CN113376593B - 基于mpbi分解的stap雷达分布式干扰方法 - Google Patents

Abstract

本发明公开了一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，解决了现有技术对STAP雷达的干扰信号能量损失过大和无法同时对多个目标进行干扰的问题。实现步骤是：初始化干扰机参数并判定截获雷达的危险等级；建立干扰资源调度数学模型F(x)；设置干扰约束条件；设置种群最优解集和权重向量；执行标准遗传算法产生新个体；根据支配关系更新种群理想点；利用MPBI分解运算寻求模型最优解；获得进化后的种群最优解集；分配最优解集数据，完成对雷达组网的分布式干扰。本发明通过MPBI算法得到最优解集并分配给干扰资源调度模型，减小了功率损耗，提高了干扰成功率，灵活性较高，用于多部干扰机和STAP雷达组成的“多对多”干扰场景。

Description

基于MPBI分解的STAP雷达分布式干扰方法

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方法，具体是一种基于改进惩罚边界交集MPBI(M-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。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，对截获雷达进行干扰。

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。为了能够有效的抑制干扰信号，机载雷达采用STAP(空时自适应处理)技术进行抗干扰，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，在电子对抗中，如我方针对对方不进行干扰，我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，针对STAP雷达的干扰技术的研究仍处于起步阶段，对STAP雷达的干扰效果主要由干扰样式和干扰功率决定，现今对STAP算法的干扰研究仅集中在设计有效的干扰样式，破坏STAP算法中训练样本的独立同分布条件，但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，针对干扰机的干扰功率的研究可以更有效的抑制STAP雷达，最重要的是减小干扰机的能量损耗。

王坤等在其发表的论文“针对STAP雷达的分布式投散射伪杂波干扰方法”(《探测与控制学报》，2020，42(6))中公开了一种对STAP雷达的分布式干扰信号产生方法。该方法首先采用多部干扰机同时向地面投射信号散射波，然后利用地物散射形成具有空时二维耦合性质的干扰信号，最后通过改变调制参数合理选择频率间隔，合成出很宽的伪杂波谱并占据了更多的自由度，使STAP雷达在滤除伪杂波的同时滤除目标，从而达到干扰效果。该方法提出了用多部干扰机进行干扰，区别于传统的一对一模式，对STAP雷达的干扰效果明显提高，但是，该方法目前仍然存在的不足之处是，地面散射波的能量较小，能够被雷达接收到的干扰信号太弱，为了实现对于截获雷达的有效干扰需要每个干扰机同时发射较大的功率，由于每一个干扰机的方向和位置不同，截获雷达接收到的不同干扰机发射的干扰信号功率不同，这些接收到的干扰信号中只有功率在特定范围内的信号可以达到干扰效果，因此这个方法会造成功率损耗。

由于对STAP雷达进行对抗的传统干扰方法为单点源主瓣干扰，而在这种情况下，干扰的普适性将受到限制，缺乏了对采用旁瓣干扰的分析。在远距离支援旁瓣干扰下，但由于干扰个数较少且离目标所在位置较远，干扰信号将会被空时二维处理所抑制，不会给目标探测带来强有力的威胁。同时，雷达干扰资源分配场景往往为单部干扰机对抗单部雷达这种一对一模式，所以当截获雷达部数增加，干扰样式多变时，干扰机不能对STAP雷达有很好的抑制。但是要增加多部干扰机，需同时考虑干扰机将受到干扰样式、干扰功率及频段的多种因素影响，其中，多部干扰机的干扰功率分配对截获雷达的干扰效果影响较大，使得干扰的有效性难以得到保证。

目前，当干扰机数量较少时，传统的单点源主瓣干扰以及远距离支援旁瓣干扰都不能有效的应对多部雷达，干扰信号容易被STAP雷达抑制，不能达到干扰的效果，而已有的针对STAP雷达的干扰方法没有对干扰机的干扰功率进行分配，而是采用相同的干扰功率进行干扰，这种方法对于干扰机的功率损耗大，由于以上的影响因素，现在针对STAP雷达的干扰效果不佳。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种通过优化功率分配减小功率损耗的基于MPBI的STAP雷达分布式干扰信号产生方法。

本发明是一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，其特征在于，使用多部干扰机对多部截获雷达形成优化的分布式协同干扰，包括有如下步骤：

(1)初始化干扰机参数并判定截获雷达的危险等级：根据侦查设备采集的截获雷达的关键参数判定截获雷达的危险等级，令危险等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，其中i＝1,2,…,N，N为截获雷达总数，ω_ri表示接收的第i部截获雷达的威胁等级，ω_ri取值为0～1内的实数；初始化干扰机参数，设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，令s_ji表示第j部干扰机对第i部截获雷达的干扰样式，令p_ji表示第j部干扰机对第i部截获雷达的干扰功率，j＝1,2,…,M；

(2)建立干扰资源调度数学模型F(x)：基于干扰样式和干扰功率建立多干扰源针对多目标的干扰资源调度数学模型F(x)，模型中包含ω_ri,a_ji,s_ji,p_ji四个参数，其中，f_i(x)表示干扰第i部截获雷达对应的干扰目标函数，ω_ri表示接收的第i部截获雷达的威胁等级，a_ji为第j部干扰机对第i部截获雷达的空时干扰因子，s_ji为第j部干扰机对第i部雷达干扰时所采用的干扰样式，p_ji为第j部干扰机对第i部雷达的干扰归一化功率；

(3)设置干扰约束条件：根据干扰资源调度数学模型F(x)，设置干扰约束条件为：

上式中，

表示第j个干扰机对N个截获雷达的干扰归一化功率之和为1，s_1i＝s_2i＝…＝s_ji＝…＝s_Mi表示j部干扰机干扰同一部截获雷达时，干扰样式相同，干扰机干扰不同的截获雷达时，干扰样式不同；

(4)设置种群最优解集和权重向量：调用一个干扰机种群，用于存放M部干扰机的干扰样式、干扰功率的最优解，并将该种群最优解集EP置成空集φ；设置一组理想点z＝(z₁,z₂,...,z_i,...,z_N)，i＝1,2,…,N，在最优解集中N表示理想点总数，N取正整数，z_i表示第i个理想点，根据干扰约束条件对理想点值进行随机设置一组分布均匀的权重向量λ¹,...,λ^k,...λ^K，k＝1,2,…,K，λ^k表示第k个权重向量，K为种群大小；

(5)计算各相邻权重的欧几里得距离：计算各相邻权重之间的欧几里得距离，与权重向量λ^k距离最近的T个权重向量为权重向量λ^k的相邻向量，其中，相邻权重向量索引集合记为B(k)＝(k₁,...,k_T)，

为λ^k的T个相邻权重向量；

(6)产生初始种群权：根据相邻权重向量索引集合B(k)，设置初始种群权x¹,...,x^k,...x^K，并计算干扰资源调度数学模型F(x^k)＝(f₁(x^k),...,f_N(x^k))，其中，x^k表示第k个种群权，k为循环指针，其的初始值为1，k＝1～K；

(7)交叉产生新个体：从相邻权重向量索引集合B(k)＝(k₁,...,k_T)中随机选取两个索引v,l，对x^v和x^l执行标准遗传算法的交叉操作，产生新个体y；

(8)对新个体变异操作：对新个体y执行标准遗传算法的变异操作，产生变异后的个体y'；

(9)更新种群理想点：若理想点z_w＜f_w(y'),w＝1,...,N，w为标准遗传算法变异操作的遍历范围，则z_w＝f_w(y')，如果当前理想点z小于与它对应的f(y')，则把f(y')赋值给该理想点，形成新的理想点，执行w＝1,...,N次标准遗传算法变异操作，完成所有理想点的更新；

(10)用局部加权和分解方法寻找最优解：利用MPBI(基于改进的惩罚的边界交叉)分解运算求解最优解，具体方法为通过局部加权和分解方法与相邻权重向量索引集合相结合来更新相邻解，对于w∈B(k)，若g^mpbi(y'|λ^w,z)≤g^mpbi(x^w|λ^w,z)，则x^w＝y',z_w＝f_w(y')，其中，g^mpbi(·)表示MPBI分解运算；

(11)判断种群权是否受变异个体支配：判断干扰资源调度数学模型中种群权F(x^k)是否受变异个体F(y')支配，k＝1,…,K；根据Pareto支配关系，若种群权F(x^k)受变异个体F(y')支配，则将F(x^k)从种群最优解集EP中删除；若对于

若不存在F(x^k)受F(y')支配，则将F(y')加入种群最优解集EP，并将循环指针k的值加1后，执行步骤(7)至(11)，进入新一轮种群最优解的寻优过程；

(12)获得进化后的种群最优解集：重复步骤(7)到步骤(11)，直至k＝K，得到进化后的种群最优解集EP，种群最优解集EP中包含干扰样式决策结果s₁,s₂,…,s_i,…,s_N，干扰功率决策结果p_ji,j＝1,…,M,i＝1,…,N；其中，s_i表示对第i部截获雷达干扰所采取的干扰样式，p_ji表示第j部干扰机施加给第i部截获雷达的干扰功率，得到干扰资源调度最优分配方案；

(13)分配最优解集数据，完成对截获雷达组网的分布式干扰：根据干扰资源调度最优分配方案，干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]中每部干扰机J_j分别采用的对第i部截获雷达发射干扰样式s_i，以最优的p_ji为干扰功率对第i部截获雷达发射干扰信号，以上参数均为干扰资源调度最优分配方案中的参数，完成对STAP雷达组网的分布式干扰。

本发明解决了现有技术生成的对STAP雷达的干扰信号能量损失过大和无法同时对多个目标进行干扰的问题。

与现有技术相比，本发明具有如下优点：

提升了干扰成功率：与传统的单点源主瓣干扰办法相比，本发明增加干扰机的个数，构建干扰机组网，并应用分布式协同干扰对STAP雷达进行对抗，即通过设计干扰机的干扰功率分配和干扰样式对STAP雷达进行干扰，因此STAP雷达接收的干扰样式变化多样，从而在一定程度上抑制STAP雷达的抗干扰能力，所以提升了干扰成功率。

可适用多对多场景：本发明所采用的MPBI的分解算法可适用于多部STAP雷达组网，尤其是目标个数至少为三个的多目标场景中，经过MPBI分解优化生成的所有分布式干扰信号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。MPBI的分解算法克服了现有技术中运用单点源主瓣干扰方法对STAP雷达进行干扰时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，并且可根据场景中的STAP雷达威胁等级进行适配性调整，因此干扰机可以在多目标场景下实现对STAP雷达更有效的干扰。

改善了寻优结果：本发明利用MPBI算法对干扰资源调度问题进行多目标优化决策，即选择合适的干扰功率和干扰样式，改善了对干扰功率分配问题的寻优结果，实现了在干扰效果较好情况下干扰机功率损耗最小化。MPBI算法的思想是在进化过程中让种群中的个体沿着过参照点且垂直于超平面的直线进化，使其一步步地逼近参照点，对干扰机的干扰功率分配进行寻优计算，所以在一定程度上改善了寻优结果，减小了干扰功率的损耗。

附图说明

图1为本发明流程框图；

图2为仿真实验中STAP雷达1经过本发明MPBI分解优化前后的改善因子对比图；

图3为仿真实验中STAP雷达2经过本发明MPBI分解优化前后的改善因子对比图；

图4为仿真实验中STAP雷达3经过本发明MPBI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。

实施例1

现有雷达干扰资源分配场景往往为一对一模式，所以当截获雷达部数增加，干扰样式多变时，干扰机不能对STAP雷达有很好的抑制，干扰功率损耗大也是抑制STAP雷达的难点之一，本发明就这一难点的寻优问题展开了研究，在此基础上提出了基于MPBI的算法，对干扰资源进行最优分配，实现对STAP雷达的有效干扰。

本发明是一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，参见图1，使用多部干扰机对多部截获雷达形成分布式协同干扰，简称多对多，包括有如下步骤：

(1)初始化干扰机参数并判定截获雷达的危险等级：根据侦查设备采集的截获雷达的关键参数判定截获雷达的危险等级，令威胁等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，其中i＝1,…,N，N为截获雷达总数，ω_r表示截获雷达的威胁等级，ω_ri表示接收的第i部截获雷达的威胁等级，ω_ri取值为0～1内的实数；初始化干扰机参数，设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，令s_ji表示第j部干扰机对第i部截获雷达的干扰样式，令p_ji表示第j部干扰机对第i部截获雷达的干扰功率j＝1,...,M,截获雷达的危险等级决定了干扰资源分配，危险等级越高，干扰资源分配越多。

(2)建立干扰资源调度数学模型F(x)：基于干扰样式和干扰功率建立多干扰源针对多目标的干扰资源调度数学模型F(x)，本发明的干扰资源调度数学模型中包含每个干扰机相关的ω_ri,a_ji,s_ji,p_ji四个参数，其中，F(x)为f₁(x)，f₂(x)，…，f_N(x)的集合，f_i(x)表示干扰第i部截获雷达对应的干扰目标函数，ω_ri表示接收的第i部截获雷达的威胁等级，取值为0～1内的实数，a_ji为第j部干扰机对第i部截获雷达的空时干扰因子，取值为0～1内的实数，s_ji为第j部干扰机对第i部雷达干扰时所采用的干扰样式，s_ji取值为连续自然数，分别代表不同的干扰样式，p_ji为第j部干扰机对第i部雷达的干扰归一化功率，取值为0～1内的实数。

(3)设置干扰约束条件：根据干扰资源调度数学模型F(x)，设置干扰功率和干扰样式的约束条件为：

上式中，

表示第j个干扰机对N个截获雷达的干扰归一化功率之和为1，各个干扰机的功率通过算法进行分配，s_1i＝s_2i＝…＝s_ji＝…＝s_Mi表示j部干扰机干扰同一部截获雷达时，干扰样式相同，干扰机干扰不同的截获雷达时，干扰样式不同。

(4)设置种群最优解集和权重向量：调用一个干扰机种群，用于存放M部干扰机的干扰样式、干扰功率的最优解，并将该种群最优解集EP置成空集φ；设置一组理想点z＝(z₁,z₂,...,z_i,...,z_N)，i＝1,2,…,N，在最优解集中N表示理想点总数，N取正整数，z_i表示第i个理想点，根据干扰约束条件对理想点值进行随机设置一组分布均匀的权重向量λ¹,...,λ^k,...λ^K，k＝1,2,…,K，λ^k表示第k个权重向量，K为种群大小。

(5)计算各相邻权重的欧几里得距离：计算各相邻权重之间的欧几里得距离，与权重向量λ^k距离最近的T个向量为权重向量λ^k的相邻权重向量，其中，相邻权重向量索引集合记为B(k)＝(k₁,...,k_T)，

为λ^k的T个相邻权重向量。

(6)产生初始种群权：根据相邻权重向量索引集合B(k)，设置初始种群权x¹,...,x^k,...x^K，并计算干扰资源调度数学模型F(x^k)＝(f₁(x^k),...,f_N(x^k))，其中，x^k表示第k个种群权，k为循环指针，其的初始值为1，k＝1～K。

(7)交叉产生新个体：从相邻权重向量索引集合B(k)＝(k₁,...,k_T)中随机选取两个索引v,l，其中，v表示第一索引，l表示第二索引，对x^v和x^l执行标准遗传算法的交叉操作，产生新个体y。

(8)对新个体变异操作：对新个体y执行标准遗传算法的变异操作，产生变异后的个体y'。

(9)更新种群理想点：若理想点z_w＜f_w(y'),w＝1,...,N，w为标准遗传算法变异操作的遍历范围，则z_w＝f_w(y')，如果当前理想点z小于与它对应的f(y')，则把f(y')赋值给该理想点，形成新的理想点，执行w＝1,…,N次标准遗传算法变异操作，完成所有理想点的更新。

(10)用局部加权和分解方法寻找最优解：利用MPBI(改进的基于惩罚边界交集)分解运算求解最优解，具体方法为通过局部加权和分解方法与相邻权重向量索引集合相结合来更新相邻解，对于w∈B(k)，若g^mpbi(y'|λ^w,z)≤g^mpbi(x^w|λ^w,z)，则x^w＝y',z_w＝f_w(y')，其中，g^mpbi(·)表示MPBI分解运算。

(11)判断种群权是否受变异个体支配：判断干扰资源调度数学模型中种群权F(x^k)是否受变异个体F(y')支配，k＝1,...,K；根据Pareto支配关系，若种群权F(x^k)受变异个体F(y')支配，则将F(x^k)从种群最优解集EP中删除；若对于

若不存在F(x^k)受F(y')支配，则将F(y')加入种群最优解集EP，并将循环指针k的值加1后，执行步骤(7)至(11)，进入新一轮种群最优解的寻优过程。

(12)获得进化后的种群最优解集：重复步骤(7)到步骤(11)，直至k＝K，得到进化后的种群最优解集EP，种群最优解集EP中包含干扰样式决策结果s₁,s₂,...,s_i,...,s_N，干扰功率决策结果p_ji,j＝1,...,M,i＝1,...,N；其中，s_i表示对第i部截获雷达干扰所采取的干扰样式，p_ji,表示第j部干扰机施加给第i部截获雷达的干扰功率，得到干扰资源调度最优分配方案，即干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]中每一个干扰机分配有最优干扰样式和干扰功率。

(13)分配最优解集数据，完成对截获雷达组网的分布式干扰：根据干扰资源调度最优分配方案，干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]中每部干扰机J_j分别采用的对第i部截获雷达发射干扰样式s_i，以最优的p_ji,为干扰功率对第i部截获雷达发射干扰信号，以上参数均为干扰资源调度最优分配方案中的参数，完成对STAP雷达组网的分布式干扰。

传统方法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。本发明经过研究与试验给出了一个完整的针对STAP雷达分布式干扰信号生成方法的技术方案，本发明也是多对多这种干扰模式，有效的弥补了一对一模式的缺点，在“多对多”场景中，干扰资源调度主要分为干扰样式和干扰功率两个方面，其中，针对同一个截获雷达，干扰机根据获取的信息设定干扰样式，多个干扰机的归一化干扰功率大小之间存在互斥关系，如何获得较为理想的干扰功率，降低功率损耗成为难点。

本发明的思路是搭建一种能改善多对多场景中资源调度的数学模型，利用的是MPBI算法来解决“多对多”场景的资源调度问题，并构建数学模型。具体方案为：初始化截获雷达的各个参数；设置干扰机个数；建立干扰资源调度数学模型；根据数学模型设置约束条件；初始化种群最优解集EP和权重向量；计算各权重相邻之间的欧几里得距离；设置初始种群权；随机选取两个索引，对这两个索引执行标准遗传算法的交叉操作，产生新个体；对新个体执行标准遗传算法的变异操作，产生变异后的新个体；更新理想点；更新相邻解；判断新个体是否符合要求，获得进化后的种群最优解集EP；将最优解集的数据代入干扰样式决策结果和干扰功率决策结果。

本发明弥补了传统方法中一个干扰机干扰一个截获雷达的模式的不足，利用MPBI解决了“多对多”场景中的干扰样式和干扰功率的资源调度问题和干扰功率分配的多目标优化问题，改善了寻优结果。

实施例2

基于MPBI算法的STAP雷达分布式干扰方法同实施例1，本发明步骤(1)所述的初始化截获雷达和干扰机参数，其步骤如下式：

(1a)判定截获雷达的危险等级：根据截获雷达的关键参数判定每个雷达的危险等级，假设关键参数为各个雷达的信号的载波频率、信号时宽、发射功率；令截获的若干雷达为N部，截获雷达组成雷达组网，截获雷达的集合为C＝[C₁,C₂,...,C_i,...,C_N]，C_i表示第i部截获雷达，其中下标i为截获雷达的序号，i取整数；根据关键参数确定危险等级，令危险等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，ω_ri表示接收的第i部截获雷达的威胁等级，取值为0～1内的实数；令载波频率的集合为f_c1,f_c2,...,f_ci,...,f_cN，f_ci表示第i部截获雷达的载波频率，取值为正整数；令截获雷达信号时宽集合为τ₁,τ₂,...,τ_i,...,τ_N，τ_i表示第i部截获雷达脉冲信号的时宽，取值为正整数；令各个截获雷达脉冲信号的发射功率的集合是P_t1,P_t2,...,P_ti,...,P_tN，P_ti表示第i部截获雷达的发射功率，取值为正实数。

(1b)初始化干扰机参数：设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，J_j表示第j部干扰机，M为干扰机总部数，取值为正整数。

本发明采用了多对多模式，对截获雷达和干扰机的相关参数进行初始化，其中，ω_r表示截获雷达的威胁等级，P_t表示截获雷达的发射功率，f_c表示截获雷达的载波频率，M部干扰机同时对N部截获雷达发射干扰信号。

实施例3

基于MPBI算法的STAP雷达分布式干扰方法同实施例1-2，本发明步骤(2)所述的建立资源调度数学模型F(x)，其目标函数如下式所示：

其中，F(x)为f₁(x)，f₂(x)，…，f_N(x)的集合，f_i(x)表示干扰第i部截获雷达对应的干扰目标函数，ω_ri表示接收的第i部截获雷达的威胁等级，取值为0～1内的实数，a_ji为第j部干扰机对第i部截获雷达的空时干扰因子，取值为0～1内的实数，s_ji为第j部干扰机对第i部雷达干扰时所采用的干扰样式，s_ji取值为连续自然数，分别代表不同的干扰样式，p_ji为第j部干扰机对第i部雷达的干扰归一化功率，取值为0～1内的实数。

本发明资源调度数学模型是建立在雷达的危险系数、干扰机的空时干扰因子、干扰机的干扰样式和干扰机的干扰功率的基础上。当干扰机达不到干扰效果时，传统方法通过增加干扰机的个数来提高干扰效果，相比于传统的穷举方法，本发明通过截获雷达的威胁等级重新分配干扰样式和干扰功率，提高了干扰成功率，具有更好的灵活性。

本发明所建立的资源调度数学模型的目标函数F(x)表示了在针对多个截获雷达的情况下，每个干扰机对同一个截获雷达的干扰样式相同，干扰样式和干扰功率根据威胁等级进行分配，对比传统的穷举法，本发明解决了多对多场景中资源调度困难的问题，弥补了传统算法的局限性，该目标函数包括了干扰方式和干扰功率这两个参数，使干扰类型变化多样，有效的抑制了STAP雷达的抗干扰能力，提高了对STAP雷达的干扰成功率。

实施例4

基于MPBI算法的STAP雷达分布式干扰方法同实施例1-3，本发明步骤(10)所述的利用MPBI分解算法的具体分解方式如下：

(10a)产生权向量P并设置理想点z^*：预先产生一组权向量P＝{P₁,P₂,…,P_k,…,P_K}^T，K为种群规模，k为种群索引，取值均为自然数；P_k表示第k个权向量，对于所有的k＝1,…,K，都有

w＝(1,...,1)^T是一个m维的恒定不变的超平面的法向量，设置一组理想点

其中，

表示第i个理想点，且这一组内每个理想点满足

Ω表示决策空间。

(10b)计算参数向量d₁,d₂：依照下式，计算d₁，d₁为参数向量1：

依照下式，计算d₂，d₂为参数向量2：

其中，F(x)表示目标函数集合，P表示参考点，λ表示预先设定的权重向量，||·||表示取2-范数操作，T表示转置操作。

(10c)计算聚合函数g(x)：利用d₁和d₂，根据下式运算，得到分解后的聚合函数g(x)

g(x)＝minimize【g^mpbi(x|P,z^*)＝d₁+θd₂】

其中，minimize【·】表示取最小值操作，x表示待优化变量，θ表示取值为正整数的惩罚因子，取值为5。

本发明通过基于惩罚的边界交集MPBI算法寻优得到优化的结果，将优化后的最优解集分配给干扰资源调度数学模型，干扰机同时针对所有截获雷达发射满足寻优结果的干扰信号，当截获雷达的威胁等级发生变化，干扰资源调度数学模型根据威胁等级重新分配干扰样式和干扰功率，与传统干扰方法相比，改善了寻优的结果，提高了干扰机的灵活性和干扰的成功率。

本发明主要解决了现有技术生成的对STAP雷达的干扰信号能量损失过大和无法同时对多个目标进行干扰的问题。其实现步骤是：初始化干扰机参数并判定截获雷达的危险等级；建立干扰资源调度数学模型F(x)；设置干扰约束条件；设置种群最优解集和权重向量；执行标准遗传算法产生新个体；根据支配关系更新种群理想点；利用MPBI分解运算寻求模型最优解；获得进化后的种群最优解集；分配最优解集数据，完成对雷达组网的分布式干扰。本发明通过MPBI算法优化功率分配减小了功率损耗，并且提高了干扰成功率，灵活性较高，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“多对多”干扰场景。

下面给出一个详细的例子，对本发明进一步说明。

实施例5

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，初始化干扰机参数并判定截获雷达的危险等级：根据截获雷达的关键参数判定每个雷达的危险等级，假设关键参数为各个雷达的信号的载波频率、信号时宽、发射功率；令截获的若干雷达为N部，截获雷达组成雷达组网，截获雷达的集合为C＝[C₁,C₂,...,C_i,...,C_N]，C_i表示第i部截获雷达，其中下标i为截获雷达的序号，i取整数；根据关键参数确定危险等级，令危险等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，ω_ri表示接收的第i部截获雷达的威胁等级，取值为0～1内的实数；令载波频率的集合为f_c1,f_c2,...,f_ci,...,f_cN，f_ci表示第i部截获雷达的载波频率，取值为正整数；令截获雷达信号时宽集合为τ₁,τ₂,...,τ_i,...,τ_N，τ_i表示第i部截获雷达脉冲信号的时宽，取值为正整数；令各个截获雷达脉冲信号的发射功率的集合是P_t1,P_t2,...,P_ti,...,P_tN，P_ti表示第i部截获雷达的发射功率，取值为正实数。初始化干扰机参数，设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，J_j表示第j部干扰机，M为干扰机总部数，取值为正整数，令s_ji表示第j部干扰机对第i部截获雷达的干扰样式；令p_ji表示第j部干扰机对第i部截获雷达的干扰功率。

步骤2，建立干扰资源调度数学模型F(x)：基于干扰样式和干扰功率建立针对多目标多干扰源的干扰资源调度数学模型F(x)其目标函数如下式所示：

其中，F(x)为f₁(x)，f₂(x)，…，f_N(x)的集合，f_i(x)表示第i部雷达对应的干扰目标函数，ω_ri表示接收的第i部雷达的威胁等级，取值为0～1内的实数，a_ji为第j部干扰机对第i部雷达的空时干扰因子，取值为0～1内的实数，s_ji为第j部干扰机对第i部雷达干扰时所采用的干扰样式，s_ji取值为连续自然数，分别代表不同的干扰样式，p_ji为第j部干扰机对第i部雷达的干扰归一化功率，取值为0～1内的实数。

步骤3，设置干扰约束条件：根据干扰资源调度数学模型F(x)，设置干扰约束条件为：

上式中，

表示第j个干扰机对N个雷达的干扰归一化功率之和为1，s_1i＝s_2i＝…＝s_ji＝…＝s_Mi表示j部干扰机干扰同一部截获雷达时，干扰样式相同，干扰机干扰不同的截获雷达时，干扰样式不同。

步骤4，设置种群最优解集和权重向量：调用一个干扰机种群，用于存放M部干扰机的干扰样式、干扰功率的最优解，并将该种群最优解集EP置成空集φ；设置一组理想点z＝(z₁,z₂,…,z_i,…,z_N)，i＝1,2,…,N，在最优解集中N表示理想点总数，N取正整数，z_i表示第i个理想点，根据干扰约束条件对理想点值进行随机设置一组分布均匀的权重向量λ¹,...,λ^k,...λ^K，k＝1,2,…,K，λ^k表示第k个权重向量，K为种群大小。

步骤5，计算各相邻权重的欧几里得距离：计算各相邻权重之间的欧几里得距离，与权重向量λ^k距离最近的T个向量为向量λ^k的相邻权重向量，其中，相邻权重向量索引集合记为B(k)＝(k₁,...,k_T)，

为λ^k的T个相邻权重向量。

步骤6，产生初始种群权：根据相邻向量索引集合B(k)，设置初始种群权x¹,...,x^k,...x^K，并计算干扰资源调度数学模型F(x^k)＝(f₁(x^k),...,f_N(x^k))，其中，x^k表示第k个种群权，k为循环指针，其的初始值为1，k＝1～K。

步骤7，交叉产生新个体：从相邻向量索引集合B(k)＝(k₁,...,k_T)中随机选取两个索引v,l，对x^v和x^l执行标准遗传算法的交叉操作，产生新个体y。

步骤8，对新个体变异操作：对新个体y执行标准遗传算法的变异操作，产生变异后的个体y'，变异后的个体y'在干扰资源数学模型表示为。

步骤9，更新种群理想点：若理想点z_w＜f_w(y'),w＝1,...,N，w为标准遗传算法变异操作的遍历范围，则z_w＝f_w(y')，如果当前理想点z小于与它对应的f(y')，则把f(y')赋值给该理想点，形成新的理想点，执行w＝1,...,N，完成所有理想点的更新。

步骤10，用局部加权和分解方法寻找最优解：利用MPBI分解运算寻求最优解，具体方法为通过局部加权和分解方法与相邻权重向量索引集合相结合来更新相邻解，对于w∈B(k)，若g^mpbi(y'|λ^w,z)≤g^mpbi(x^wλ^w,z)，则x^w＝y',z_w＝f_w(y')，其中，g^mpbi(·)表示MPBI分解运算。

预先产生一组权向量P＝{P₁,P₂,…,P_k,…,P_K}^T，K为种群规模，k为种群索引，取值均为自然数；P_k表示第k个权向量，对于所有的k＝1,…,K，都有P_k≥0，且

w＝(1,...,1)^T是一个m维的恒定不变的超平面的法向量，设置一组参考点

其中，

表示第i个参考点，且这一组内每个参考点满足

Ω表示决策空间，

依照下式，计算d₁，d₁为参数向量1：

依照下式，计算d₂，d₂为参数向量2：

利用d₁和d₂，根据下式运算，得到分解后的聚合函数g(x)

g(x)＝minimize【g^mpbi(x|P,z^*)＝d₁+θd₂】

其中，minimize【·】表示取最小值操作，θ表示惩罚因子，取值为5。

步骤11，判断种群权是否受变异个体支配：判断干扰资源调度数学模型中种群权F(x^k)是否受变异个体F(y')支配，k＝1,...,K；根据Pareto支配关系，若种群权F(x^k)受变异个体F(y')支配，则将F(x^k)从种群最优解集EP中删除；若对于

，若不存在F(x^k)受F(y')支配，则将F(y')加入种群最优解集EP，并将循环指针k的值加1后，执行步骤(7)至(11)，进入新一轮种群最优解的寻优过程。

步骤12，获得进化后的种群最优解集：重复步骤(7)到步骤(11)，直至k＝K，得到进化后的种群最优解集EP，种群最优解集EP中包含干扰样式决策结果s₁,s₂,...,s_i,...,s_N，干扰功率决策结果p_ji,j＝1,...,M,i＝1,...,N；其中，s_i表示对第i部截获雷达干扰所采取的干扰样式，p_ji表示第j部干扰机施加给第i部截获雷达的干扰功率，得到干扰资源调度最优分配方案，仍然是干扰机集合的原表达式，干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]，但是其中的每一个干扰机参数都是经过优化后的最优解集。

步骤13，分配最优解集数据，完成对截获雷达组网的分布式干扰：根据干扰资源调度最优分配方案，干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]中每部干扰机J_j分别采用的对第i部截获雷达发射干扰样式s_i，以p_ji为干扰功率对第i部截获雷达发射干扰信号，以上参数均为干扰资源调度最优分配方案中的参数，完成对STAP雷达组网的分布式干扰。

下面通过仿真实验对本发明的技术效果再做发明。

实施例6

基于MPBI算法的STAP雷达分布式干扰方法同实施例1-5，

仿真条件：

仿真设定截获雷达均为STAP雷达，总个数N为3，分别为雷达1，雷达2，雷达3，三个雷达的危险等级不同。分布式干扰组网中包含M＝8部干扰机，交叉概率为0.5，变异概率为0.5，SBX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雷达带宽为20MHz，载频为1.5GHz，阵元个数为12，脉冲个数为24。

仿真内容：

仿真：在仿真条件下，对比利用常规单点源旁瓣干扰信号、未经MPBI算法寻优的干扰信号、本发明所得的干扰信号对STAP雷达进行干扰后，STAP雷达输出改善因子统计图，结果如图2所示。

仿真结果与分析：

参见图2，图2为雷达1的STAP算法输出改善因子对比图；本发明的仿真实验设置了3部雷达和8部干扰机作为仿真条件，图2为在本发明所设计的干扰下，3部雷达中的第一部雷达的STAP算法输出的改善因子对比图，横轴为归一化多普勒频率，纵轴为STAP算法的改善因子。实线为单个旁瓣干扰下，STAP算法改善因子随归一化多普勒频率变化的变化曲线；虚线为在本发明未经MPBI算法寻优的干扰下，STAP算法改善因子随归一化多普勒频率变化的变化曲线；附加星号的曲线表示在本发明干扰下，STAP算法改善因子随归一化多普勒频率变化的变化曲线。

分析图2各个曲线可知，实线表示在现有技术中的单个旁瓣干扰方法作用下的雷达1的STAP算法输出的改善因子，虚线表示在本发明未经MPBI算法寻优的作用下雷达1的STAP算法输出的改善因子，附加星号的曲线表示在本发明MPBI算法寻优的作用下雷达1的STAP算法输出的改善因子，与实线表示的单个旁瓣干扰方法作用下的改善因子相比，虚线表示的本发明未经MPBI算法寻优的作用下的改善因子和附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子更低，凹口宽度更大，则干扰效果更好，说明“多对多”模式下的干扰具有更好的干扰能力。与虚线表示的本发明未经MPBI算法寻优的作用后的改善因子相比，附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子最低，凹口宽度最大，实验结果证明本发明所提出基于MPBI算法的分布式干扰方法提升了对STAP雷达的干扰性能。

实施例7

基于MPBI算法的STAP雷达分布式干扰方法同实施例1-5，仿真条件和内容同实施例6，仅有雷达1换为雷达2，两个雷达的威胁等级不同。

参见图3，图3为雷达2的STAP算法输出改善因子对比图；本发明的仿真实验设置了3部雷达和8部干扰机作为仿真条件，图3为在本发明所设计的干扰下，3部雷达中的第二部雷达的STAP算法输出的改善因子对比图，图中曲线表示的条件和横纵轴表示的参数同实例6。

分析图3各个曲线可知，实线表示在现有技术中的单个旁瓣干扰方法作用下的雷达2的STAP算法输出的改善因子，虚线表示在本发明未经MPBI算法寻优的作用下雷达2的STAP算法输出的改善因子，附加星号的曲线表示在本发明MPBI算法寻优的作用下雷达2的STAP算法输出的改善因子，与实线表示的单个旁瓣干扰方法作用下的改善因子相比，虚线表示的本发明未经MPBI算法寻优的作用下的改善因子和附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子更低，凹口宽度更大，则干扰效果更好，说明“多对多”模式下的干扰具有更好的干扰能力。与虚线表示的本发明未经MPBI算法寻优的作用后的改善因子相比，附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子最低，凹口宽度最大，实验结果证明本发明所提出基于MPBI算法的分布式干扰方法提升了对STAP雷达的干扰性能。

实施例8

基于MPBI算法的STAP雷达分布式干扰方法同实施例1-5，仿真条件和内容同实施例6，仅有雷达1换为雷达3，两个雷达的威胁等级不同。

参见图4，图4为雷达3的STAP算法输出改善因子对比图；本发明的仿真实验设置了3部雷达和8部干扰机作为仿真条件，图4为在本发明所设计的干扰下，3部雷达中的第一部雷达的STAP算法输出的改善因子对比图，图中曲线表示的条件和横纵轴表示的参数同实例6。

分析图4各个曲线可知，实线表示在现有技术中的单个旁瓣干扰方法作用下的雷达3的STAP算法输出的改善因子，虚线表示在本发明未经MPBI算法寻优的作用下雷达3的STAP算法输出的改善因子，附加星号的曲线表示在本发明MPBI算法寻优的作用下雷达3的STAP算法输出的改善因子，与实线表示的单个旁瓣干扰方法作用下的改善因子相比，虚线表示的本发明未经MPBI算法寻优的作用下的改善因子和附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子更低，凹口宽度更大，则干扰效果更好，说明“多对多”模式下的干扰具有更好的干扰能力。与虚线表示的本发明未经MPBI算法寻优的作用后的改善因子相比，附加星号曲线表示的在本发明MPBI算法寻优的作用下的改善因子最低，凹口宽度最大，实验结果证明本发明所提出基于MPBI算法的分布式干扰方法提升了对STAP雷达的干扰性能。

对比图2图3图4，图4中附加星号的曲线表示在本发明MPBI算法寻优的作用下的STAP算法输出的改善因子最低，凹口最宽，干扰效果最好。因为图4设置的雷达3的威胁等级最高，所以分配的干扰资源最多，则干扰效果最好。由此可见，本发明具有很好的干扰能力，当STAP雷达的威胁等级变化时，干扰机的干扰资源可以重新分配，所以灵活性很高，可以根据己方的要求，对干扰资源的分配进行调整。

综上所述，本发明的基于局部加权和分解的STAP雷达分布式干扰方法，主要解决现有干扰STAP雷达能力差的问题。现有对STAP雷达干扰很少有“多对多”模式，干扰成功率很低，而对于传统多对多工作模式，干扰资源调度也存在问题且灵活度较差。本发明就“多对多”模式下资源调度问题展开了研究，有效解决了干扰资源调度问题，提高了干扰成功率，且灵活度很好，稳定度高。其实现方案是：初始化雷达和干扰机的各个参数；建立干扰资源调度数学模型和设置约束条件；初始化种群最优解集EP和权重向量；用MPBI求最优解集；将最优解集的数据代入干扰样式决策结果和干扰功率决策结果。本发明建立了干扰资源调度数学模型，很好的解决了多对多模式下干扰资源调度问题。应用MPBI分解方法求得最优解集，提高了寻优速率。本发明提升了干扰方对STAP雷达的干扰成功率，可用于多对多的干扰组网系统。

Claims (3)

1.一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，其特征在于，使用多部干扰机对截获雷达形成分布式协同干扰，包括有如下步骤：

(1)初始化干扰机参数并判定截获雷达的危险等级：根据侦查设备采集的截获雷达的关键参数判定截获雷达的危险等级，令危险等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，其中i＝1,2,…,N，N为截获雷达总数，ω_ri表示接收的第i部截获雷达的威胁等级，ω_ri取值为0～1内的实数；初始化干扰机参数，设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，令s_ji表示第j部干扰机对第i部截获雷达的干扰样式；令p_ji表示第j部干扰机对第i部截获雷达的干扰功率，j＝1,2,…,M；

(2)建立干扰资源调度数学模型F(x)：基于干扰样式和干扰功率建立针对多目标多干扰源的干扰资源调度数学模型F(x)；

(3)设置干扰约束条件：根据干扰资源调度数学模型F(x)，设置干扰约束条件为：

上式中，

表示第j个干扰机对N个雷达的干扰归一化功率之和为1，s_1i＝s_2i＝…＝s_ji＝…＝s_Mi表示j部干扰机干扰同一部截获雷达时，干扰样式相同，干扰机干扰不同的截获雷达时，干扰样式不同；

(4)设置种群最优解集和权重向量：调用一个干扰机种群，用于存放M部干扰机的干扰样式、干扰功率的最优解，并将该种群最优解集EP置成空集φ；设置一组理想点z＝(z₁,z₂,...,z_i,...,z_N)，i＝1,2,…,N，在最优解集中N表示理想点总数，N取正整数，z_i表示第i个理想点，根据干扰约束条件对理想点值进行随机设置一组分布均匀的权重向量λ¹,...,λ^k,...λ^K，k＝1,2,…,K其中，λ^k表示第k个权重向量，K为种群大小；

(5)计算各相邻权重的欧几里得距离：计算各相邻权重之间的欧几里得距离，与权重向量λ^k距离最近的T个向量为向量λ^k的相邻权重向量，其中，相邻权重向量索引集合记为B(k)＝(k₁,...,k_T)，

为λ^k的T个相邻权重向量；

(6)产生初始种群权：根据相邻权重向量索引集合B(k)，设置初始种群权中，x^k表示第k个种群权，k为循环指针，其的初始值为1，k＝1～K；

(7)交叉产生新个体：从相邻权重向量索引集合B(k)＝(k₁,...,k_T)中随机选取两个索引v,l，对x^v和x^l执行标准遗传算法的交叉操作，产生新个体y；

(8)对新个体变异操作：对新个体y执行标准遗传算法的变异操作，产生变异后的个体y'；

(9)更新种群理想点：若理想点z_w＜f_w(y'),w＝1,...,N，w为标准遗传算法变异操作的遍历范围，则z_w＝f_w(y')，如果当前理想点z小于与它对应的f(y')，则把f(y')赋值给该理想点，形成新的理想点，执行w＝1,...,N次标准遗传算法变异操作，完成所有理想点的更新；

(10)用局部加权和分解方法寻找最优解：利用MPBI分解运算寻求最优解，具体方法为通过局部加权和分解方法与相邻权重向量索引集合相结合来更新相邻解，对于w∈B(k)，若g^mpbi(y'|λ^w,z)≤g^mpbi(x^w|λ^w,z)，则x^w＝y',z_w＝f_w(y')，其中，g^mpbi(·)表示MPBI分解运算；利用MPBI分解算法的具体分解方式如下：

(10a)产生权向量P并设置参考点z^*：预先产生一组权向量P＝{P₁,P₂,…,P_k,…,P_K}^T，K为种群规模，k为种群索引，取值均为自然数；P_k表示第k个权向量，对于所有的k＝1,…,K，都有P_k≥0，且

w＝(1,...,1)^T是一个m维的恒定不变的超平面的法向量，设置一组参考点

其中，

表示第i个参考点，且这一组内每个参考点满足

Ω表示决策空间，

(10b)计算参数向量d₁,d₂：依照下式，计算d₁，d₁为参数向量1：

依照下式，计算d₂，d₂为参数向量2：

(10c)计算聚合函数g(x)：利用d₁和d₂，根据下式运算，得到分解后的聚合函数g(x)

g(x)＝minimize【g^mpbi(x|P,z^*)＝d₁+θd₂】

其中，minimize【·】表示取最小值操作，θ表示惩罚因子，取值为5；

(11)判断种群权是否受变异个体支配：判断干扰资源调度数学模型中种群权F(x^k)是否受变异个体F(y')支配，k＝1,...,K；根据Pareto支配关系，若种群权F(x^k)受变异个体F(y')支配，则将F(x^k)从种群最优解集EP中删除；若对于

若不存在F(x^k)受F(y')支配，则将F(y')加入种群最优解集EP，并将循环指针k的值加1后，执行步骤(7)至(11)，进入新一轮种群最优解的寻优过程；

(12)获得进化后的种群最优解集：重复步骤(7)到步骤(11)，直至k＝K，得到进化后的种群最优解集EP，种群最优解集EP中包含干扰样式决策结果s₁,s₂,...,s_i,...,s_N，干扰功率决策结果p_ji,j＝1,...,M,i＝1,...,N；其中，s_i表示对第i部雷达干扰所采取的干扰样式，p_ji表示第j部干扰机施加给第i部雷达的干扰功率，得到干扰资源调度最优分配方案；

(13)分配最优解集数据，完成对雷达组网的分布式干扰：根据干扰资源调度最优分配方案，干扰机集合J＝[J₁,J₂,...,J_j,...,J_M]中每部干扰机J_j分别采用的对第i部雷达发射干扰样式s_i，以最优的为干扰功率对第i部雷达发射干扰信号，以上参数均为干扰资源调度最优分配方案中的参数，完成对STAP雷达组网的分布式干扰。

2.如权利要求1所述的一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，其特征在于，步骤(1)所述的初始化干扰机参数并判定截获雷达的危险等级，其步骤如下式：

(1a)判定截获雷达的危险等级：根据截获雷达的关键参数判定每个雷达的危险等级，假设关键参数为各个雷达的信号的载波频率、信号时宽、发射功率；令截获的若干雷达为N部，截获雷达组成雷达组网，截获雷达的集合为C＝[C₁,C₂,...,C_i,...,C_N]，C_i表示第i部雷达，其中下标i为雷达的序号，i取整数；根据关键参数确定危险等级，令危险等级的集合为ω_r1,ω_r2,...,ω_ri,...,ω_rN，ω_ri表示接收的第i部雷达的威胁等级，取值为0～1内的实数；令载波频率的集合为f_c1,f_c2,...,f_ci,...,f_cN，f_ci表示第i部雷达的载波频率，取值为正整数；令雷达信号时宽集合为τ₁,τ₂,...,τ_i,...,τ_N，τ_i表示第i部雷达脉冲信号的时宽，取值为正整数；令各个雷达脉冲信号的发射功率的集合是P_t1,P_t2,...,P_ti,...,P_tN，P_ti表示第i部雷达的发射功率，取值为正实数；

(1b)初始化干扰机参数：设置M部干扰机，干扰机集合为J＝[J₁,J₂,...,J_j,...,J_M]，J_j表示第j部干扰机，M为干扰机总部数，取值为正整数。

3.如权利要求1所述的一种基于MPBI分解的STAP雷达分布式干扰信号生成方法，其特征在于，步骤(2)所述的建立资源调度数学模型F(x)，其目标函数如下式所示：

其中，F(x)为f₁(x)，f₂(x)，…，f_N(x)的集合，f_i(x)表示第i部雷达对应的干扰目标函数，ω_ri表示接收的第i部截获雷达的威胁等级，取值为0～1内的实数，a_ji为第j部干扰机对第i部雷达的空时干扰因子，取值为0～1内的实数，s_ji为第j部干扰机对第i部雷达干扰时所采用的干扰样式，s_ji取值为连续自然数，分别代表不同的干扰样式，p_ji为第j部干扰机对第i部雷达的干扰归一化功率，取值为0～1内的实数。

Images