CN113219417A - 一种基于支持向量机的机载雷达干扰类型识别方法 - Google Patents

Abstract

本发明涉及一种基于支持向量机的机载雷达干扰类型识别方法，本发明方法首先提取机载雷达训练数据的特征参数，包括：杂波自由度和时域离散度；然后利用特征参数对支持向量机进行训练；最后利用支持向量机模型对机载雷达回波数据进行干扰类型识别；本发明将干扰类型分为五类，分别是压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形。本发明方法提取的杂波自由度和时域离散度特征参数能够准确表征各干扰类型，且在强杂波环境下容易提取，本发明方法具有高的干扰识别概率；此外，本发明方法具有较低的计算量，便于工程实现。本发明可适用于机载PD雷达抗复杂干扰领域。

Description

一种基于支持向量机的机载雷达干扰类型识别方法

技术领域

本发明领域为机载雷达干扰类型识别方法领域，具体为一种基于支持向量机的机载雷达干扰类型识别方法。

背景技术

机载预警雷达机动性强，可视范围比地面雷达大，可实现对目标的探测、定位、跟踪以及引导武器装备对敌方目标进行精确打击，因而在现代战争中发挥着重要作用；机载预警雷达是预警机实时获取战场电磁环境信息的核心装备，也因此成为电子干扰的主要目标；

随着数字射频存储器(DRFM)的发展与应用，雷达干扰信号的形式也越来越复杂；机载雷达不仅面临强杂波背景，还面临着各种各样的干扰；有源干扰给雷达的目标检测造成严重威胁，一方面雷达压制干扰通过发射大功率的噪声或类噪声信号掩盖目标真实的回波信号，阻碍雷达对目标的检测与参数估计，其种类有压制噪声干扰和噪声卷积干扰等；另一方面雷达欺骗干扰通过发射与目标高相参性的信号，以实现混淆或诱骗雷达的作用，达到隐藏真实目标的目的，其种类有随机移频干扰和延时转发干扰等；雷达有源干扰识别是抗干扰的前提条件，只有在准确识别干扰类型的前提下采用针对性的抗干扰措施，才能取得更好的干扰抑制效果；

现有干扰类型识别方法大多集中于常规地面雷达，通常在提取时、频域干扰特征的基础上利用卷积神经网络、支持向量机、二叉树等分类方法对干扰的特征参数进行学习、训练得到分类模型，然后实现干扰的识别；但是，还存在以下问题：

1、现有干扰类型识别方法所提取的干扰特征包括矩偏度、矩峰度、包络起伏度等参数，但对于机载雷达而言，这些特征将被强杂波背景所掩盖，无法准确表征杂波背景下的不同干扰的特性，也就无法对干扰进行有效分类，因此需要在杂波背景下找到各种干扰之间的不同特征，并采取有效的分类方法进行训练，以形成稳健的分类器；

2、现有干扰类型识别方法有通过某种变换得到干扰信号的时频谱图，然后采用图像分类的方法进行干扰识别，但这种分类方法主要用于区分具有脉内调制特性的干扰，对于机载雷达而言，经过变换后杂波将存在于时频谱图的大部分区域，导致干扰识别方法失效；

因此，急需发明一种利用杂波背景下的干扰特征参数进行干扰类型识别，又便于工程实现的分类方法，以解决机载雷达背景下的干扰类型识别问题，从而采取有效的抗干扰方法抑制干扰。

发明内容

本发明的目的在于解决上述问题，为此本发明提供一种基于支持向量机的机载雷达干扰类型识别方法，其包括：

步骤一：根据系统参数和干扰参数仿真生成机载雷达训练数据，所述干扰参数包括：杂波信号、干扰信号和噪声信号，所述干扰信号的类型包括：压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰；

步骤二：提取所述仿真生成的机载雷达训练数据的特征参数，所述特征参数包括杂波自由度和时域离散度，同时，对所述特征参数加入干扰类型标签；

步骤三：利用步骤二提取的所述特征参数和干扰类型标签对支持向量机进行训练，得到支持向量机模型；

步骤四：根据所述系统参数和所述干扰参数仿真生成机载雷达回波数据；

步骤五：提取所述机载雷达回波数据的特征参数，并将其送至所述支持向量机模型进行干扰类型识别；

步骤六；将所述步骤五中干扰类型识别的识别结果进行输出。

进一步地，所述步骤一中，根据所述系统参数和干扰参数仿真不同距离单元的机载雷达训练数据时，对于第l个距离单元的训练样本，其表示为：

其中：和

分别表示第i个杂波块的回波幅度和空时导向矢量，θ_i和

分别表示第i个杂波块对应的方位角和俯仰角，Nc表示第l个距离单元内包含的杂波块的数目，A_j表示干扰信号幅度，

表示干扰信号的空时导向矢量，θ_j和

分别表示干扰信号对应的方位角和俯仰角，n为噪声信号，其功率为σ²，L为距离单元数目。

进一步地，所述步骤一中还包括：对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰四种典型干扰样式进行识别，所述压制噪声干扰和噪声卷积干扰对应的空时导向矢量为：

其中：N和d分别表示阵元个数和阵元间距，λ表示雷达工作波长；时域导向矢量St为一个K×1维的满足高斯分布的复随机矢量，K表示时域相参积累脉冲数；压制噪声干扰存在于全距离段，噪声卷积干扰仅存在于部分距离段；

所述随机移频干扰和延时转发干扰对应的空时导向矢量为：

其中：空域导向矢量表达式同压制噪声干扰和噪声卷积干扰，时域导向矢量

表示干扰信号的归一化多普勒频率，随机移频干扰在移频范围内随机分布，而延时转发干扰仅位于干扰机自身多普勒频率处，根据所述对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发的模型仿真对所述仿真产生机载雷达训练数据X_l,l＝1,2,…,L。

进一步地，所述步骤二中利用所有距离单元的训练样本估计空时协方差矩阵为：

对空时协方差矩阵进行特征分解后得到特征值{λ_i},i＝1,2,…,NK，并将大特征值个数记为杂波自由度r，其中大特征值是指λ_i＞aσ²，a的取值范围为[10,100]；

训练数据中第l个训练样本对应的相位广义内积检验统计量为：

X_pl＝arg(X_l)

其中：arg(·)表示第l个训练样本的相位，I表示单位阵；将相位广义内积检验统计量的方差作为时域离散度，其表达式为：

其中：

表示所有距离单元上相位广义内积检验统计量的均值；对训练数据提取出相应的特征参数集x_i＝[r_i；δ_i],i＝1,2,…M，其中M表示训练数据个数；进一步加入干扰类型标签，则最终的特征参数集为[x_i；y_i],i＝1,2,…M，其中y_i表示第i个训练数据的干扰类型标签；压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签分别为1、2、3、4和5。

进一步地，所述步骤三中对所述支持向量机进行训练时，其过程包括：

S1:区分压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形情形，将所述压制噪声干扰对应的干扰类型标签置为1，将所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将压制噪声干扰的特征参数从特征参数集中剔除；

S2：区分所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形，将所述噪声卷积干扰对应的干扰类型标签置为1，将所述随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将噪声卷积干扰的特征参数从特征参数集中剔除；

S3：区分所述随机移频干扰、延时转发干扰和无干扰情形，将所述随机移频干扰对应的干扰类型标签置为1，将所述延时转发干扰和无干扰情形的干扰类型标签置为-1，训练完成后将所述随机移频干扰的特征参数从特征参数集中剔除；

S4：区分所述延时转发干扰和无干扰情形，将延时转发干扰对应的干扰类型标签置为1，无干扰情形的干扰类型标签置为-1；

经过S1、S2、S3和S4，得到所述支持向量机模型，所述支持向量机模型至少包括四个分类函数，其分别记为f₁(·)、f₂(·)、f₃(·)、f₄(·)。

进一步地，所述步骤五中，提取所述机载雷达回波数据的特征参数的过程包括：提取机载雷达回波数据对应的特征参数x＝[r；δ]，将所述特征参数x＝[r；δ]送至所述支持向量机模型，其中：

若满足f₁(x)＝1，则为压制噪声干扰，此时将识别结果记为1；

若满足f₂(x)＝1，则为噪声卷积干扰，此时将识别结果记为2；

若满足f₃(x)＝1，则为随机移频干扰，此时将识别结果记为3；

若满足f₄(x)＝1，则为延时转发干扰，此时将识别结果记为4；

若未满足f₁(x)＝1或f₂(x)＝1或f₃(x)＝1或f₄(x)＝1，则为无干扰情形，此时将识别结果记为5。

与现有技术相比，本发明的技术效果在于，

1、本发明方法理论严谨，物理意义明确，对各种新样式干扰具有高的识别概率，且具有较低的计算量，便于工程实现。

2、本发明方法提取的特征参数适于机载雷达背景，具有容易提取的特点，且能够准确区分五类干扰情形。

3、本发明面向机载PD雷达和STAP技术，提供了一种通用的干扰类型识别方法，适用于复杂电磁环境和复杂地形环境。

附图说明

图1为本发明实施例所提供的一种基于支持向量机的机载雷达干扰类型识别方法步骤图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

参阅图1所示，其为本发明实施例所提供的一种基于支持向量机的机载雷达干扰类型识别方法步骤图，本实施例的一种基于支持向量机的机载雷达干扰类型识别方法，其包括：

步骤一：根据系统参数和干扰参数仿真生成机载雷达训练数据，所述干扰参数包括：杂波信号、干扰信号和噪声信号，所述干扰信号的类型包括：压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰；

步骤二：提取所述仿真生成的机载雷达训练数据的特征参数，所述特征参数包括杂波自由度和时域离散度，同时，对所述特征参数加入干扰类型标签；

步骤三：利用步骤二提取的所述特征参数和干扰类型标签对支持向量机进行训练，得到支持向量机模型；

步骤四：根据所述系统参数和所述干扰参数仿真生成机载雷达回波数据；

步骤五：提取所述机载雷达回波数据的特征参数，并将其送至所述支持向量机模型进行干扰类型识别；

步骤六；将所述步骤五中干扰类型识别的识别结果进行输出。

具体而言，所述步骤一中，根据所述系统参数和干扰参数仿真不同距离单元的机载雷达训练数据时，对于第l个距离单元的训练样本，其表示为：

其中：和

分别表示第i个杂波块的回波幅度和空时导向矢量，θ_i和

分别表示第i个杂波块对应的方位角和俯仰角，Nc表示第l个距离单元内包含的杂波块的数目，A_j表示干扰信号幅度，

表示干扰信号的空时导向矢量，θ_j和

分别表示干扰信号对应的方位角和俯仰角，n为噪声信号，其功率为σ²，L为距离单元数目。

具体而言，所述步骤一中还包括：对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰四种典型干扰样式进行识别，这四种干扰的区别在数学模型角度主要表现为空时导向矢量的不同，继而，所述压制噪声干扰和噪声卷积干扰对应的空时导向矢量为：

其中：N和d分别表示阵元个数和阵元间距，λ表示雷达工作波长；因此时域导向矢量St为一个K×1维的满足高斯分布的复随机矢量，K表示时域相参积累脉冲数；压制噪声干扰存在于全距离段，噪声卷积干扰仅存在于部分距离段；

所述随机移频干扰和延时转发干扰对应的空时导向矢量为：

其中：空域导向矢量表达式同压制噪声干扰和噪声卷积干扰，时域导向矢量

表示干扰信号的归一化多普勒频率，随机移频干扰在移频范围内随机分布，而延时转发干扰仅位于干扰机自身多普勒频率处，根据所述对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发的模型仿真对所述仿真产生机载雷达训练数据X_l,l＝1,2,…,L。

具体而言，所述步骤二中利用所有距离单元的训练样本估计空时协方差矩阵为：

对空时协方差矩阵进行特征分解后得到特征值{λ_i},i＝1,2,…,NK，并将大特征值个数记为杂波自由度r，其中大特征值是指λ_i＞aσ²，a的取值范围为[10,100]；

训练数据中第l个训练样本对应的相位广义内积检验统计量为：

X_pl＝arg(X_l)

其中：arg(·)表示第l个训练样本的相位，I表示单位阵；将相位广义内积检验统计量的方差作为时域离散度，其表达式为：

其中：

表示所有距离单元上相位广义内积检验统计量的均值；对训练数据提取出相应的特征参数集x_i＝[r_i；δ_i],i＝1,2,…M，其中M表示训练数据个数；进一步加入干扰类型标签，则最终的特征参数集为[x_i；y_i],i＝1,2,…M，其中y_i表示第i个训练数据的干扰类型标签；压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签分别为1、2、3、4和5。

具体而言，所述步骤三中对所述支持向量机进行训练时，其过程包括：

S1:区分压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形情形，将所述压制噪声干扰对应的干扰类型标签置为1，将所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将压制噪声干扰的特征参数从特征参数集中剔除；

S2：区分所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形，将所述噪声卷积干扰对应的干扰类型标签置为1，将所述随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将噪声卷积干扰的特征参数从特征参数集中剔除；

S3：区分所述随机移频干扰、延时转发干扰和无干扰情形，将所述随机移频干扰对应的干扰类型标签置为1，将所述延时转发干扰和无干扰情形的干扰类型标签置为-1，训练完成后将所述随机移频干扰的特征参数从特征参数集中剔除；

S4：区分所述延时转发干扰和无干扰情形，将延时转发干扰对应的干扰类型标签置为1，无干扰情形的干扰类型标签置为-1；

经过S1、S2、S3和S4，得到所述支持向量机模型，所述支持向量机模型至少包括四个分类函数，其分别记为f₁(·)、f₂(·)、f₃(·)、f₄(·)。

具体而言，所述步骤五中，提取所述机载雷达回波数据的特征参数的过程包括：提取机载雷达回波数据对应的特征参数x＝[r；δ]，将所述特征参数x＝[r；δ]送至所述支持向量机模型，其中：

若满足f₁(x)＝1，则为压制噪声干扰，此时将识别结果记为1；

若满足f₂(x)＝1，则为噪声卷积干扰，此时将识别结果记为2；

若满足f₃(x)＝1，则为随机移频干扰，此时将识别结果记为3；

若满足f₄(x)＝1，则为延时转发干扰，此时将识别结果记为4；

若未满足f₁(x)＝1或f₂(x)＝1或f₃(x)＝1或f₄(x)＝1，则为无干扰情形，此时将识别结果记为5。

具体而言，本发明的工作原理包括：首先，根据系统参数和干扰参数仿真生成机载雷达训练数据，包括杂波信号、干扰信号和噪声信号，其中，干扰信号类型包括:压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰四种典型干扰样式；其次,提取仿真生成的机载雷达训练数据的特征参数，包括杂波自由度和时域离散度，并加入干扰类型标签；再次利用提取的特征参数和干扰类型标签对支持向量机进行训练，得到支持向量机模型；最后利用支持向量机模型对机载雷达回波数据进行干扰类型识别，并输出识别结果。

本实施例所涉及参数如表1所示：

表1实施例参数

由表1参数计算可得机载雷达主波束方向和干扰机对应的空间频率分别为0和0.01，表明干扰从波束主瓣进入。实施例中一共有四类干扰，训练数据中每类干扰产生50个数据样本，JNR的范围为10～40dB。实施例共产生500个距离单元的数据，其中噪声卷积干扰和延时转发干扰随机分布于其中的30个距离单元，随机移频干扰随机分布于3段距离，每一段中包含10个假目标。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种基于支持向量机的机载雷达干扰类型识别方法，其特征在于，包括：

步骤一：根据系统参数和干扰参数仿真生成机载雷达训练数据，所述干扰参数包括：杂波信号、干扰信号和噪声信号，所述干扰信号的类型包括：压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰；

步骤二：提取所述仿真生成的机载雷达训练数据的特征参数，所述特征参数包括杂波自由度和时域离散度，同时，对所述特征参数加入干扰类型标签；

步骤三：利用步骤二提取的所述特征参数和干扰类型标签对支持向量机进行训练，得到支持向量机模型；

步骤四：根据所述系统参数和所述干扰参数仿真生成机载雷达回波数据；

步骤五：提取所述机载雷达回波数据的特征参数，并将其送至所述支持向量机模型进行干扰类型识别；

步骤六；将所述步骤五中干扰类型识别的识别结果进行输出。

2.根据权利要求1所述的基于支持向量机的机载雷达干扰类型识别方法，其特征在于，所述步骤一中，根据所述系统参数和干扰参数仿真不同距离单元的机载雷达训练数据时，对于第l个距离单元的训练样本，其表示为：

其中：和

分别表示第i个杂波块的回波幅度和空时导向矢量，θ_i和

分别表示第i个杂波块对应的方位角和俯仰角，Nc表示第l个距离单元内包含的杂波块的数目，A_j表示干扰信号幅度，

表示干扰信号的空时导向矢量，θ_j和

分别表示干扰信号对应的方位角和俯仰角，n为噪声信号，其功率为σ²，L为距离单元数目。

3.根据权利要求2所述的基于支持向量机的机载雷达干扰类型识别方法，其特征在于，所述步骤一中还包括：对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰四种典型干扰样式进行识别，所述压制噪声干扰和噪声卷积干扰对应的空时导向矢量为：

其中：N和d分别表示阵元个数和阵元间距，λ表示雷达工作波长；时域导向矢量St为一个K×1维的满足高斯分布的复随机矢量，K表示时域相参积累脉冲数；压制噪声干扰存在于全距离段，噪声卷积干扰仅存在于部分距离段；

所述随机移频干扰和延时转发干扰对应的空时导向矢量为：

其中：空域导向矢量表达式同压制噪声干扰和噪声卷积干扰，时域导向矢量

表示干扰信号的归一化多普勒频率，随机移频干扰在移频范围内随机分布，而延时转发干扰仅位于干扰机自身多普勒频率处，根据所述对压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发的模型仿真对所述仿真产生机载雷达训练数据X_l,l＝1,2,…,L。

4.根据权利要求1所述的基于支持向量机的机载雷达干扰类型识别方法，其特征在于，所述步骤二中利用所有距离单元的训练样本估计空时协方差矩阵为：

对空时协方差矩阵进行特征分解后得到特征值{λ_i},i＝1,2,…,NK，并将大特征值个数记为杂波自由度r，其中大特征值是指λ_i＞aσ²，a的取值范围为[10,100]；

训练数据中第l个训练样本对应的相位广义内积检验统计量为：

X_pl＝arg(X_l)

其中：arg(·)表示第l个训练样本的相位，I表示单位阵；将相位广义内积检验统计量的方差作为时域离散度，其表达式为：

其中：

表示所有距离单元上相位广义内积检验统计量的均值；对训练数据提取出相应的特征参数集x_i＝[r_i；δ_i],i＝1,2,…M，其中M表示训练数据个数；进一步加入干扰类型标签，则最终的特征参数集为[x_i；y_i],i＝1,2,…M，其中y_i表示第i个训练数据的干扰类型标签；压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签分别为1、2、3、4和5。

5.根据权利要求1所述的基于支持向量机的机载雷达干扰类型识别方法，其特征在于，所述步骤三中对所述支持向量机进行训练时，其过程包括：

S1:区分压制噪声干扰、噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形情形，将所述压制噪声干扰对应的干扰类型标签置为1，将所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将压制噪声干扰的特征参数从特征参数集中剔除；

S2：区分所述噪声卷积干扰、随机移频干扰、延时转发干扰和无干扰情形，将所述噪声卷积干扰对应的干扰类型标签置为1，将所述随机移频干扰、延时转发干扰和无干扰情形对应的干扰类型标签置为-1，训练完成后将噪声卷积干扰的特征参数从特征参数集中剔除；

S3：区分所述随机移频干扰、延时转发干扰和无干扰情形，将所述随机移频干扰对应的干扰类型标签置为1，将所述延时转发干扰和无干扰情形的干扰类型标签置为-1，训练完成后将所述随机移频干扰的特征参数从特征参数集中剔除；

S4：区分所述延时转发干扰和无干扰情形，将延时转发干扰对应的干扰类型标签置为1，无干扰情形的干扰类型标签置为-1；

经过S1、S2、S3和S4，得到所述支持向量机模型，所述支持向量机模型至少包括四个分类函数，其分别记为f₁(·)、f₂(·)、f₃(·)和f₄(·)。

6.根据权利要求1所述的基于支持向量机的机载雷达干扰类型识别方法，其特征在于，所述步骤五中，提取所述机载雷达回波数据的特征参数的过程包括：提取机载雷达回波数据对应的特征参数x＝[r；δ]，将所述特征参数x＝[r；δ]送至所述支持向量机模型，其中：

若满足f₁(x)＝1，则为压制噪声干扰，此时将识别结果记为1；

若满足f₂(x)＝1，则为噪声卷积干扰，此时将识别结果记为2；

若满足f₃(x)＝1，则为随机移频干扰，此时将识别结果记为3；

若满足f₄(x)＝1，则为延时转发干扰，此时将识别结果记为4；

若未满足f₁(x)＝1或f₂(x)＝1或f₃(x)＝1或f₄(x)＝1，则为无干扰情形，此时将识别结果记为5。

Images