欢迎访问一起赢论文辅导网
SCI期刊论文
当前位置:首页 > SCI期刊论文
基于SVM的捷变频雷达密集转发干扰智能抑制方法
来源:一起赢论文网     日期:2022-11-19     浏览数:546     【 字体:

 雷达学报Journal of RadarsISSN 2095-283X,CN 10-1030/TN《雷达学报》网络首发论文题目: 基于 SVM 的捷变频雷达密集转发干扰智能抑制方法作者: 杜思予,刘智星,吴耀君,沙明辉,全英汇收稿日期: 2022-04-02网络首发日期: 2022-06-09引用格式: 杜思予,刘智星,吴耀君,沙明辉,全英汇.基于SVM 的捷变频雷达密集转发干扰智能抑制方法[J/OL].雷达学报.https://kns.cnki.net/kcms/detail/10.1030.TN.20220608.1059.002.html网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,只可基于编辑规范进行少量文字的修改。出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国学术期刊(网络版)》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出版广电总局批准的网络连续型出版物(ISSN 2096-4188CN 11-6037/Z),所以签约期刊的网络版上网络首发论文视为正式出版。收稿日期:2022-04-02*通信作者:全英汇 yhquan@mail.xidian.edu.cn *Corresponding Author: QUAN Yinghui, yhquan@mail.xidian.edu.cn基金项目:国家自然科学基金(61772397),陕西省杰出青年科学基金(2021JC-23),陕西省科技创新团队(2019TD-002)Foundation Items: The National Natural Science Foundation of China (61772397), The Shaanxi Provincial Science Fund for DistinguishedYoung Scholars (2021JC-23), The Science and Technology Innovation Team of Shaanxi Province (2019TD-002)责任主编:刘泉华 Corresponding Editor: LIU Quanhua基于SVM 的捷变频雷达密集转发干扰智能抑制方法杜思予① 刘智星① 吴耀君① 沙明辉② 全英汇*①①(西安电子科技大学电子工程学院 西安 710071)(北京无线电测量研究所 北京 100854)摘 要:密集转发干扰与雷达发射信号高度相关,兼具压制式和欺骗式干扰效果,使雷达系统难以检测到真实目标,严重威胁雷达作战能力。针对这一问题,该文提出一种基于支持向量机(SVM)的捷变频雷达密集转发干扰智能抑制方法。通过对随机样本集进行离线训练获得最优SVM 模型,智能化识别并分类目标和干扰;然后,采用平滑滤波进一步抑制目标所在距离单元内的干扰信号;最后,基于压缩感知(CS)理论进行二维高分辨重构,估计出目标参数信息。仿真实验与实测数据处理结果表明,所提算法在不同场景下均能够有效抑制密集转发干扰,准确检测出真实目标。关键词:电子对抗;机器学习;捷变频雷达;密集转发干扰;支持向量机中图分类号:TN972 文献标识码:ADOI10.12000/JR22065引用格式:杜思予, 刘智星, 吴耀君, . 基于SVM 的捷变频雷达密集转发干扰智能抑制方[J]. 雷达学报, 待出版. DOI: 10.12000/JR22065.Reference format: DU Siyu, LIU Zhixing, WU Yaojun, et al. Dense-repeated jamming suppression algorithm basedon SVM for frequency agility radar[J]. Journal of Radars, in press. DOI: 10.12000/JR22065.Dense-repeated Jamming Suppression Algorithm Based on the SupportVector Machine for Frequency Agility RadarDU SiyuLIU ZhixingWU YaojunSHA MinghuiQUAN Yinghui*①①(School of Electronic Engineering, Xidian University, Xian 710071, China)(Beijing Institute of Radio Measurement, Beijing 100854, China)Abstract: Dense-repeated jamming is highly related to the radar-transmitted signal, and it has suppression anddeception jamming effects, which makes detecting the real target difficult for a radar system and seriouslythreatens the operational capability of radar. To solve this problem, an intelligent suppression method based onthe Support Vector Machine (SVM) is proposed in this paper. The optimal SVM model is obtained through offlinetraining on a random sample set to intelligently identify and classify targets and interference. Then, theinterference sidelobe in the target range unit is further suppressed by smoothing filtering. Finally, high-resolutiontwo-dimensional reconstruction is performed based on compress sensing theory to estimate the target parameterinformation. Simulation experiments and measured data processing results reveal that the proposed algorithm caneffectively suppress dense-repeated jamming and accurately detect real targets in different scenarios.Key words: Electronic Counter-Measures (ECM); Machine learning; Frequency agility radar; Dense repeatedjamming; Support Vector Machine (SVM)1 引言数字射频存储器 (Digital Radio Frequency Memory, DRFM) 具有高速采样并复制雷达发射信号的能力,因此广泛应用于电子对抗领域。基于DRFM 的干扰机将截获的雷达发射信号延时叠加后重复转发,由于与雷达发射信号高度相关,干扰信号不仅在时域覆盖目标回波,同样也会获得匹配滤波增益,沿距离维形成密集假目标,使得雷达系统无法检测或跟踪真实目标[1-7]。网络首发时间:2022-06-09 15:07:57网络首发地址:https://kns.cnki.net/kcms/detail/10.1030.TN.20220608.1059.002.html目前,针对密集转发干扰的抑制方法通常基于“干扰重构与对消”和“多域特征差异抗干扰”两个思路。文献[8]通过自适应滤波从时-频解耦后的回波信号中估计出干扰参数并对消干扰信号,从而恢复出真实目标回波。针对间歇采样转发式干扰,文献[9]通过脉压数据提取干扰参数重建干扰信号,然后与回波信号自适应对消。但这两种方法要求解耦精度和参数估计准确,否则会导致目标信号衰减或发生畸变。文献[10]根据目标和干扰在变换域的特征差异,利用奇异值差分谱分选目标回波和干扰信号。张亮等人[11]提出了一种脉间调频斜率捷变雷达信号来增强目标与干扰在分数阶傅里叶域的差异性,从而去除干扰信号。文献[12]假设密集转发干扰多普勒集中分布于有限个邻域内,利用干扰和目标信号频域差异性实现干扰抑制。文献[13,14]从空间角度差异出发,分别采用盲源分离和自适应旁瓣对消技术抑制干扰。综合空-时二维特性,文献[15]提出一种脉冲重复周期捷变联合空域滤波的方法来对抗密集转发干扰。但是,当转发干扰的密集度与逼真性进一步提高,干扰与目标在多域重叠时,以上方法失效。此外,由于匹配滤波后,目标回波能量在距离-多普勒平面上积累,形成一条平行于多普勒维的直线轨迹,根据这一特性,文献[16,17]分别利用不同算法检测目标所在距离单元,剔除干扰并保留目标运动轨迹。上述方法避免了参数估计误差对干扰抑制效果的影响,在干扰和目标多域重合时依然有效,但当目标直线淹没在噪声和干扰中,较少或难以检测到有效的目标轨迹点时,上述方法的抗干扰性能下降。针对以上问题,本文借鉴智能算法在雷达辐射源识别与分类领域的应用,提出一种基于支持向量机(Support Vector Machine, SVM) 的捷变频雷达密集转发干扰智能抑制方法。首先,根据匹配滤波后目标和干扰信号分布差异提取设计典型特征参数;接着,构建参数随机的多样化样本集用于SVM 模型训练,并利用最优SVM 模型实时地、智能化地分类干扰和目标;然后,通过平滑滤波剔除目标距离单元内的部分干扰;最后,基于压缩感知 (Compressed Sensing, CS) 理论实现二维高分辨重构,完成对真实目标的检测。2 信号模型2.1 捷变频雷达信号捷变频雷达体制由于脉间载频快速、随机跳变,使得干扰机无法准确预测下一个脉冲的频率,从而达到规避干扰的效果[18-20]。假设基带波形采用线性调频 (Liner Frequency Modulation, LFM)信号,则捷变频雷达信号模型表示为2j j2 1 r1 prect e e qQt f t q Tqts tT(1)其中,Q 表示一个相参处理间隔 (Coherent Processing Interval, CPI) 内的脉冲数; t 为快时间;j 2p a t rect t T e t 表示发射信号复包络, ( ) pp1, 0rect0,t Tt T其他ìï £ £= íïî为窗函数, p B T 为线性调频率,B , p T 分别为信号带宽和脉宽;r T 表示脉冲重复间隔; q f 为第q 个发射脉冲信号的中心频率,表示为c 1 q q f f c f (2)其中,c f 为雷达初始载频; 1,2, , qc Q为第q 个发射脉冲的频率调制码字, f 为最小跳频间隔。捷变频雷达发射信号模型示意图如图1 所示。...频率时间...............c fcf fc f 2 fc f Q 1 f...c f 3 fc f 4 fO p Tr TB1 捷变频雷达信号模型Fig. 1 Frequency agile radar signal model假设观测场景中存在K 个运动目标,第k 个目标对应的初始径向距离和径向速度分别为k r , k v ,且目标起伏模型均为Swerling I 型,则雷达接收机接收到的目标回波信号可以表示为2r j j2 + 1r1 1 prect e eq qk q kQ K q t f t q Tkkq kts t A tT(3)其中, r q 2 1 ck k k r v q T 为第k 个目标的第q 个脉冲回波信号与发射信号之间的时延,c 为光速,k A为第k 个目标回波的幅值;β (t )为随机高斯白噪声。进一步地,回波脉冲与对应载频q f 进行混频、匹配滤波处理后的输出为rj2pc1 11j4 j4c c1 1sinc esinc e eqq kk kq qQ Kq fk kq kQ K r v q T f fqk kq ks t A B t tA B t t(4)其中,k A¢ 为第k 个目标匹配滤波后的幅值。2.2 密集转发干扰信号干扰机在对雷达发射信号进行全脉冲采样后,对采样到的信号逐个延迟不同时长并叠加转发,从而形成密集转发干扰[21]。该干扰方式同时避免了全脉冲采样后直接转发导致的假目标稀疏问题和间歇采样转发时采样时长对假目标密集度的限制,理论上可以实现任意密集度的假目标干扰,其产生原理如图2 所示。假设干扰机对截获的第q 个雷达发射信号进行延迟叠加转发,则产生的密集转发干扰信号可以表示为r j2 + 1j j, j,1 1, eqq mM Mq q f t q Tm m m mm ms t q A s t A a t (5)其中,M 为干扰转发次数,j,m A 为第m 次转发干扰的幅值; qm为第m 次转发干扰相对于第q 个脉冲回波的时延。如果干扰机的工作带宽为j1 j2 éf , f ùë û,则捷变频雷达接收到的第q 个脉冲回波信号可以表示为j1 j2r jj1 j20, ,, , , ,1, ,nnf f fr t q s t q s t q tf f f(6)经过下混频和匹配滤波处理之后的输出为j2pc1j2j,1, sinc e+ sinc eqq kqq mKq fk kkMq fm mmr t q A B tA B t t(7)其中, j,m A 表示第m 个假目标匹配滤波之后的幅值; t 表示匹配滤波处理之后的噪声。Sp Tp 1 Tq2q3q...qM2 密集转发干扰原理图Fig. 2 Dense repeated jamming principle diagram3 基于SVM 的智能干扰抑制算法SVM 是由Vapnik Cortes 等人于1995 年提出的一种基于监督学习的二元广义线性分类器,其可以通过核函数进行高维映射实现非线性分类,求解出训练样本的最大边距超平面作为决策边界,完成对训练样本的识别与分类[22]。由于SVM 对小样本、非线性及高维类具有良好的分类效果,目前广泛应用于雷达辐射源分类、识别领域[23,24]。类似地,本文将这种分类思想迁移到对干扰信号和目标回波的识别与分类问题上,利用密集转发干扰和目标回波匹配滤波之后在距离-多普勒平面上的特征差异性设计两个典型特征参数,通过SVM 模型对样本数据集进行自动特征提取、类别预测,实现密集转发干扰智能化抑制。图3 给出了基于SVM 的捷变频雷达密集转发干扰智能抑制算法流程图。干扰目标脉压数据样本雷达回波建模随机生成场景参数训练SVM分类器回波数据特征向量1特征向量2特征提取智能识别输出离线训练在线处理图3 干扰抑制算法流程图Fig. 3 Flow chart of interference suppression algorithm3.1 特征参数选择从式(6),式(7)可以看出,在捷变频雷达体制下,运动目标经过脉冲压缩之后,能量积累在相同距离单元内,呈现出一条平行于慢时间维的直线;而密集转发干扰是对所截获的雷达发射信号进行延时叠加转发,因此在脉冲压缩后能量离散分布于快-慢时间二维平面中。换言之,密集转发干扰和目标回波在距离向和方位向的稀疏度各不相同,如图4(a)所示,干扰信号沿距离向密集分布,沿方位向稀疏分布;目标信号沿距离向是稀疏的,但沿方位向是连续的。当采样率较低或目标运动速度非常大时,会发生距离徙动,在快-慢时间平面上表现为目标直线倾斜,如图4(b)所示。一般情况下,距离徙动较小,本文所提算法依然能够实现目标识别和干扰抑制,但当距离徙动较大时,需要先通过相应算法进行校正,再进行抗干扰处理。本文所提算法和仿真实验均假设距离徙动较小或已进行距离徙动校正。(a) 目标直线 (b) 目标距离徙动(a) Target line (b) Target range migration4 匹配滤波数据空间分布特征Fig. 4 Matching filtering data spatial distribution characteristics假设匹配滤波后的数据矩阵表示为Q L D ,其中Q 为脉冲数,L 为距离单元数,第q 个脉冲、第l 个距离单元对应的幅值表示为 q,l A ,则本文所设计的两个特征参数如下:特征参数1:取数据矩阵Q L D 中的每一个距离单元对应的列向量l d ,沿方位向计算当前单元q,l A 纵向邻域内幅值差异度,即1 , ,,, , max ,qq l p lq lp q q l p lA AAA A(8)其中,q ,q 表示邻域长度。当q 时,纵向邻域取 1,q ;当q Q 时,纵向邻域取 q ,Q 。计算l d 中每个单元对应的幅值差异度1q,l A ,并沿方位向求和,即特征参数1 1 1,1, 1,2, ,Ql q lqH A l L (9)若匹配滤波后,目标位于第1 l 个距离单元,任一假目标位于第2 l 个距离单元,根据式(8)分别计算出1 l d2 l d 对应的Q 个幅值差异度11q,l A 21q,l A 。受干扰带宽限制,捷变频雷达只有部分脉冲被截获并形成密集转发干扰,因此目标和干扰沿距离向的稀疏度不同,则计算出的1 21 1q,l q,l A A ,进一步地,求和后应有1 21 1l l H H 。特征参数2:取数据矩阵Q L D 中的每一个脉冲对应的行向量q d ,沿距离向以步长 在邻域 l ,l内统计幅度差异值,且 I , I ,即2 , ,,, , max ,Iq l q l iq li I q l q l iA AAA A(10)其中,当l 时,为便于计算,横向邻域取原来的一半,即 l,l ;同样地,当l L 时,横向邻域取l ,l 。沿方位向对每一个距离单元中所有对应的幅值差异度2q,l A 求和,得到特征参数2 2 2,1, 1,2, ,Ql q lqH A l L (11)由于密集转发干扰在匹配滤波之后沿距离维形成多个邻近的假目标群,横向邻域内幅值差异度较小,而目标信号横向邻域内仅存在大量噪声信号,幅值差异度较大,因此求和计算出的1 22 2l l H H 。图5 为上述特征参数计算示意图。............Ql L d1q,l A纵向邻域1l H1q 1,L A1L ... ... ... ... ... H特征向量1............QLq d 2q,l A横向邻域2l H 2L ... ... ... H ... ...特征向量22q 2,l 2 A...(a) 特征参数1 (b) 特征参数2(a) Characteristic parameter 1 (b) Characteristic parameter 25 特征参数计算示意图Fig. 5 Schematic diagram of characteristic parameter calculation3.2 SVM 算法本文将人工智能算法应用于雷达抗干扰领域,通过对密集转发干扰样本数据进行离线训练,构建最优SVM 分类模型,实现对回波数据智能化准确识别、分类,进而实现干扰智能抑制,具有实时性和鲁棒性良好等优势。具体步骤如下:步骤1 按照第2 节中信号模型构建匹配滤波数据样本集1 2pc pc pc pc R r ,r , ,rN ,rn Q L,其中,N 表示CPI 数。步骤2 根据3.1 节提取N 个匹配滤波数据样本的特征参数1l H 2l H ,以建立训练数据集X x1,y1 , x2,y2 , , xZ ,yZ ,其中,Z = N ´ L 为训练样本数, 1 2 2z z z x H H 为特征向量,{ 1, 1} z y Î + - 为类标记, 1 z y = + 表示目标, 1 z y = - 表示干扰。步骤 3 选取合适的核函数F 和惩罚参数C > 0SVM 模型求解最大分割超平面wT ×X + b = 0的问题可以表示为以下约束最优化问题2,1min2s. t. 1, 1,2, ,bz z y b z Zwww x(12)其中,w 为法向量,决定超平面方向,b 为位移项,决定超平面与原点之间的距离。利用Karush-Kuhn-Tucker(KKT) 条件和拉格朗日乘子法可以将原问题(12)转化为求解以下对偶问题[25]1 1 111min ,2s. t. 0, 0 , 1,2, ,Z Z Zz z z z z z zz z zZz z zzy y Fy C z Zx x(13)KKT 条件为01 01 0zz z zz z z zy by bw xw x(14)其中,z α 为拉格朗日乘子,F 为高斯核函数,其不需要先验信息;参数σ 控制核函数的性能,也称为径向基核函数(Radial Basis Function, RBF),具体表达式为2 2 , e z zz z F x x x x (15)(13)是一个有约束的凸优化问题,求解上述问题得到最优解T* * * *1 2 Z。步骤 4 根据所求得的最优解 *计算出最优法向量w*和最优位移项b** *1* *1,Zz z zzZz z z z zzyb y y Fw xx x(16)步骤5 由步骤4 进一步求解出SVM 模型的最大分割超平面Tw* X b* 0,即训练样本数据中的目标和干扰信号的分类决策函数T* * * *1sign sign ,Zz z z z z zzf x w x b y F x x b (17)其中,1, 0sign1, 0xxx为符号函数。步骤6 对一个CPI 内的密集转发干扰实时回波数据pc Q Lr 进行智能识别与分类,其对应的特征向量为1 2l l l x H H ,则决策函数 1 l f x 的类别为目标,决策函数1 l f x 的类别为干扰信号,保留目标信号并抑制判决为干扰类的回波数据pcpc0, 1, 1llffxrr x(18)其中, pc r 为干扰抑制后的匹配滤波结果。3.3 平滑滤波和二维重构经过上述SVM 智能识别与分类后,非目标距离单元内的干扰信号被抑制掉,但当干扰机转发次数较多或转发时延较长时,将有部分点干扰落在目标所在距离单元。这些干扰的幅度远大于目标幅度,会在相参积累之后形成较高旁瓣,严重影响目标检测。为了解决这一问题,本文采用平滑滤波来抑制点干扰。平滑滤波是一种用于消除图像中的噪声或失真的图像处理方法[26-28]。经过干扰抑制后的回波数据中,目标信号的幅度在一定范围内变化,而干扰信号幅值明显大于该范围,相当于图像中的“噪点”,因此可以通过平滑滤波将其剔除。假设平滑窗口为w N ,对干扰抑制后的目标所在距离单元列向量tar d 进行滤波,如图6 所示。1 2 3 4 5 6 7 q Q当前滤波单元(有干扰)w N比较器输出参考门限... ...tar dw N6 平滑滤波Fig. 6 Smoothing window filtering平滑滤波表达式为(19)其中,dtar q 为当前平滑滤波单元,且q q, 为加权因子。经过平滑滤波后,可以认为回波数据中仅包含目标信号和噪声,表示为rc1j4 j4 1 j4c c cpc1ˆ , sinc e e ek k kq qK r r v q T f c f fqk kkr t q A B t t (20)考虑到目标场景通常具有稀疏特性,因此采用CS 理论进行二维重构实现脉间相参积累[29-32]。分别以距离单元数L 和一个CPI 内的脉冲数Q 对距离维和速度维进行网格划分,则目标回波可以改写为crj4cr ,j4 1c1j4cˆ ee , 1e , 1llqqqrfl q l qrc flv q Tfqs A q qq l Lq q Q(21)其中,l,q A 为当前单元幅值,l q , q q 分别为距离相位项和速度相位项,所构成的字典矩阵为1,1 1,Q L,1 L,QQ Q Q L Qe e e e (22)其中,l,q l q e q q , 表示哈达玛积。则式(20)重新改写为pc ˆl , 1,2, ,l lr E l L (23)其中,l表示待求解的第l 个距离单元的二维重构向量,l表示当前距离单元噪声向量。通过求解如下2范数可以获得未知向量的估计值ˆ ,进而获得目标的距离和速度信息,完成目标检测。1 pc 2 2ˆ argmin , . . ˆll l l l s t r E (24)4 实验结果与性能分析为了验证所提基于SVM 的捷变频雷达密集转发干扰智能抑制方法的有效性,本文设置2 组实验:(1)仿真分析所提算法对密集转发干扰的抑制效果;(2)实测数据验证所提算法的干扰抑制效果;并在4.3 节中对所提算法性能进行了评估与分析。首先生成用于SVM 模型训练的随机样本数据集。假设场景中存在单个点目标,初始径向距离r [3000,4000]m,径向速度v 50 m s,回波信噪比(Signal to Noise Ratio, SNR)设置为 0 dB。干扰机对雷达发射脉冲进行全采样,转发次数M 80,干扰转发时延m分布在100, 300 ns 区间内,干信比(Jamming to Signal Ratio, JSR)设置为20 dB。其他雷达参数如表1 所示。表1 雷达参数Tab. 1 Radar parameters参数 数值 参数 数值脉冲数Q 64 脉冲重复周期r T 40 μs信号脉宽p T 4 μs 信号带宽B 20 MHz初始载频c f 14 GHz 跳频间隔f 9 MHz采样率s f 40 MHz基于上述参数,仿真生成N 500CPI目标距离不同、密集转发干扰分布不同的回波脉压数据矩阵,计算出目标所在距离单元及其左右各20 个随机距离单元对应的特征向量作为训练样本集,即样本总数Z 20500个。核函数使用RBF,训练得到的最优SVM 分类模型如图 7所示。图7 最优SVM 分类模型Fig. 7 Optimal SVM classification model4.1 仿真实验验证设置场景中存在2 个点目标,初始径向距离1 r 4000 m , 2 r 4100 m ,径向速度1 v 50m s 2 v 70m s,平滑滤波窗口w N 10,滤波次数filtertime=5,其他仿真参数同上。基于SVM 的捷变频雷达抗密集转发干扰仿真实验结果如图8 所示。图8(a)和图8(b)分别为回波信号脉压结果及其俯视图,可以看到,干扰机叠加转发雷达发射信号,形成大量时延不同的密集假目标,虽然利用脉间载频捷变能够在频域上主动规避干扰信号,但仍有部分脉冲回波信号中存在较强的干扰。图8(c)为信号分类结果,已经训练好的SVM 模型能够将干扰信号和目标信号较为精准地分离,实现了智能化干扰识别和分类。图8(d)为本文所提算法干扰抑制后脉压结果,与回波脉冲相比,本文所提算法有效抑制了密集转发干扰,但是仍有部分干扰落在目标所在距离单元形成点干扰。采用平滑滤波处理之后的脉压结果如图8(e)所示,可以看到,干扰信号被完全剔除,且目标信息较为完整的保留下来,相参积累结果为图8(f),目标距离测量值为4000 m 4100 m,速度测量值50.2232 m/s 71.1496 m/s,误差均在合理范围内。(a) 脉压结果 (b) 脉压结果(俯视)(a) Pulse compression result (b) Pulse compression result (planform)(c) 信号分类结果 (d) 干扰抑制后脉压结果(c) Signal classification result (d) Pulse compression result after jamming suppression(e) 平滑滤波结果 (f) 二维重构结果(e) Smoothing filtering result (f) 2-D reconstruction result8 抗干扰仿真结果Fig. 8 Anti-jamming simulation results4.2 实测数据验证在外场试验场景中,雷达采用捷变频体制探测海上舰船目标,干扰机位于目标舰船上,对雷达实施密集转发干扰,部分外场试验参数如表2 所示。表2 外场试验参数Tab. 2 Outfield experiment parameters参数 数值 参数 数值脉冲数Q 128 脉冲重复周期r T 250 μs信号脉宽p T 4 μs 信号带宽B 20 MHz跳频总数Q 256 载频跳变范围 33.234.2 GHz采样率s f 60 MHz9 为外场对抗试验实测数据处理结果。图9(a)和图9(b)为实测回波数据的脉压结果及其俯视图,部分脉冲沿距离维存在幅度不同、转发时延不等的密集转发干扰。根据目标和干扰在距离-多普勒二维平面上的分布特性,计算特征参数并采用训练好的SVM 模型对目标和干扰进行分类,分类结果如图9(c)所示。图9(d)为干扰抑制结果,与图9(b)相比,密集转发干扰被有效抑制,目标信号被完整保留,验证了基于SVM的密集转发干扰抑制算法的有效性,同时验证了SVM 模型具有良好的泛化能力,对于训练样本之外的数据同样具有良好的干扰抑制效果。图9(e)为平滑滤波结果,落在目标距离单元内的干扰信号被滤除,经过二维高分辨重构后的结果如图9(f)所示。(a) 脉压结果 (b) 脉压结果(俯视)(a) Pulse compression result (b) Pulse compression result (planform)(c) 信号分类结果 (d) 干扰抑制后脉压结果(c) Signal classification result (d) Pulse compression result after jamming suppression(e) 平滑滤波结果 (f) 二维重构结果(e) Smoothing filtering result (f) 2-D reconstruction result9 实测数据处理结果Fig. 9 Measured data processing results4.3 性能分析在本文中,为了更好的评估所提算法的干扰抑制效果,定义分类准确率为:在当前蒙特卡罗实验中,SVM 模型正确分类目标数据(即目标数据被划分为+1 )时,被分为+1 类的干扰数据占总数据数的比例;这一前提是SVM 模型将目标样本正确划分到+1 类,反之,则认为此次分类结果错误,即准确率为0;总共统计500 次蒙特卡罗实验结果。分类准确率决定了所提算法的干扰抑制效果,分类准确率越高,非目标距离单元的干扰信号抑制地越干净。图10 为不同SNR 条件下,信号分类准确率随JSR 变化关系曲线。可以看到,在JSR40 dB 时,所提算法对目标和干扰信号的分类准确率均能达到95%以上;随着JSR 不断增大,低信噪比情况下,算法性能有所下降;但是总体来看,所提算法在不同条件下均能保持较高的分类准确率。JSR 3050 dB 变化,分别选用总样本数的2%, 4%, 6%, 8%10%作为训练样本建立SVM 分类模型,对随机生成的测试样本进行智能化识别与分类,500 次蒙特卡罗实验结果如图11 所示。可以看到,SVM分类器在小样本情况下也能够较为精准地分离目标和干扰,当JSR=60 dB,训练样本数仅为总样本数的2%(样本大小为102)时,所提方法的分类准确率依然能够达到60%以上,在JSR40 dB 时,小样本训练得到的SVM 模型对信号的分类准确率保持在95%以上,换言之,本文构建的干扰抑制算法模型具有良好的泛化能力,适用性更强。图10 分类准确率随JSR 变化曲线 图11 分类准确率随训练样本比例变化曲线Fig. 10 The curve of classification accuracy changing with JSR Fig 11 The curve of classification accuracy changing withthe proportion of training set定义目标信息保留度为干扰抑制后,目标所在距离单元内非零脉冲数占总脉冲数的比值,抑制干扰的同时最大程度保留目标信息有利于后续的相参积累和目标检测处理。对比文献[14,15]算法,本文所提算法在干扰抑制前不经过二值化处理,因此目标信息损失程度较低,且不受干信比影响,如图12(a)所示。图12(b)-12(g)JSR=60 dB 时不同算法的干扰抑制结果。文献[16]的干扰抑制算法在高干信比条件下失效,目标信息丢失;而文献[17]算法没有剔除目标距离单元的干扰,同时保留了目标信息和干扰信号,对后续的目标检测产生影响;本文算法中平滑滤波效果与窗口w N 的大小和滤波次数filtertime 有关,w N 过小时,点干扰无法被完全抑制,且容易造成目标信息丢失,当干扰较强时,落在目标距离单元的干扰或干扰旁瓣幅度不同,单次滤波能够滤除部分干扰,但干扰旁瓣会保留下来。因此,合理设置w N filtertime 能够确保干扰及干扰旁瓣被完全抑制的同时尽可能保留完整的目标信息。(e) 本文算法(Nw=2,filtertime=1)(e) The proposed algorithm(Nw=2,filtertime=1)(g) 文献[16]算法(g) The algorithm in paper[16](f) 本文算法(Nw=2,filtertime=3)(f) The proposed algorithm(Nw=2,filtertime=3)(c) 本文算法(Nw=5,filtertime=3)(c) The proposed algorithm(Nw=5,filtertime=3)(b) 本文算法(Nw=5,filtertime=1)(b) The proposed algorithm(Nw=5,filtertime=1)(a) 目标信息保留度随干信比变化曲线(a) The curve of target informationretention changing with JSR(d) 文献[15]算法(d) The algorithm in paper[15]12 目标信息保留度Fig. 12 The target information retention percentage设置虚警率6Pfa 10 ,图13 显示了相同仿真环境下,3 种算法的检测概率随JSR 变化曲线。文献[17]算法在干扰能量较强时失效,而本文算法和文献[16]算法进一步抑制了目标距离单元内的干扰,有效提高了目标的检测概率;此外,本文采用SVM 算法对回波数据进行智能化分类,干扰抑制效果仅与已训练模型有关,模型分类精度较高时,在不同JSR 情况下均能正确检测出真实目标,所提抗干扰算法具有良好的泛化能力。以JSR 为变量,虚警率fa P 为参变量,仿真得到本文算法在不同虚警率下的检测概率随JSR 变化曲线如图14 所示。可知,当虚警率一定时,检测概率随着JSR 增大而减小;但是,由于干扰旁瓣和目标幅度相近,落在目标单元内的干扰旁瓣难以滤除,导致检测概率在JSR=40 dB 附近形成凹口;当虚警率8fa P 10时,随着JSR 增大,本文算法均能保持良好且较稳定的干扰抑制性能,目标检测概率均在80%以上。图13 不同算法在不同JSR 下的检测概率 图14 不同虚警率下检测概率随JSR 变化曲线Fig. 13 Detection probability of different algorithms Fig. 14 The curve of detection probability changingunder different JSR with JSR under different false alarm rates5 结论本文将机器学习领域的SVM 算法应用到雷达抗干扰处理中,通过已训练模型智能化分离干扰和目标,有效抑制了密集转发干扰。仿真实验和实测数据处理结果表明,与现有算法相比,本文所提方法具有以下优势:(1)不依赖于干扰和目标的多域特征差异,适用范围更广;(2)在训练样本较少时,SVM 分类器依然保持良好的分类精度,能够满足雷达系统检测目标的实时性,具有良好的泛化能力;(3)采用图像处理中的平滑滤波进一步滤除目标距离单元内的部分干扰,极大提升雷达对真实目标的检测概率;(4)算法逻辑和模型较简单,具有一定的工程实际意义。参 考 文 献[1] FENG Dejun, XU Letao, PAN Xiaoyi, et al. Jamming wideband radar using interrupted-sampling repeater[J]. IEEE Transactions onAerospace and Electronic Systems, 2017, 53(3):13411354. doi:10.1109/TAES.2017.2670958.[2] 周超, 刘泉华, 胡程. 间歇采样转发式干扰的时频域辨识与抑制[J]. 雷达学报, 2019, 8(1): 100106. doi:10.12000/JR18080.ZHOU Chao, LIU Quanhua, and HU Cheng. Time-frequency analysis techniques for recognition and suppression of interruptedsampling repeater jamming[J]. Journal of Radars, 2019, 8(1): 100106. doi:10.12000/JR18080.[3] 黎明也, 曹志华, 朱宝增. 对线性调频雷达的密集假目标干扰研究[J]. 中国电子科学研究院学报, 2014, 9(03):272-276.doi:10.3969/j.issn.1673-5692.2014.03.009.LI Mingye, CAO Zhihua, and ZHU Baozeng. The study of dense false-target jamming to LFM radar[J]. Journal of CAEIT, 2014,9(03):272-276. doi:10.3969/j.issn.1673-5692.2014.03.009.[4] WEN Cai, PENG Jinye, ZHOU Yan, et al. Enhanced three-dimensional joint domain localized STAP for airborne FDA-MIMO radarunder dense false-target jamming scenario[J]. IEEE Sensors Journal, 2018, 18(10):4154-4166. doi: 10.1109/JSEN.2018.2820905.[5] 余康林, 匡华星, 王超宇. 基于多维特征的密集转发式干扰识别方法[J]. 雷达科学与技术, 2021, 19(04):448-454+466.doi:10.3969/j.issn.1672-2337.2021.04.013.YU Kanglin, KUANG Huaxing, and WANG Chaoyu. A recognition method of dense repeater jamming based on multiple features[J].Radar Science and Technology, 2021, 19(04): 448-454+466. doi:10.3969/j.issn.1672-2337.2021.04.013.[6] Xu L L, Liu H W, Zhou S H, et al. Colocated MIMO Radar Waveform Design Against Repeat Radar Jammers[C]. 2018 InternationalConference on Radar (RADAR), Brisbane, Australia, 2018:1-5. doi:10.1109/RADAR.2018.8557305.[7] 刘智星, 杜思予, 吴耀君, . 脉间-脉内捷变频雷达抗间歇采样干扰方法[J]. 雷达学报, 待出版. doi:10.12000/JR22001.LIU Zhixing, DU Siyu, WU Yaojun, et al. Anti-interrupted sampling repeater jamming method for interpulse and intrapulse frequencyagileradar[J]. Journal of Radars, in press. doi:10.12000/JR22001.[8] 卢刚, 唐斌, 罗双才. LFM 雷达中DRFM 假目标自适应对消方法[J]. 系统工程与电子技术, 2011, 33(08):1760-1764.doi:10.3969/j.issn.1001-506X.2011.08.16.LU Gang, TANG Bin, and LUO Shuangcai. Adaptive cancellation of DRFM false targets for LFM radar[J]. Systems Engineering andElectronics, 2011, 33(08):1760-1764. doi:10.3969/j.issn.1001-506X.2011.08.16.[9] ZHOU Chao, LIU Quanhua, and CHEN Xinliang. Parameter estimation and suppression for DRFM-based interrupted samplingrepeater jammer[J]. IET Radar, Sonar & Navigation, 2018, 12(1):56-63. doi:10.1049/iet-rsn.2017.0114.[10] 李培, 王峰. 基于域变换的雷达主瓣密集转发干扰抑制方法研究[J]. 中国电子科学研究院学报, 2021, 16(08):797-804.doi:10.3969/j.issn.1673-5692.2021.08.008.LI Pei and WANG Feng. Research on radar main lobe dense repeater jamming suppression method based on domain transform[J].Journal of CAEIT, 2021, 16(08):797-804. doi:10.3969/j.issn.1673-5692.2021.08.008.[11] 张亮, 王国宏, 张顺义, . 一种分数阶域的密集假目标干扰抑制算法[J]. 西安交通大学学报, 2020, 54(12):79-87.doi:10.7652/xjtuxb202012010.ZHANG Liang, WANG Guohong, ZHANG Shunyi, et al. An algorithm for suppressing jamming of dense false targets in fractionalFourier transform domain[J]. Journal of Xian Jiaotong University, 2020, 54(12):79-87. doi:10.7652/xjtuxb202012010.[12] 孙殿星, 陈翔, 万建伟, . 基于多特征的密集假目标干扰融合识别与抑制[J]. 系统工程与电子技术, 2018, 40(10):2207-2215.doi:10.3969/j.issn.1001-506X.2018.10.08.SUN Dianxing, CHEN Xiang, WAN Jianwei, et al. Fusion identification and suppression technique against concentrated false targetsjamming based on multiple features[J]. Systems Engineering and Electronics, 2018, 40(10):2207-2215. doi:10.3969/j.issn.1001-506X.2018.10.08.[13] Chen F B, Li R F, Ding L M, et al. A method against DRFM dense false target jamming based on jamming recognization[C]. IETInternational Radar Conference 2015, Hangzhou, China, 2015:1-4. doi:10.1049/cp.2015.1225.[14] Cai G, Shao Y B, Li R F, et al. A method for countering dense false target jamming based on correlation sample selection[C]. 2017IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), Xiamen, China, 2017:1-5.doi:10.1109/ICSPCC.2017.8242366.[15] Liu K Q, Fu X J, Gao Z M, et al. Time-space two-dimensional dense false targets jamming and countermeasures[C]. 2018 13th IEEEConference on Industrial Electronics and Applications (ICIEA), Wuhan, China, 2018:1982-1987. doi: 10.1109/ICIEA.2018.8398034.[16] 方文, 全英汇, 沙明辉, . 捷变频联合波形熵的密集假目标干扰抑制算法[J]. 系统工程与电子技术, 2021, 43(06):1506-1514.doi:10.12305/j.issn.1001-506X.2021.06.07.FANG Wen, QUAN Yinghui, SHA Minghui, et al. Dense false targets jamming suppression algorithm based on frequency agility andwaveform entropy[J]. Systems Engineering and Electronics, 2021, 43(06):1506-1514. doi:10.12305/j.issn.1001-506X.2021.06.07.[17] 董淑仙, 全英汇, 陈侠达, . 基于捷变频联合数学形态学的干扰抑制算法[J]. 系统工程与电子技术, 2020, 42(07):1491-1498.doi:10.3969/j.issn.1001-506X.2020.07.09.DONG Shuxian, QUAN Yinghui, CHEN Xiada, et al. Interference suppression algorithm based on frequency agility combined withmathematical morphology[J]. Systems Engineering and Electronics, 2020, 42(07):1491-1498. doi:10.3969/j.issn.1001-506X.2020.07.09.[18] LONG Xingwang, LI Kun, TIAN Jing, et al. Ambiguity Function Analysis of Random Frequency and PRI Agile Signals[J]. IEEETransactions on Aerospace and Electronic Systems, 2021, 57(1):382-396. doi:10.1109/TAES.2020.3016851.[19] JABRAN A and KARL E O. Frequency agility radar with overlapping pulses and sparse reconstruction[C]. 2018 IEEE RadarConference (RadarConf18), Oklahoma City, OK, USA, 2018:0061-0066. doi: 10.1109/RADAR.2018.8378531.[20] Tao Y J, Zhang G, Tao T B, et al. Frequency-agile Coherent Radar Target Sidelobe Suppression Based on Sparse Bayesian Learning[C].2019 IEEE MTT-S International Microwave Biomedical Conference (IMBioC), Nanjing, China, 2019:1-4. doi:10.1109/IMBIOC.2019.8777828.[21] 张克舟, 李青山, 陆静, . LFM 脉冲压缩雷达密集假目标干扰时序设计与分析[J]. 现代防御技术, 2015, 43(04):132-137.doi:10.3969/j.issn.1009-086x.2015.04.022.ZHANG Kezhou, LI Qingshan, LU Jing, et al. Design and analysis of dense false target jamming time sequence of LFM pulsecompression radar[J]. Modern Defense Technology, 2015, 43(4):132-137. doi:10.3969/j.issn.1009-086x.2015.04.022.[22] 何明浩, 韩俊, . 现代雷达辐射源信号分选与识别[M]. 中国, 北京, 科学出版社, 2016.HE Minghao, HAM Jun, et al. Modern radar emitter signal sorting and recognition[M]. China, Beijing, Science, 2016.[23] 滑文强, 王爽, 侯彪. 基于半监督学习的SVM-Wishart 极化SAR 图像分类方法[J]. 雷达学报, 2015, 4(1): 93-98. doi:10.12000/JR14138.Hua Wenqiang, Wang Shuang, and Hou Biao. Semi-supervised Learning for Classification of Polarimetric SAR Images Based on SVMWishart[J]. Journal of Radars, 2015, 4(1): 93-98. doi:10.12000/JR14138.[24] 王福友, 罗钉, 刘宏伟. 低分辨机载雷达空地运动目标的分类识别算法[J]. 雷达学报, 2014, 3(5): 497-504.doi:10.3724/SP.J.1300.2014.14092.Wang Fuyou, Luo Ding, and Liu Hongwei. Low-resolution Airborne Radar Air/ground Moving Target Classification and Recognition[J].Journal of Radars, 2014, 3(5): 497-504. doi:10.3724/SP.J.1300.2014.14092.[25] 周志华. 机器学习[M]. 中国, 北京, 清华大学出版社, 2015.ZHOU Zhihua. Machine learning[M]. China, Beijing, Tsinghua University publishing house, 2015.[26] SZELISKI R. Computer Vision: Algorithms and Applications (Texts in Computer Science)[M]. Online, Springer, 2010.[27] GONZALEZ R C and WOODS R E. Digital image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing, 1980,28(4):484-486.[28] GONZALEZ R C and WOODS R E. Digital image processing[M]. Englewood Cliffs, NJ, Prentice-Hall, 2002.[29] MARQUES E C, MACIEL N, NAVINER L, et al. A review of sparse recovery algorithms[J]. IEEE Access, 2019, 7:1300-1322.doi:10.1109/ACCESS.2018.2886471.[30] QUAN Yinghui, LI Yachao, WU Yaojun, et al. Moving target detection for frequency agility radar by sparse reconstruction[J]. Reviewof Scientific Instruments, 2016, 87(9):811-815. doi:10.1063/1.4962700.[31] CHRISTINA K, BENEDIKT S, SUSANNE S, et al. High Range and Doppler Resolution by Application of Compressed Sensing UsingLow Baseband Bandwidth OFDM Radar[J]. IEEE Transactions on Microwave Theory and Techniques, 2018, 66(7):3535-3546.doi:10.1109/TMTT.2018.2830389.[32] WEI Shaopeng, ZHANG Lei and LIU Hongwei. Joint Frequency and PRF Agility Waveform Optimization for High-Resolution ISARImaging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60:1-23. doi: 10.1109/TGRS.2021.3051038.作 者 简 介杜思予(1998-),女,硕士研究生,主要研究方向为雷达波形优化及抗干扰。刘智星(1993-),男,博士研究生,主要研究方向为捷变相参雷达信号处理及抗干扰。吴耀君(1993-),男,副研究员,硕士,主要研究方向为捷变雷达抗干扰、雷达目标特性识别、新体制雷达。沙明辉(1986-),男,研究员,硕士,主要研究方向为雷达系统设计和雷达电子对抗。全英汇(1981-),男,教授,博士,主要研究方向为电磁博弈对抗、敏捷雷达、雷达遥感等。

[返回]
上一篇:基于FBMC信号的低截获雷达通信一体化波形设计_李琬璐
下一篇:面向可信联盟的区块链账本可验证修改方法研究