CN113759324B - 一种基于箔条干扰实测数据的对抗方法 - Google Patents
一种基于箔条干扰实测数据的对抗方法 Download PDFInfo
- Publication number
- CN113759324B CN113759324B CN202110826012.XA CN202110826012A CN113759324B CN 113759324 B CN113759324 B CN 113759324B CN 202110826012 A CN202110826012 A CN 202110826012A CN 113759324 B CN113759324 B CN 113759324B
- Authority
- CN
- China
- Prior art keywords
- distance
- foil
- data
- doppler
- group
- 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
- 239000011888 foil Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 title claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 17
- 230000001427 coherent effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000035485 pulse pressure Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S7/38—Jamming means, e.g. producing false echoes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于箔条干扰实测数据的对抗方法，包括：获取雷达的回波信号；对回波信号进行处理，得到距离‑多普勒二维像；对距离‑多普勒二维像进行二维恒虚警检测，得到过检测门限的点集；对过检测门限的点集进行聚类分组，得到目标信号和箔条信号分离的若干组数据；从距离‑多普勒二维像中获取每组数据的若干特征信息；利用分类器和特征信息对若干组数据进行分类，得到目标信号和箔条信号的识别结果。本发明提供的基于箔条干扰实测数据的对抗方法由于采用的特征信息在箔条扩散的各个阶段表现出了与目标较高的区分度，从而使得该方法在箔条云整个扩散过程中都具备有效的对抗效果和极强的普适性。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种基于箔条干扰实测数据的对抗方法。
背景技术
雷达是现代战争中精确制导武器的核心组件，而雷达干扰也已成为现代战场的常规手段。箔条干扰作为一种常见的雷达无源干扰手段，由于其具备干扰效果显著、干扰实施便捷、干扰成本低廉的优势现已被广泛应用于电子对抗。箔条弹打出后抛撒在空中扩散形成具有一定长度、宽度和厚度的云状干扰物，称为箔条走廊。箔条本身没有动力，完全靠自然扩散，以箔条走廊尺寸、谱宽的稳定性为依据，将扩散过程分为正在扩散和完全扩散状态。以箔条弹打出位置是否与目标在同一波束内为依据分为质心式和冲淡式，质心式箔条干扰可以近距离利用箔条走廊遮盖并保护目标；冲淡式干扰的箔条走廊可以在远距离处形成诱饵。目前，已有研究证明箔条走廊的干扰功能与雷达体制无关，对于现有的脉冲多普勒雷达、相控阵雷达、合成孔径雷达、毫米波雷达及未来的新体制雷达而言，箔条干扰都将是一种有效的干扰手段，因此，研究抗箔条干扰问题对未来电子对抗具有非常重要的意义。
目前，针对如何对抗箔条干扰的问题，主要有以下三种解决思路。第1种是J.和Chuan Yin等人以箔条自身物理特征建模为基础，研究其雷达反射截面积特性、极化散射特性、扩散模型等物理特征与目标的差异，实现目标与箔条走廊的识别；第2种是Ran LP和Hansoo Lee等人对回波信号进行预处理，采用时频分析的方式提取时频特征完成目标回波的分离，而刘业民等人采用角度估计优化算法、极化增强目标信号等方式抑制干扰信号；第3种是Yanchun Zuo，和Utku Kaydok等人从常规雷达信号处理后的距离-多普勒二维图(Range-Doppler，R-D)出发，分析R-D图中目标、箔条占据的距离单元数、多普勒通道数，将目标与箔条区分开。
然而，第1种思路虽然能够实现非常高的识别准确率，但由于箔条金属自身尺寸、镀层、极化散射特性等工艺指标并不统一，抗干扰方更无法获知此类关键信息，从而导致这类方法实用性不强；第2种思路能够有效地对抗状态稳定的箔条干扰，但因为从未扩散到完全扩散整个过程的回波特性是并不稳定，所以这类方法不能稳定有效地对抗整个扩散过程的箔条干扰；第3种思路也仅能在完全扩散状态准确地分辨目标与箔条，且需要根据扩散过程调整判决门限，对于未扩散状态的假目标无法区分。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于箔条干扰实测数据的对抗方法。本发明要解决的技术问题通过以下技术方案实现：
一种基于箔条干扰实测数据的对抗方法，包括：
获取雷达的回波信号；
对所述回波信号进行处理，得到距离-多普勒二维像；
对所述距离-多普勒二维像进行二维恒虚警检测，得到过检测门限的点集；
对过检测门限的点集进行聚类分组，得到目标信号与箔条信号分离的若干组数据；
从所述距离-多普勒二维像中获取每组数据的若干特征信息；
利用分类器和所述特征信息对所述若干组数据进行分类，得到目标信号和箔条信号的识别结果。
在本发明的一个实施例中，对所述回波信号进行处理，得到距离-多普勒二维像，包括：
对雷达的回波信号进行数字下变频处理，以滤除回波信号中的载频分量，得到基带信号；
对所述基带信号进行脉冲压缩和相干积累，得到距离-多普勒二维像。
在本发明的一个实施例中，对过检测门限的点集进行聚类分组，得到目标信号与箔条信号分离的若干组数据，包括：
选取若干散点作为初始聚类中心，并将其均匀铺满整个距离-多普勒平面；
计算所有聚类中心的偏移量，并对每个聚类中心进行相应的偏移；
若判断任意两个聚类中心的距离小于聚类半径时，则将上述两个聚类中心合并为它们的中点；
对所述聚类中心的偏移量进行更新，并进行聚类以将目标信号与箔条信号分离，直至所有聚类中心的偏移量收敛，得到若干组数据。
在本发明的一个实施例中，所述聚类中心偏移量的计算公式为：
其中，xt为t时刻的某一类的中心点，xt+1为t+1时刻该中心点的偏移量，k为相干积累后的点数，Sh为包含在以xt为中心、h为半径范围内的点的集合，h为聚类半径，xi表示过检测门限的点集中的某一点。
在本发明的一个实施例中，从所述距离-多普勒二维像中获取每组数据的若干特征信息，包括：
从所述距离-多普勒二维像中获取各组数据占据的距离单元数、多普勒通道数以及过门限总点数；
计算组内各距离单元频谱的矩峰度和偏度，并分别计算其均值以得到该组的矩峰度和偏度；
根据组内各距离单元的频谱差异计算该组频偏和以及半功率宽度方差。
在本发明的一个实施例中，计算组内各距离单元频谱的矩峰度和偏度，并分别计算其均值以得到该组的矩峰度和偏度，包括：
将当前组内与距离维峰值点相距i个距离单元的频谱作为概率密度函数并统计特征信息，得到概率密度函数；
计算上述概率密度函数的均值和方差；
根据所述概率密度函数的均值和方差计算与距离维峰值相距i个距离单元的频谱的矩峰度和偏度；
联合组内峰值周围2个距离单元的矩峰度和偏度，分别计算其均值得到该组的矩峰度和偏度。
在本发明的一个实施例中，所述与距离维峰值相距i个距离单元的频谱的矩峰度Kurtosis(i)的计算公式为：
所述与距离维峰值相距i个距离单元的频谱的偏度Skewness(i)的计算公式为：
其中，M为大于k且与k最接近的2的幂次方，k为相干积累后的点数，X'i(k)为与距离维峰值点相距i个距离单元的频谱Xi(k)的概率密度函数，fi为Xi(k)的峰值频率，σi为X'i(k)的标准差。
在本发明的一个实施例中，所述频偏和的计算公式为：
其中，f0表示组内峰值距离单元对应频谱的峰值频率；
所述半功率宽度方差的计算公式为：
其中，表示3dB宽度方差，Bi为Xi(k)的半功率宽度，Var(·)表示计算方差。
在本发明的一个实施例中，利用分类器和所述特征信息对所述若干组数据进行分类，得到目标信号和箔条信号的识别结果，包括：
获取不同阶段雷达的回波信号及对应的特征信息；
将获取到的数据按照帧号打乱，并采用10折交叉验证的方式将其对应的特征信息依次输入到分类器中进行训练和测试，得到目标与箔条的分类结果。
在本发明的一个实施例中，所述分类器包括朴素贝叶斯、随机森林或者支持向量机。
本发明的有益效果：
1、本发明提供的基于箔条干扰实测数据的对抗方法通过对雷达回波信号进行处理和分类，并联合多种特征信息和分类器完成了目标、箔条的有效分离；由于采用的特征信息在箔条扩散的各个阶段表现出了与目标较高的区分度，从而使得该方法在箔条云整个扩散过程中都具备有效的对抗效果和极强的普适性；
2、本发明考虑到工程应用实现，使用了便于实现应用的二维恒虚警方法，抑制了箔条云团的展宽效应，通过均值漂移聚类算法完成了目标和箔条高速、准确、有效的分离，最后通过分类器完成识别目标和箔条的任务。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于箔条干扰实测数据的对抗方法的流程图；
图2是本发明实施例提供的二维恒虚警处理器的结构示意图；
图3是本发明实施例提供的一种关于箔条干扰实测数据处理的对抗实验步骤示意图；
图4是本发明实施例提供的箔条特征的物理含义示意图；
图5是仿真试验过程中的距离-多普勒二维图；
图6是均值漂移算法的处理结果示意图；
图7是采用本发明方法处理不同帧段内数据的脉压、积累结果；
图8是用本发明处理不同帧段内关于第一发箔条弹和第二发箔条弹的聚类结果；
图9是用本发明方法分析箔条扩散过程得到的阶段区分示意图；
图10是用本发明方法处理实测数据后，两发箔条弹的新特征与目标之间的差异对比图；
图11-13是分别使用朴素贝叶斯、随机森林、支持向量机分类器获得的分类结果。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1是本发明实施例提供的一种基于箔条干扰实测数据的对抗方法流程图，其包括：
步骤1：获取雷达的回波信号。
在本实施例中，单点目标及单根箔条丝的雷达回波信号s(t)可以表示为：
其中，Tr为重复周期；Te为脉冲宽度；μ＝B/Te为调频斜率，B为调频带宽。已知实测数据的调制方式为线性调频，且每帧数据包含N＝32个回波。τ和fd分别为时延和多普勒频率。
R0和Ri分别为单点目标和第i根箔条的距离；v0和vi分别为单点目标和第i根箔条的速度；c为光速，fc是载频；fdi为整个箔条云团对第i根箔条造成的速度起伏。
假设箔条云中总共有m根箔条细丝，则目标与箔条的总回波信号可以表示为：
其中，s0(t)表示目标回波信号，si(t)表示箔条回波信号。
步骤2：对回波信号进行处理，得到距离-多普勒二维像。
21)对回波信号进行数字下变频处理，以滤除回波信号中的载频分量，得到基带信号。
具体的，本实施例采用常规的数字下变频处理方法，实现对回波信号去载频处理，具体步骤在此不做详细说明，通过去载频处理去除exp[j2πfc(t-τ-nTr)]分量，得到的基带信号表示为sddc(t)。
22)对基带信号进行脉冲压缩和相干积累，得到距离-多普勒二维像。
首先，设计冲击响应为h(t)的滤波器，进行脉冲压缩处理，其中，
脉冲压缩结果spc(t)的模值为：
|spc(t)|将会在形成一个sinc函数状的峰值。
然后，将spc(t)的每个周期采样的得到的采样信号x(n)表示为：
x(n)＝aexp(j2πfdnTr),n＝0,1,…,N-1
a表示采样幅值，将采样信号x(n)补零至M点做FFT获得相干积累结果：
其中，M为大于k的最近的2的幂次方，k表示相干积累后的点数。
相干积累结果X(k)将在k＝fdTrM处形成一个函数形状的峰值。
经过脉冲压缩和相干积累后，得到了实测数据的距离-多普勒二维像。
步骤3：对距离-多普勒二维像进行二维恒虚警检测，得到过检测门限的点集。
请参见图2，图2是本发明实施例提供的二维恒虚警处理器的结构示意图。本实施例在距离、多普勒两个维度均取32个保护单元，16个参考单元。
具体地，首先在检测单元(CUT)上下左右相邻处各选取8个单元作为保护单元；
然后在四个方向上CUT跨越保护单元各选取4个单元作为参考单元，计算所有参考单元的幅度均值；
幅度均值乘阈值因子K0得到检测门限，其中阈值因子K0表示为：
K0＝-logG(Pfa)-1
其中，Pfa为虚警概率，取Pfa＝10-6。
检测门限与CUT幅值比较，将过门限的点表示为1，没过的表示为0，从而得到二维CFAR结果，也即过检测门限的点集S。
步骤4：对过检测门限的点集进行聚类分组，得到目标信号和箔条信号分离的若干组数据。
具体地，设过门限点集合S中总共有L个点，点的坐标可表示为：
xi＝(ri,di)i＝1,2,…,L
其中，ri和di分别为第i个点的距离单元和多普勒通道。
Sh＝{y:(y-xt)T(y-xt)＜h2}
h为聚类半径，本实施例中取h＝21，xt为t时刻的某一类的中心点；Sh为包含在以xt为中心、h为半径范围内的点集合。
然后，根据均值漂移聚类方法对过门限的点进行分类。
41)选取若干散点作为初始聚类中心，并将其均匀铺满整个距离-多普勒平面.
在本实施例中，可选取远大于目标数与箔条数之和的散点作为中心点，例如，当目标数为p、箔条数为q是，可选取l＞10×(p+q)的散点作为中心点。
42)计算所有聚类中心的偏移量，并对每个聚类中心进行相应的偏移。
其中，聚类中心的偏移量的计算公式为：
43)若判断任意两个聚类中心的距离小于聚类半径h时，则将上述两个聚类中心合并为它们的中点；
44)对聚类中心的偏移量进行更新，并进行聚类以将目标信号和箔条信号分离，直至所有聚类中心的偏移量收敛，得到若干组数据。
具体地，重复步骤42)-43)，直到所有聚类中心的偏移量趋于0，每个聚类中心自成一类，得到若干组数据。
步骤5：从距离-多普勒二维像中获取每组数据的若干特征信息。
请参见图3，图3是本发明实施例提供的一种关于箔条干扰实测数据处理的对抗实验步骤示意图；其中，R-D图面积即为过门限总点数，谱宽即为多普勒通道数。
具体地，步骤5包括：
51)从距离-多普勒二维像中获取各组数据占据的距离单元数Nrange、多普勒通道数NDoppler以及过门限总点数Npoints，这三项基本特征信息。
52)计算组内各距离单元频谱的矩峰度和偏度，并分别计算其均值以得到各组的矩峰度和偏度。
首先，将当前组内与距离维峰值点相距i个距离单元的频谱作为概率密度函数并统计特征信息，得到概率密度函数。
具体地，对于组内峰值距离单元的频谱为X0(k)，与距离维峰值相距i个距离单元的频谱为Xi(k)。为将Xi(k)看作概率密度函数并统计特征，先积分求和并归一化求出分布函数Fi(k)，再差分求导得到标准的概率密度函数Xi'(k)。
然后，计算上述概率密度函数的均值和方差，计算公式如下：
接着，根据概率密度函数的均值和方差计算与距离维峰值相距i个距离单元频谱的矩峰度和偏度。
具体地，统计学中矩峰度Kurtosis，偏度Skewness的计算公式为：
参考上述公式计算Xi(k)的矩峰度和偏度，计算公式为：
其中，Xi(k)的峰值频率为fi，半功率宽度为Bi。
最后，联合组内峰值周围2个距离单元的矩峰度、偏度分别计算其均值，得到该组的矩峰度和偏度，具体表示为：
53)根据组内各距离单元的频谱差异计算该组频偏和以及半功率宽度方差，计算公式如下：
请参见图4，图4是本发明实施例提供的箔条特征的物理含义示意图。
至此，总共获取到七项特征：占据的距离单元数Nrange，多普勒通道数NDoppler，过门限总点数Npoints，矩峰度Kurtosis，偏度Skewness，频偏和Foffset、-3dB半功率宽度方差
本实施例在原本特征信息基础上联合峰值周围距离单元的频谱特征发现了新的特征，新的特征在箔条扩散的各个阶段表现出了与目标较高的区分度，使得该方法不仅适用于稳定状态的箔条干扰，还适用于整个箔条云扩散过程。
步骤6：利用分类器和特征信息对若干组数据进行分类，得到目标信号和箔条信号的识别结果。
首先，获取不同阶段雷达回波信号的数据及特征信息。
对整个箔条云扩散过程中不同阶段的实测数据，可以先利用步骤1至步骤5的方法进行处理，得到不同阶段目标和箔条的特征变化情况，以及不同箔条之间的差异情况。其中，获取到的每帧数据均可经处理后被分为若干组，每组数据具有对应的特征信息。
然后，将获取的数据按照帧号打乱，并采用10折交叉验证的方式将其对应的特征信息依次输入到分类器中进行训练和测试，利用得到目标与箔条的分类结果。
具体地，参考机器学习方法，将打乱的数据分为训练集和测试集，其中90％的数据用于训练，10％的数据用于测试。然后用分类器进行分类识别。其中，分类器可以采用朴素贝叶斯、随机森林或者支持向量机任一个分类器，也可以采用其他分类器。
本发明考虑到工程应用实现，使用了便于实现应用的二维恒虚警方法，抑制了箔条云团的展宽效应，通过均值漂移聚类算法完成了目标和箔条高速、准确、有效的分离，最后通过分类器完成识别目标和箔条的任务。
本实施例先通过常规雷达的脉冲压缩、相干积累处理获得距离-多普勒二维信号。然后从距离-多普勒二维图出发，结合距离、频率分布特征的分析方法，首先引入均值漂移聚类算法分离目标与箔条点集，然后提出频偏和等新的特征信息辅助完成整个扩散过程的对抗识别。整套方法应用于某相参末制导雷达的大量抗箔条干扰实测数据，分析了箔条弹自打出到完全扩散整个过程中箔条干扰各项特征的变化情况及稳定性，最终使用机器学习分类器完成了目标、箔条的分类识别。理论分析和实测数据对抗的结果都表明了本发明的箔条干扰对抗方法能够准确地辨识箔条与目标，且在箔条云整个扩散过程中都具备有效的对抗效果和极强的普适性。
实施例二
下面通过仿真试验对本发明的有益效果作进一步说明。
1、试验条件及参数设置
本次仿真试验以一个目标和两个箔条为例进行试验，具体采集来自Ku波段脉冲多普勒雷达数据。雷达监视了只存在目标→打出第一发箔条弹→打出第二发箔条弹的整个过程，观察了箔条弹的整个扩散过程。本批数据每帧包括32个回波；二维恒虚警在距离多普勒均取32个保护单元，16个参考单元；均值漂移的聚类半径为21，并分别采用支持向量机、朴素贝叶斯、随机森林三种分类器进行目标识别。
2、试验平台
软件：Windows10专业版64位，MATLAB2020b及其Classification Learner工具箱。
硬件：CPU：i9-10980XE；内存：256GB DDR4 3200MHz。
3、试验结果及分析
请参见图5，图5是仿真试验过程中的距离-多普勒二维图；其中，(a)图表示脉冲压缩、相干积累后在距离-多普勒平面形成的二维信号图；(b)图和(c)图分别表示一维恒虚警、二维恒虚警的处理结果，二者形成对比。从图5中的(a)图可以看出，脉压积累结果显示箔条展宽后会在峰值周围形成多普勒维度的展宽效应，(b)中的一维恒虚警处理结果无法去除该展宽效应，而(c)中使用二维恒虚警处理后频谱展宽效应被有效抑制。
图6是均值漂移算法的处理结果示意图。从图6可以看出，均值漂移聚类后，恒虚警的散点结果被分为三组，且三者不存在混叠，凝聚分组结果准确。
图7是采用本发明方法处理不同帧段内数据的脉压、积累结果；其中，(a)(d)(g)分别表示准备阶段、第一发箔条弹、第二发箔条弹的原始回波信号，(b)(e)(h)分别表示准备阶段、第一发箔条弹、第二发箔条弹的脉冲压缩处理结果，(c)(f)(i)分别表示准备阶段、第一发箔条弹、第二发箔条弹的相干积累处理结果。
图8是用本发明处理不同帧段内关于第一发箔条弹和第二发箔条弹的聚类结果；其中，(a)图-(f)图分别展示了第917、941、1000、1426、3812、5428帧的目标、箔条1、箔条2的恒虚警、聚类结果以及距离-多普勒维度特征。从图8中可以看出，目标始终在距离-多普勒平面保持稳定状态，而箔条1、2打出后尺寸先小于目标，然后近似目标，最终远远大于目标。图9是用本发明方法分析箔条扩散过程得到的阶段区分示意图。
图10是用本发明方法处理实测数据后，两发箔条弹的新特征与目标之间的差异对比图；其中，(a)-(c)图分别是目标、箔条弹1、箔条弹2峰值点周围距离单元的频率分布。由图10可以看出，目标峰值周围距离单元的频谱始终保持中心对齐，两边对称，宽度均匀的标准特点，这是因为目标本质是刚体组成；而箔条1和2的峰值频谱可能与目标类似，但联合峰值周围距离单元分析后，频谱中心无法对齐，且左右不对称，宽度起伏明显，与目标差异巨大。此处特征为本发明的箔条干扰新型特征。
图11-13是在使用本发明方法获取七项特征后，分别使用朴素贝叶斯、随机森林、支持向量机分类器获得的分类结果。其中，图11为朴素贝叶斯分类结果，图12为随机森林分类结果，图13为支持向量机分类结果。从图11-13可以看出，三种分类器混淆矩阵的数据都集中在左对角线上，说明分类结果基本正确。在雷达制导过程中，箔条1、2之间混淆并不影响雷达工作，所以括号内的准确率为容忍此错误的准确率，括号外的准确率为不容忍此错误的准确率。显然，就准确率而言，随机森林>支持向量机>朴素贝叶斯，就预测速度而言，朴素贝叶斯>支持向量机>随机森林，就训练速率而言，朴素贝叶斯>随机森林>支持向量机。三种分类器各有优势，若考虑离线学习忽视即训练速率，支持向量机能同时具备准确率高，预测速度快的优点。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于箔条干扰实测数据的对抗方法，其特征在于，包括：
获取雷达的回波信号；
对所述回波信号进行处理，得到距离-多普勒二维像，包括：
对雷达的回波信号进行数字下变频处理，以滤除回波信号中的载频分量，得到基带信号；
对所述基带信号进行脉冲压缩和相干积累，得到距离-多普勒二维像；
对所述距离-多普勒二维像进行二维恒虚警检测，得到过检测门限的点集；
对过检测门限的点集进行聚类分组，得到目标信号与箔条信号分离的若干组数据，包括：
选取若干散点作为初始聚类中心，并将其均匀铺满整个距离-多普勒平面；
计算所有聚类中心的偏移量，并对每个聚类中心进行相应的偏移；其中，所述聚类中心的偏移量的计算公式为：
式中，xt为t时刻的某一类的中心点，xt+1为t+1时刻该中心点的偏移量，k为相干积累后的点数，Sh为包含在以xt为中心、h为半径范围内的点的集合，h为聚类半径，xi表示过检测门限的点集中的某一点；
若判断任意两个聚类中心的距离小于聚类半径时，则将上述两个聚类中心合并为它们的中点；
对所述聚类中心的偏移量进行更新，并进行聚类以将目标信号与箔条信号分离，直至所有聚类中心的偏移量收敛，得到若干组数据；
从所述距离-多普勒二维像中获取每组数据的若干特征信息，包括：
从所述距离-多普勒二维像中获取各组数据占据的距离单元数、多普勒通道数以及过门限总点数；
计算组内各距离单元频谱的矩峰度和偏度，并分别计算其均值以得到该组的矩峰度和偏度；
根据组内各距离单元的频谱差异计算该组频偏和以及半功率宽度方差；
利用分类器和所述特征信息对所述若干组数据进行分类，得到目标信号和箔条信号的识别结果。
2.根据权利要求1所述的基于箔条干扰实测数据的对抗方法，其特征在于，计算组内各距离单元频谱的矩峰度和偏度，并分别计算其均值以得到该组的矩峰度和偏度，包括：
将当前组内与距离维峰值点相距i个距离单元的频谱作为概率密度函数并统计特征信息，得到概率密度函数；
计算上述概率密度函数的均值和方差；
根据所述概率密度函数的均值和方差计算与距离维峰值相距i个距离单元的频谱的矩峰度和偏度；
联合组内峰值周围2个距离单元的矩峰度和偏度，分别计算其均值得到该组的矩峰度和偏度。
3.根据权利要求2所述的基于箔条干扰实测数据的对抗方法，其特征在于，所述与距离维峰值相距i个距离单元的频谱的矩峰度Kurtosis(i)的计算公式为：
所述与距离维峰值相距i个距离单元的频谱的偏度Skewness(i)的计算公式为：
其中，M为大于k且与k最接近的2的幂次方，k为相干积累后的点数，X′i(k)为与距离维峰值点相距i个距离单元的频谱Xi(k)的概率密度函数，fi为Xi(k)的峰值频率，σi为X′i(k)的标准差。
4.根据权利要求3所述的基于箔条干扰实测数据的对抗方法，其特征在于，所述频偏和的计算公式为：
其中，f0表示组内峰值距离单元对应频谱的峰值频率；
所述半功率宽度方差的计算公式为：
其中，表示3dB宽度方差，Bi为Xi(k)的半功率宽度，Var(·)表示计算方差。
5.根据权利要求1所述的基于箔条干扰实测数据的对抗方法，其特征在于，利用分类器和所述特征信息对所述若干组数据进行分类，得到目标信号和箔条信号的识别结果，包括：
获取不同阶段雷达的回波信号及对应的特征信息；
将获取到的数据按照帧号打乱，并采用10折交叉验证的方式将其对应的特征信息依次输入到分类器中进行训练和测试，得到目标与箔条的分类结果。
6.根据权利要求5所述的基于箔条干扰实测数据的对抗方法，其特征在于，所述分类器包括朴素贝叶斯、随机森林或者支持向量机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826012.XA CN113759324B (zh) | 2021-07-21 | 2021-07-21 | 一种基于箔条干扰实测数据的对抗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826012.XA CN113759324B (zh) | 2021-07-21 | 2021-07-21 | 一种基于箔条干扰实测数据的对抗方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113759324A CN113759324A (zh) | 2021-12-07 |
| CN113759324B true CN113759324B (zh) | 2024-01-30 |
Family
ID=78787764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110826012.XA Active CN113759324B (zh) | 2021-07-21 | 2021-07-21 | 一种基于箔条干扰实测数据的对抗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759324B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1602864A (zh) * | 1964-05-26 | 1971-02-08 | ||
| US5808579A (en) * | 1996-12-20 | 1998-09-15 | Northrop Grumman Corporation | Radar system using a cell averaging constant false alarm rate device |
| CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
| CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
| CN110632566A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 基于稀疏表示的无线电引信抗箔条干扰方法 |
| CN112418275A (zh) * | 2020-11-03 | 2021-02-26 | 南京理工大学 | 基于距离像特征提取的毫米波引信箔条干扰识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2717906A1 (fr) * | 1984-07-27 | 1995-09-29 | Thomson Csf | Système radar de surveillance de l'espace aérien. |
-
2021
- 2021-07-21 CN CN202110826012.XA patent/CN113759324B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1602864A (zh) * | 1964-05-26 | 1971-02-08 | ||
| US5808579A (en) * | 1996-12-20 | 1998-09-15 | Northrop Grumman Corporation | Radar system using a cell averaging constant false alarm rate device |
| CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
| CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
| CN110632566A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 基于稀疏表示的无线电引信抗箔条干扰方法 |
| CN112418275A (zh) * | 2020-11-03 | 2021-02-26 | 南京理工大学 | 基于距离像特征提取的毫米波引信箔条干扰识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 箔条云干扰下的单目标恒虚警率检测研究;程嗣怡;王玉冰;罗朝义;张强;;火力与指挥控制(第05期);全文 * |
| 箔条干扰及机载多普勒雷达箔条干扰回波特性分析研究;李云鹏;崔伟;骆鲁秦;;雷达与对抗(第03期);全文 * |
| 脉压多普勒末制导雷达抗质心式箔条干扰技术;蒲书缙;邹波;高路;黄勇;;制导与引信(第04期);全文 * |
| 高分辨雷达箔条干扰仿真方法;高路;黄勇;;制导与引信(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113759324A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
| DE602005005344T2 (de) | Systeme und verfahren zur vereindeutigung von schützenstandorten | |
| Dudczyk et al. | Specific emitter identification based on graphical representation of the distribution of radar signal parameters | |
| Zwart et al. | Fast translation invariant classification of HRR range profiles in a zero phase representation | |
| CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
| CN113376613B (zh) | 用于雷达探测的恒虚警检测方法、装置及电子设备 | |
| CN107255814A (zh) | 一种基于lfmsk波形的雷达目标检测方法 | |
| CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
| CN112162246B (zh) | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 | |
| CN112904287B (zh) | 一种基于被动雷达寻的器的跟踪辐射源参数估计方法及其应用 | |
| CN113759324B (zh) | 一种基于箔条干扰实测数据的对抗方法 | |
| CN111060878A (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
| CN112904302A (zh) | 网格化frft域雷达目标检测与多级联合虚警剔除方法 | |
| CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| CN110967677B (zh) | 时频域分级多目标分辨与测量方法 | |
| CN115166678B (zh) | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 | |
| CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 | |
| CN113075620B (zh) | 一种基于多站时差网格聚类的信号分选方法 | |
| CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
| CN112098952A (zh) | 一种基于时域统计处理的雷达侦察杂波抑制方法 | |
| Matuszewski et al. | Knowledge-based signal processing for radar identification | |
| Ardon et al. | Aerial Radar Target Classification using Artificial Neural Networks. | |
| Li et al. | Signals Deinterleaving for ES systems using Improved CFSFDP Algorithm | |
| CN115078845B (zh) | 脉冲重复周期的采集方法、设备及计算机存储介质 |
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 |