择两个索引，利用基于标准遗传算法对所选两个索引相对应的初始干扰信号生成解向量依次进行交叉、变异操作，得到当前迭代时变异后的个体y^*；

(4d)利用下述公式，求解当前迭代时产生干扰信号的最优解：

min{g^apbi(x|η,σ)＝d_i,1+θ_id_i,2}

其中，min{·}表示取最小值操作，g^apbi(x|η，σ)表示用参数η,σ对x优化的PBI的分解操作，x表示当前迭代时干扰信号生成解，η表示由STAP雷达的初始干扰信号生成的解向量，σ表示参考解向量，σ＝(σ₁,σ₂,…,σ_i…,σ_N)^T，1≤i≤N，N表示目标函数的总数，σ_i表示第i个目标函数对应的参考解，T表示转置操作，d_i,1表示当前迭代时第i个目标函数的第一参数向量d₁的值，d_i,2表示当前迭代时第i个目标函数的第二参数向量d₂的值，θ_i表示当前迭代时的第i个目标函数的惩罚因子；

(4e)按照下式，设置当前迭代时惩罚因子θ_i的值：

其中，

表示上一次迭代时的第i个目标函数的惩罚因子，Δθ_i表示第i个目标函数的惩罚因子变化量；该变化量是由下式计算得到的：

其中，sgn(·)表示符号函数，

表示当前迭代时所有目标函数的第二参数向量的平均值，/>

表示上一次迭代时第i个目标函数的惩罚因子值θ_i的最小值；

(4f)如果g^apbi(y^*|ηⁱ,σ_i)≤g^apbi(x^k|ηⁱ,σ_i)公式成立，判定当前迭代时变异后的个体y^*优于相邻向量索引集合中的任何一个当前迭代时干扰信号生成解x^k，则用y^*替代x^k，得到更新后的干扰信号生成解作为当前迭代时干扰信号生成解；其中，ηⁱ表示当前迭代时第i个STAP雷达的初始干扰信号生成解，k表示种群索引序号，k＝1,...,K，K表示种群规模大小；

(4g)判断是否遍历了N个目标函数，若是，则执行步骤(5)，否则，执行步骤(4b)；

(5)生成最优分布式干扰信号：

将每个种群最优解中包含的干扰样式和干扰功率的分布式干扰信号作为在“多对多”干扰场景中针对STAP雷达进行干扰的每个干扰机的发射信号。

与现有技术相比，本发明具有如下优点：

第一，由于本发明按照设置的约束条件和种群规模大小生成初始种群，通过对初始种群进行惩罚因子可变的PBI的分解的多目标进化得到最优解，利用最优解中包含的对STAP雷达的最优干扰信号完成干扰，克服了现有的PBI的分解生成的干扰信号在对STAP雷达进行干扰的过程中干扰信号能量损失过大的问题，使得本发明生成的干扰信号具备充足的能量可以完成对STAP雷达的有效干扰。

第二，本发明利用惩罚因子可变的PBI分解算法求解目标函数的最优解，由于所采用的惩罚因子可变的PBI的分解算法受惩罚因子的影响小，可以应用于多部干扰机和多部STAP雷达组成的“多对多”干扰场景，克服了现有技术中干扰效果有限问题和无法同时对多目标进行干扰的问题，使得本发明通过优化后的分布式干扰信号生成方法的灵活性强，可根据场景中的STAP雷达威胁等级进行适配性调整，使干扰机在多目标场景下实现对STAP雷达更有效的干扰。

附图说明

图1为本发明流程图；

图2为本发明仿真实验中STAP雷达1经过惩罚因子可变的PBI分解优化前后的改善因子对比图；

图3为本发明仿真实验中STAP雷达2经过惩罚因子可变的PBI分解优化前后的改善因子对比图；

图4为本发明仿真实验中STAP雷达3经过惩罚因子可变的PBI分解优化前后的改善因子对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

参照附图1，对本发明实现的具体实施步骤做进一步详细描述。

步骤1，获取雷达参数信息。

在STAP雷达的总数至少为三部且干扰机的总数大于STAP雷达的总数的“多对多”干扰场景中，每个干扰机从接收的每部STAP雷达的信号序列中提取其脉冲信号的带宽、载波频率和发射功率。

步骤2，判定雷达威胁等级。

将每部STAP雷达发射功率的权重设置为a，载波频率和带宽的权重分别为b和c，其中a，b，c分别是取值范围在(0,1)之间的数值。

对每部STAP雷达的带宽、载波频率和发射功率求加权和。

利用

公式，计算每部STAP雷达的威胁等级值，威胁等级值越大对应雷达的威胁等级越高；其中，ω_i表示第i部STAP雷达的威胁等级值，S_i表示第i部STAP雷达的带宽、载波频率和发射功率的加权和，N表示干扰机接收回波信号的所有STAP雷达的总数，因为惩罚因子可变的PBI的分解算法受惩罚因子的影响小，可适用于多部STAP雷达组网的多目标场景中，N的取值范围为N≥3。

步骤3，设置约束条件。

设置目标函数集合的约束条件为，每个干扰机的归一化干扰功率之和均为1，且在干扰同一部STAP雷达时，每个干扰机所用干扰样式均为同一种干扰样式。

步骤4，构建目标函数。

构建与每个STAP雷达威胁等级值对应的目标函数如下：

f_i(x)＝ω_i·(a_1is_1ip_1i+a_2is_2ip_2i+…+a_jis_jip_ji…+a_Mis_Mip_Mi)

其中，f_i(x)表示第i部STAP雷达威胁等级值的对应的干扰目标函数，x表示待优化变量，ω_i表示第i部STAP雷达的威胁等级值，a_1i表示第1部干扰机对第i部STAP雷达的空时干扰因子，a_2i表示第2部干扰机对第i部STAP雷达的空时干扰因子，a_ji表示第j部干扰机对第i部STAP雷达的空时干扰因子，a_Mi表示第M部干扰机对第i部STAP雷达的空时干扰因子；s_1i表示第1部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_2i表示第2部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_ji表示第j部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_Mi表示第M部干扰机对第i部STAP雷达干扰时所采用的干扰样式；p_1i表示第1部干扰机对第i部STAP雷达的归一化干扰功率，p_2i表示第2部干扰机对第i部STAP雷达的归一化干扰功率，p_ji表示第j部干扰机对第i部STAP雷达的归一化干扰功率，p_Mi表示第M部干扰机对第i部STAP雷达的归一化干扰功率。

将所有的目标函数组成一个目标函数集合F(x)如下：

其中，F(x)为所有目标函数f₁(x)，f₂(x)，…f_i(x)，…，f_N(x)的函数集合。

步骤5，利用惩罚因子可变的PBI分解算法求解目标函数的最优解。

第一步，设置种群规模大小为K，K＞200，产生满足目标函数的约束条件的K组干扰信号生成解向量；

第二步，计算每组当前迭代时干扰信号生成的解向量与其余组各初始干扰信号生成的解向量之间的欧式距离，将所有欧式距离中最小的欧式距离对应解向量作为当前迭代时干扰信号生成的解向量的相邻向量，将所有相邻向量组成相邻向量索引集合；

第三步，从相邻向量索引集合中任意选择两个索引，利用基于标准遗传算法对所选两个索引相对应的初始干扰信号生成解向量依次进行交叉、变异操作，得到当前迭代时变异后的个体y^*；

第四步，利用下述公式，求解当前迭代时产生干扰信号的最优解：

min{g^apbi(x|η,σ)＝d_i,1+θ_id_i,2}

其中，min{·}表示取最小值操作，g^apbi(x|η，σ)表示用参数η,σ对x优化的PBI的分解操作，x表示当前迭代时干扰信号生成解，η表示由STAP雷达的初始干扰信号生成的解向量，σ表示参考解向量，σ＝(σ₁,σ₂,…,σ_i…,σ_N)^T，1≤i≤N，N表示目标函数的总数，σ_i表示第i个目标函数对应的参考解，T表示转置操作，d_i,1表示当前迭代时第i个目标函数的第一参数向量d₁的值，d_i,2表示当前迭代时第i个目标函数的第二参数向量d₂的值，θ_i表示当前迭代时的第i个目标函数的惩罚因子；

第五步，按照下式，设置当前迭代时惩罚因子θ_i的值：

其中，

表示上一次迭代时的第i个目标函数的惩罚因子，Δθ_i表示第i个目标函数的惩罚因子变化量；该变化量是由下式计算得到的：

其中，sgn(·)表示符号函数，

表示当前迭代时所有目标函数的第二参数向量的平均值，/>

表示上一次迭代时第i个目标函数的惩罚因子θ_i的最小值；

第六步，按照下式，计算第一参数向量d_i,1和计算第二参数向量d_i,2：

其中，||·||表示取2-范数操作。

步骤6，生成最优分布式干扰信号。

将每个种群最优解中包含的干扰功率和干扰样式分配结果的分布式干扰信号作为在“多对多”干扰场景中针对STAP雷达进行干扰的每个干扰机的发射信号，干扰机对STAP雷达组网发射上述生成的最优分布式干扰信号，最终完成对对方STAP雷达组网的分布式干扰。

下面结合本发明的仿真实验对本发明的效果做进一步的描述。

1.仿真实验条件。

本发明的仿真实验的硬件平台：CPU为Intel Core i7-7700，RAM为8GB。

本发明的仿真实验的软件平台：Windows 10操作系统和Matlab R2019a。

由于本发明所采用的惩罚因子可变的PBI分解算法适用于目标个数至少为三个的场景，仿真设定雷达总数N＝3，分布式干扰组网中包含M＝8部干扰机，惩罚因子可变的PBI分解的多目标进化算法近邻数为200，交叉概率为0.5，变异概率为0.5，交叉变异参数为1，变异算子参数为1，外部种群输出阈值为200，最大迭代次数为200。STAP雷达1的带宽为10MHz，载频为3GHz，发射功率为20kw；STAP雷达2的带宽为20MHz，载频为1GHz，发射功率为30kw；STAP雷达3的带宽为20MHz，载频为1.5GHz，发射功率为40kw；每部STAP雷达的阵元个数为12，脉冲个数为24。

根据本发明步骤2所述判定雷达威胁等级的方法，判定STAP雷达3的威胁等级最高，STAP雷达2的威胁等级次之，STAP雷达1的威胁等级最低。

2.仿真内容与结果分析。

本发明的仿真实验是采用本发明提出的方法和两个现有技术(单点源旁瓣干扰方法、常规分布式干扰方法)生成三种干扰信号，再利用生成的三种干扰信号对每个STAP雷达进行干扰，在每个STAP雷达接收端对包含干扰信号的接收信号进行STAP处理，得到STAP处理后的输出信号，分别计算接收信号的信干杂噪比和输出信号的信干杂噪比，接收信号的信干杂噪比与输出信号的信干杂噪比的比值即为每个STAP雷达的改善因子，通过仿真软件Matlab R2019a对每个STAP雷达改善因子绘制成曲线形式，得到三种干扰信号对STAP雷达1，STAP雷达2，STAP雷达3的三个改善因子曲线图，分别如图2，图3和图4所示。

在仿真实验中所采用的两个现有技术现有技术单点源旁瓣干扰方法和常规分布式干扰方法均发表在下述论文中：

张嘉曦在其发表的论文“对机载雷达STAP的干扰方法研究”(西安电子科技大学，硕士学位2018年)中提出的单点源旁瓣干扰方法和未加优化算法的常规分布式干扰方法，下面分别简称单点源旁瓣干扰方法和常规分布式干扰方法。

本发明的仿真实验中分别使用本发明方法，单点源旁瓣干扰方法和常规分布式干扰方法各自产生干扰信号并通过干扰机进行发射，在STAP雷达1接收端对接收信号进行STAP算法处理，得到STAP算法处理后的输出信号。分别计算接收信号的信干杂噪比和输出信号的信干杂噪比，接收信号的信干杂噪比与输出信号的信干杂噪比的比值即为STAP雷达1的改善因子的大小，由此得到图2中所示的STAP雷达1经过惩罚因子可变的PBI分解优化前后的改善因子对比图。

对于STAP雷达2，分别使用本发明方法，单点源旁瓣干扰方法和常规分布式干扰方法各自产生干扰信号并通过干扰机进行发射，在STAP雷达2接收端对接收信号进行STAP算法处理，得到STAP算法处理后的输出信号。分别计算接收信号的信干杂噪比和输出信号的信干杂噪比，接收信号的信干杂噪比与输出信号的信干杂噪比的比值即为STAP雷达2的改善因子的大小，由此得到图3中所示的STAP雷达2经过惩罚因子可变的PBI分解优化前后的改善因子对比图。

对于STAP雷达3，分别使用本发明方法，单点源旁瓣干扰方法和常规分布式干扰方法各自产生干扰信号并通过干扰机进行发射，在STAP雷达3接收端对接收信号进行STAP算法处理，得到STAP算法处理后的输出信号。分别计算接收信号的信干杂噪比和输出信号的信干杂噪比，接收信号的信干杂噪比与输出信号的信干杂噪比的比值即为STAP雷达3的改善因子的大小，由此得到图4中所示的STAP雷达3经过惩罚因子可变的PBI分解优化前后的改善因子对比图。

图2，图3和图4中的横坐标都指的是归一化的多普勒频率，纵坐标分别指的是每部STAP雷达在三种方法干扰下的改善因子，单位为dB。图2，图3和图4中的实线表示单个旁瓣干扰下的STAP雷达改善因子曲线，以“﹎”标示的点画线表示未经过惩罚因子可变的的PBI分解算法寻优的STAP雷达改善因子曲线，以“*”标示的星画线表示经本发明生成的分布式干扰信号作用后的STAP雷达改善因子曲线。

从图2，图3和图4对比可以发现，相对于实线所表示的单个旁瓣干扰、以“﹎”标示的点画线所表示未经过惩罚因子可变的的PBI分解算法寻优的干扰来说，以“*”标示的星画线表示经本发明生成的分布式干扰信号作用后的STAP雷达输出改善因子凹口宽度最大，证明本发明所提出的基于惩罚因子可变的PBI分解的STAP雷达分布式干扰信号产生方法提升了对STAP雷达组网的干扰性能。

威胁等级最高的雷达3，其经过本发明惩罚因子可变之后的改善因子曲线的凹口变宽且下降程度最为明显，这也论证了经本发明优化后的分布式干扰信号生成方法灵活性较强，可根据对象威胁等级进行适配性调整。而威胁等级次之的雷达2与威胁等级最低的雷达1，其改善因子也有不同程度的下降。由此，本发明所公开的分布式干扰信号生成方案相比于优化前方案在多目标场景下可以对至少三部STAP雷达构成的雷达组网进行更有效的干扰。

Claims (3)

1.一种基于惩罚因子可变的PBI雷达分布式干扰信号产生方法，其特征在于，考虑种群的多样性和收敛性，当目标函数具有相同场景的时候，惩罚因子取第t代的所有目标函数的惩罚因子的最小值，考虑收敛性，否则，其他情况的都有各自的惩罚值，取决于个体的多样性，利用惩罚因子可变的PBI分解算法对种群中各组初始干扰信号生成解的最优解，该方法的具体步骤包括如下：

(1)用获取的雷达参数信息判定雷达威胁等级；

(2)设置目标函数集合的约束条件；

设置目标函数集合的约束条件为，每个干扰机的归一化干扰功率之和均为1，且在干扰同一部STAP雷达时，每个干扰机所用干扰样式均为同一种干扰样式；

(3)构建与每个STAP雷达威胁等级值对应的目标函数f_i(x)组成目标函数集合F(x)；

(4)利用惩罚因子可变的PBI分解算法求解目标函数的最优解；

(4a)设置种群规模大小为K，K＞200，产生满足目标函数的约束条件的K组干扰信号生成解向量；

(4b)计算每组当前迭代时干扰信号生成的解向量与其余组各初始干扰信号生成的解向量之间的欧式距离，将所有欧式距离中最小的欧式距离对应解向量作为当前迭代时干扰信号生成的解向量的相邻向量，将所有相邻向量组成相邻向量索引集合；

(4c)从相邻向量索引集合中任意选择两个索引，利用基于标准遗传算法对所选两个索引相对应的初始干扰信号生成解向量依次进行交叉、变异操作，得到当前迭代时变异后的个体y^*；

(4d)利用下述公式，求解当前迭代时产生干扰信号的最优解：

min{g^apbi(x|η,σ)＝d_i,1+θ_id_i,2}

其中，min{·}表示取最小值操作，g^apbi(x|η，σ)表示用参数η,σ对x优化的PBI的分解操作，x表示当前迭代时干扰信号生成解，η表示由STAP雷达的初始干扰信号生成的解向量，σ表示参考解向量，σ＝(σ₁,σ₂,…,σ_i…,σ_N)^T，1≤i≤N，N表示目标函数的总数，σ_i表示第i个目标函数对应的参考解，T表示转置操作，d_i,1表示当前迭代时第i个目标函数的第一参数向量d₁的值，d_i,2表示当前迭代时第i个目标函数的第二参数向量d₂的值，θ_i表示当前迭代时的第i个目标函数的惩罚因子；

(4e)按照下式，设置当前迭代时惩罚因子θ_i的值：

其中，θ_i ^-1表示上一次迭代时的第i个目标函数的惩罚因子，Δθ_i表示第i个目标函数的惩罚因子变化量；该变化量是由下式计算得到的：

其中，sgn(·)表示符号函数，

表示当前迭代时所有目标函数的第二参数向量的平均值，θ_i ^min表示上一次迭代时第i个目标函数的惩罚因子值θ_i的最小值；

(4f)如果g^apbi(y^*|ηⁱ,σ_i)≤g^apbi(x^k|ηⁱ,σ_i)公式成立，判定当前迭代时变异后的个体y^*优于相邻向量索引集合中的任何一个当前迭代时干扰信号生成解x^k，则用y^*替代x^k，得到更新后的干扰信号生成解作为当前迭代时干扰信号生成解；其中，ηⁱ表示当前迭代时第i个STAP雷达的初始干扰信号生成解，k表示种群索引序号，k＝1,...,K，K表示种群规模大小；

(4g)判断是否遍历了N个目标函数，若是，则执行步骤(5)，否则，执行步骤(4b)；

(5)生成最优分布式干扰信号：

将每个种群最优解中包含的干扰样式和干扰功率的分布式干扰信号作为在“多对多”干扰场景中针对STAP雷达进行干扰的每个干扰机的发射信号。

2.根据权利要求1所述的干扰信号生成方法，其特征在于，步骤(1)中所述的判定雷达威胁等级具体步骤如下：

第一步，将每部STAP雷达发射功率的权重设置为a，载波频率和带宽的权重分别为b和c，其中a，b，c分别是取值范围在(0,1)之间的数值；

第二步，对每部STAP雷达的带宽、载波频率和发射功率求加权和；

第三步，利用

公式，计算每部STAP雷达的威胁等级值，威胁等级值越大对应雷达的威胁等级越高；其中，ω_i表示第i部STAP雷达的威胁等级值，S_i表示第i部STAP雷达的带宽、载波频率和发射功率的加权和，N表示干扰机接收回波信号的所有STAP雷达的总数。

3.根据权利要求1所述的干扰信号生成方法，其特征在于，步骤(3)中所述的构建目标函数具体步骤如下：

第一步，构建与每个STAP雷达威胁等级值对应的目标函数如下：

f_i(x)＝ω_i·(a_1is_1ip_1i+a_2is_2ip_2i+…+a_jis_jip_ji…+a_Mis_Mip_Mi)

其中，f_i(x)表示第i部STAP雷达威胁等级值的对应的干扰目标函数，x表示待优化变量，ω_i表示第i部STAP雷达的威胁等级值，a_1i表示第1部干扰机对第i部STAP雷达的空时干扰因子，a_2i表示第2部干扰机对第i部STAP雷达的空时干扰因子，a_ji表示第j部干扰机对第i部STAP雷达的空时干扰因子，a_Mi表示第M部干扰机对第i部STAP雷达的空时干扰因子；s_1i表示第1部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_2i表示第2部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_ji表示第j部干扰机对第i部STAP雷达干扰时所采用的干扰样式，s_Mi表示第M部干扰机对第i部STAP雷达干扰时所采用的干扰样式；p_1i表示第1部干扰机对第i部STAP雷达的归一化干扰功率，p_2i表示第2部干扰机对第i部STAP雷达的归一化干扰功率，p_ji表示第j部干扰机对第i部STAP雷达的归一化干扰功率，p_Mi表示第M部干扰机对第i部STAP雷达的归一化干扰功率；

第二步，将所有的目标函数组成一个目标函数集合。

Images