雷達有源干擾鑒別技術綜述

陳賡，田波，宮健，馮存前,2

(1.空軍工程大學，陜西 西安 710051;2.信息感知技術協同創新中心,陜西 西安 710077)

0 引言

隨著信息化戰爭的快速發展，制電磁權成為作戰雙方在戰場上搶奪的一個焦點[1-2]。為了保證雷達在復雜電磁環境下能夠正常對目標進行檢測與跟蹤，需要具備針對不同的干擾樣式自適應的采取抗干擾措施的能力。近年來雷達有源干擾技術快速發展，特別是基于數字射頻存儲(digital radio frequency memory,DRFM)的干擾技術，使干擾可以在極短時間內依據當前截獲的信號完成調制與轉發，這類干擾與目標回波之間是相干的[3]，兼備壓制式干擾與欺騙式干擾的雙重優勢。因此，自適應抗干擾能力的提升是雷達抗干擾技術研究的一個重要方向。

雷達自適應抗干擾技術，是指雷達在有源干擾下對接收信號進行自動鑒別，并根據鑒別出干擾類型采取有效措施對抗的技術。可以看出，雷達有源干擾鑒別技術是雷達自適應抗干擾的關鍵，也是雷達采取有效抗干擾措施的前提。本文對雷達有源干擾鑒別技術的國內外研究現狀進行綜述，歸納總結了有源干擾鑒別的典型處理流程，從干擾鑒別技術的3個重點步驟對相關文獻進行了梳理，并對雷達有源干擾鑒別技術的未來發展方向作出了展望。

1 雷達有源干擾鑒別的流程

當雷達接收到帶有有源干擾的回波信號時，要想采取有效的抗干擾措施對夾雜的干擾信號進行抑制以提取出目標回波，需要對雷達有源干擾進行鑒別。雷達有源干擾鑒別實質上是對干擾和回波的鑒別。無論是什么類型的有源干擾，與目標回波信號或其他類型的有源干擾信號總會在某些方面存在差異[3]，這些差異是有源干擾信號產生時有意或無意的引入而造成的，可以作為進行干擾鑒別的可靠依據。目前，國內外對于有源干擾鑒別的研究大多將其看作為一個模式識別問題[3]。其主要思路是通過提取有源干擾的信號特征對有源干擾的類型進行鑒別。圖1歸納了雷達有源干擾鑒別的基本流程。

信號特征提取環節主要是對信號進行非線性變換，將信號從巨量維的信號空間轉換到低維的信號特征空間。實際上是對目標回波以及不同干擾信號在一些變換域下存在較大差異的特征進行選擇，選取出能夠鑒別目標回波與不同有源干擾的特征，去掉信號的冗余信息，實現對信號的降維處理。

信號特征選擇是特征提取后的一項關鍵步驟。其主要工作是對提取得到的特征向量進行降維優化，選取出能夠顯著鑒別干擾信號的有效特征參數，特征選擇的優劣也直接影響了下一環節分類器的運算性能。若對特征向量的降維不足，將增加分類器的運算復雜度。

分類器的設計是采用某種決策算法將特征向量空間轉換到決策空間，使信號的特征向量對應到不同信號類別之中，從而實現對干擾信號的鑒別。分類器設計的優劣直接決定著最終的干擾鑒別結果。

2 雷達有源干擾的特征提取

目前，已公開發表的文獻主要從以下幾個方面對雷達有源干擾信號的特征進行提取。

2.1 DRFM干擾機指紋特征提取

DRFM干擾機對雷達信號進行轉發的過程中受到干擾機內電子器件的影響，會對信號引入一些量化調制特性，如DRFM時延離散特性[4-7]、相位量化特性[8-9]、幅相量化特性[8]、干擾機內功率放大器特性等[10-12]，這些特性都可以作為特征提取時的線索。

圖1 雷達有源干擾鑒別技術基本流程Fig.1 Basic flow of radar active jamming identification technology

在時延離散特性方面，文獻[4]在2001年根據離散時延特性引起的諧波效應對距離拖引干擾(range gate pull off，RGPO)進行了鑒別。文獻[5-6]在文獻[4]基礎上進一步研究了諧波效應對干擾信號頻譜的影響。文獻[7]基于時延離散特性，根據DRFM對脈沖多普勒(pulse-Doppler,PD)雷達進行線性距離波門拖引時引起的諧波效應，提出了一種針對PD雷達進行欺騙干擾的在線檢測方法。

在幅相量化與相位量化特性方面，幅相量化能夠不失真的存儲信號的幅相信息，主要用于產生精確模擬雷達發射信號的干擾，而相位量化只保留了信號的相位特征，當前用于產生對典型脈沖雷達的干擾信號。文獻[8]通過提取相位量化特征實現對欺騙干擾的鑒別。文獻[9]則在噪聲環境下根據回波與相位量化干擾的空時導引矢量，對干擾進行了鑒別。

在功放特性方面，文獻[10]根據功放的記憶項、階次和系數對干擾的影響，提取奇異譜熵等特征參數對干擾實現了鑒別。文獻[2]根據功率放大器的非線性效應對信號產生的畸變，提取出雙譜均值等特征參數對干擾實現了鑒別。

在DRFM欺騙式干擾機中，干擾信號在經過上下變頻的二次調制后，由于本振與雷達發射機之間存在差異，調制后的信號會在相位噪聲上產生細微差異。依據這些差異，可以實現對欺騙干擾的鑒別。文獻[12]根據本振與發射機之間存在的微小特征差異，對信號進行圍線積分雙譜變換后，提取雙譜變化的平均值、熵值及波形熵等特征參數對干擾實現鑒別。

然而，隨著DFRM干擾機量化位數不斷增加，DFRM的相位量化特性已經不易被檢測與識別，依靠該線索鑒別干擾的可能性已經越來越低。因此，需要尋找其他可鑒別干擾的特征參數。

2.2 回波RCS起伏特征提取

當DFRM干擾機根據接收到的雷達發射信號產生干擾時，大部分對信號的幅度沒有進行調制，而只是將其增加了3～5 dB。而對于復雜面目標，雷達接收到目標回波信號的幅值并不是固定的，這是由于目標在空中進行機動的時候，目標雷達散射面積(radar-cross section,RCS)由于其姿態變化而產生相應的變化。因此，可以根據RCS的起伏特性提取信號特征。文獻[13]根據RCS起伏特性，目標回波的幅值被認為服從瑞利分布，假目標信號的振幅被認為是固定的，拖引干擾的幅值被認為兩者的疊加，最后通過提取三階中心矩等特征參數對假目標干擾與拖引干擾實現鑒別。

2.3 回波單一變換域特征提取

干擾信號與目標回波信號通過非線性變換到特定的變換域時，不同信號的某些特征會存在顯著的差別，因此可以根據這些特征信息進行有源干擾鑒別。

在時域上，信號的特征主要表征了信號在時間上的變化特點，主要有信號的幅度、相位、頻率等瞬時變化參數或數值大小隨時間變化的包絡特性，如矩偏度系數、矩峰度系數、包絡起伏度、脈壓后時域均峰值功率比[2,14]等。文獻[14]在時域內，分別提取了波形的相關矩參數、包絡起伏度等相關參數對干擾進行鑒別。

在頻域上，信號的特征主要是在信號的功率譜[2]或頻譜[2,15]上進行提取。文獻[2]提取了功率譜上的矩偏度系數以及矩峰度系數作為干擾鑒別的特征參數。文獻[15]通過提取頻譜上信號的高階累積量作為識別窄帶干擾和寬頻噪聲干擾的特征參數。

在其他類型變換域上，文獻[13]在圖像域根據圖像紋理特征提取的方法，建立了灰度共生矩陣，提取出同質度、主對角線能量等參數對拖引干擾的具體類型進行了有效的鑒別。文獻[16]在能量域內，選擇信息熵、指數熵、范數熵3個特征參數，信息熵與指數熵實現了噪聲調幅干擾的鑒別，范數熵實現了對噪聲干擾與欺騙干擾的區分。文獻[17]在統計域內，提取其二階與四階累積量作為特征參數，對數字調制信號實現了鑒別。

2.4 多信息域聯合特征提取

目前，隨著雷達有源干擾技術向著高逼真度方向發展，特別是針對多域復合調制的雷達有源干擾，在單一變換域提取的特征參數很難對其進行鑒別，因此需要通過多信息域聯合[13-14,18-20]的特征參數對其進行鑒別。

文獻[13]結合信號在時域、頻域與圖像域內的特征參數對假目標干擾與不同拖引干擾進行了區分。文獻[14]在時頻域與能量域中通過提取最大奇異值、能量比分布等參數實現了對干擾的鑒別。文獻[18]運用Choi-Williams時頻分布圖對干擾信號進行描述，提取出有效的時頻域特征參數集，對雷達干擾進行鑒別。文獻[19]基于深度學習算法在時頻域內提取信號的有意調制信息對干擾進行鑒別。文獻[20]根據欺騙干擾信號在頻域—慢時域變換時得到的時頻分布特征差異，實現了對拖引干擾的鑒別，但該方法需要利用多個脈沖信號，增加了運算的時間。

基于多信息域聯合特征提取是根據模式識別等相關領域，將脈沖信號進行時域、頻域、圖像域等非線性變換后提取特征參數，該方法能提高對鑒別的準確率，但該方法的運算量較大，不利于實際應用。

3 雷達有源干擾的特征選擇

特征選擇是有源干擾鑒別中的一個重要步驟，通過選擇可以簡化后續分類器設計，節省分類器的訓練時間。目前，特征選擇主要是基于模式識別的方法，選取出有效的特征參數實現對特征向量的降維處理。而特征選擇的關鍵問題是確定特征向量的評價準則與特征選擇的算法實現。

3.1 特征向量的評價準則

合理有效的特征向量評價準則是特征選擇的基礎，只有確定合適的評價準則，才能選擇出最優的特征向量。目前，研究者提出了類別可分離性準則[2]、假設檢驗準則[13]以及Fisher準則[21-22]等對特征向量進行評價。

對于類別可分離性準則，文獻[2]采用灰色關聯分析的方法，不同類型特征的灰色關聯度越大表示其關聯性越強，因此需要選取出灰色關聯度最小的特征作為特征向量的元素。對于假設檢驗準則，文獻[17]基于K-W檢驗，選用統計量較高的特征參數，實現對特征向量的降維處理。文獻[21]基于Fisher準則計算不同特征參數的類間樣本間隔和類內樣本的緊湊程度來檢驗特征選擇的優劣，并通過實驗驗證了該準則的有效性。

3.2 特征選擇的算法實現

在選用合適的特征評價準則后，快速高效的特征選擇算法是特征選擇的工具。特征選擇算法的優劣也決定了特征選擇計算量的大小，影響著計算的速度。當前研究者結合其他領域提出了多種類型的特征選擇的算法，如基于粒子群算法的特征選擇方法[23]、Relief算法[24]、基于啟發式搜索策略的遺傳算法[25]等。

文獻[23]提出一種改進的粒子群優化算法對特征進行了選擇與分析。文獻[24]基于Relief算法提出了一種干擾數據特征選擇算法，稱為閾值-Relief算法，改進后算法有效消除了干擾數據對分類結果的影響。文獻[25]采用改進后的遺傳算法對特征空間進行降維處理，實現對特征的選擇。

4 雷達有源干擾的分類器設計

分類器的設計主要是對分類器內的算法進行設計。目前，常見的分類器算法有：基于神經網絡的算法[2，14，26-27]、基于統計判決樹的算法[2，13]、支持向量機[28-30]及其他類型算法[13，31-32]等。雖然現在提出的算法都可以實現對干擾信號的鑒別，但不同的算法適用的范圍不盡相同，每種算法的性能也有差異，對分類器進行訓練的時間也不相同。

4.1 基于神經網絡的分類算法

神經網絡算法是對于干擾鑒別的一種較為成熟的算法，目前應用較為成熟的是BP(back propagation)神經網絡算法[2，14]。當其應用到干擾鑒別的時候，通過大量的數據訓練找到干擾鑒別對應的最優連接權值。文獻[2]仿真結果表明采用BP神經網絡算法，在干噪比大于3dB的情況下，各種干擾的識別概率能達到75%以上。

文獻[26]基于深度神經網絡，運用棧式稀疏自編碼器，實現了對有源干擾的鑒別，且鑒別概率受信噪比的影響較小。文獻[27]提出了一種基于多輸入單輸出矢量神經網絡組合的識別算法，通過實測數據驗證了該算法能夠準確的對雷達輻射源進行鑒別，且計算量較小。

4.2 基于統計判決樹的分類算法

利用統計判決樹對干擾進行分類，重點在于每個特征參數判決門限的設定，這決定了干擾正確鑒別率的高低。相比于其他的分類算法，統計判決樹原理簡單，不需要設計復雜的邏輯結構，僅需要根據選擇后的特征參數，設計出相對應的門限，對接收到的信號進行逐級分類。一般情況下，在選擇好特征參數后，通過大量的數據訓練，得到該特征參數所對應的判決門限，從根節點自上而下建立統計判決樹。

目前，基于統計判決樹識別算法已經得到了有效應用。文獻[2]采用統計判決樹的方法對噪聲干擾與欺騙干擾實現了有效的鑒別。文獻運用[13]統計判決樹對RGPO、速度拖引干擾(velocity gate pull off,VGPO)與同步拖引干擾(range-velocity gate pull off,RVGPO)實現了有效的鑒別。

4.3 基于支持向量機的分類

支持向量機分類其原理是利用核函數將樣本從不可分的低維空間映射到高維空間，在高維空間中尋找一個最優超平面，要求超平面與每一類樣本間的距離，即分類間隔盡可能大[28-29]，這樣可以保證同類樣本盡可能位于超平面的同一側，實現對樣本的分類。文獻[30]將徑向基核函數作為支持向量機的核函數進行訓練與鑒別實驗，通過實驗可以驗證在選擇合適的徑向基核函數參數后，對定頻脈沖式、定頻連續波式和掃頻式3種有源干擾的正確鑒別率可達99%以上。

4.4 其他新型分類算法

算法的優劣直接影響著分類器的工作效率，傳統的干擾鑒別算法在電磁環境復雜、信號密度增加的情況下，運算效率低下。因此有學者在其他領域不斷尋找新的算法來優化分類器的設計、提高其工作效率。目前對于有源干擾鑒別，在圖像識別、模式識別等相關方向都存在算法應用。文獻[13]結合圖像識別領域內的模板匹配算法，實現了對拖引干擾的有效分類。在模式識別領域，文獻[31]基于稀疏分解算法，采用分類器實現目標鑒別。文獻[32]運用了聚類算法對輻射源進行鑒別。

從現有的文獻來看，目前分類器在低信噪比的環境下還不能更好的適應，并且分類器的運算速度還不能很好的匹配復雜多變的戰場電磁干擾，因此對分類器需要進一步優化設計。

5 結束語

有源干擾鑒別是雷達自適應抗干擾的前提，本文從有源干擾鑒別的一般流程切入，從有源干擾信號的特征提取、特征選擇與分類器設計3個方向對相關文獻進行了梳理。可以看出，當前雷達有源干擾鑒別技術研究還不夠系統，理論與應用還有差距。未來有源干擾鑒別應面向高逼真假目標等新型有源干擾，并結合大數據處理、機器學習、人工智能等新興技術，向認知化方向發展。