通信對抗中的干擾識別技術研究

馬光春

摘 要：在信息時代，通信和電子技術在社會中發揮的作用越來越重要。在實際的應用過程中，通信方如果可以對相關的干擾進行識別，進而采取合適的抗干擾措施，就可以有效地提高通信質量，滿足通信要求。因此，如何改進干擾識別技術，使其可以更加穩定、準確成為當前比較重要的問題。文章首先對干擾信號的種類進行闡述，進而提出相關識別技術的研究措施。

關鍵詞：信息通信;干擾識別;技術

1? ? 干擾信號的預處理

在對干擾信號進行分類識別之前，首先要對相關數據進行預處理，預處理的過程分為多個部分，主要有歸一化、中心化、去噪這3個過程。歸一化指的是將數據轉化為可以互相進行數學運算的數據，常采用的方法有線性函數法、對數函數法以及反余切函數法。去中心化是將具有不同分布范圍的樣本數據轉變為均值為0的數據。去噪則是對信號雜波進行檢測并濾除，在這個過程中濾波器發揮了很大的作用。當前根據不同的信號處理方式，可以將濾波器分為數字濾波器和模擬濾波器兩類。根據不同的信號通過頻段，濾波器又被分為低通濾波器、帶通濾波器、高通濾波器以及帶阻濾波器等。

2? ? 干擾信號的特征分析

在通信對抗中存在的干擾信號有攔阻干擾、瞄準干擾、仿真欺騙干擾、相關欺騙干擾、單音干擾、多音干擾、部分頻帶噪聲干擾、掃頻干擾。后四者是最為常見的，因此主要對該四者的特性進行分析闡述[1-2]。

2.1? 單音干擾

單音干擾信號在某個頻射點上發射，且為單片，這使得其相關的時域圖象和正弦函數類似，單音干擾的干擾能量相對集中，且結構簡單。影響單音干擾性能的主要參數有干擾信號的功率、頻率。

2.2? 多音干擾

多音干擾則是在頻帶內存在多個音調，即含有多個單音干擾源，其時域的圖像呈周期性，特性和單音干擾較為相似，結構相較于單音干擾更為復雜，但整體來看仍然較為簡單，同樣具有干擾能量較為集中的特點。影響其干擾性能的參數和單音干擾也相似，除了有干擾信號的功率、頻率以外，還有頻率和頻率點的間隔大小及其個數。

2.3? 部分帶噪聲干擾

部分帶噪聲干擾最大的特點就是干擾能量是均勻分布在部分頻帶內的，其影響干擾性能的參數有起始和終止頻率、干擾信號功率。

2.4? 掃頻干擾

掃頻干擾則較為復雜。其在部分頻譜內呈現動態掃描的特點，而特征就是自身的瞬時頻率往往會隨著時間的變化而不斷發生變化，其頻率和時間之間往往存在一定的線性關系。

3? ? 對干擾信號的分離

3.1? 干擾信號特征參數的提取和作用

在對上文常見的4種信號進行分析識別時，可以先對相關數據進行轉換，再進行計算來完成對干擾信號的識別。對相關數據進行轉換后得到的低樣本、低維數的數據被稱為特征參數。得到特征參數后，再使用相關的算法對特征參數進行計算，可以有效提高計算的準確性和效率。

3.2? 干擾信號的分離

當前根據不同的干擾信號特征，可以使用相關系數對干擾信號進行識別和分離。如載波因子系數可以完成對信號譜線突出程度的描述，而單音干擾載波系數因子又會隨著干噪比的加大而增加，進而可以設置相應的載波因子判斷閾值，來對單音干擾進行分離[3]。除此之外，還有平均頻譜平坦系數，其可以將部分頻帶噪聲干擾分離出來;白噪聲因子，其可以將4種主要干擾信號都進行分離;還有頻域矩偏度系數、時域矩峰度系數、時域矩偏度系數。

4? ?干擾信號分類識別算法

4.1? BP神經網絡

反向傳播（Back Propagation，BP）神經網絡當前的適用范圍較廣，而在干擾信號的分類識別中，其隨著干噪比的逐漸增加，對4種常見干擾信號的識別率也在不斷提升，一般當干噪比上升到5 dB以上時，識別率接近1。在干噪比較低時，其對單音干擾的識別性較強，對多音干擾的識別能力其次。

4.2? 基于支持向量機的計算模型

基于支持向量機的計算模型整體計算性能和BP神經網絡較為相似，其在干噪比不斷提升的過程中，對干擾信號的識別率也在不斷提升，且同樣在干噪比大于5 dB時識別率接近于1。但其在較低的干噪比的情況下，相對于BP神經網絡識別能力更強，如干噪比在﹣4 dB即可完成對單音干擾的識別，在2 dB時，整體的識別率便可以接近90%[4]。

4.3? 基于決策樹理論的計算模型

基于決策樹理論的計算模型在干噪比在5 dB以上時，信號識別率也可接近于1，但不同的是，當干噪比低于5 dB時，識別率相對于其他算法較為平緩，相關特征參數的分離都較為合適。

4.4? 3種算法的選擇

總的來看，三者在干噪比大于5 dB時，都可以發揮出較為不錯的識別效果，而當干噪比較低時，基于決策樹理論的計算模型的識別能力顯然更強，但當干噪比在1～5 dB時，基于支持向量機的計算模型則是最好。這是因為BP神經網絡更偏向于滿足大多數干噪比情況下的識別，即得到相對于全局的最優解，而基于向量機的計算模型則偏向于得到局部的最優解。

5? ? 結語

想要對干擾識別技術進行研究并提升，就需要從多方面進行，首先是對信號進行預處理的優化，其次是對通信對抗中最常見的4種干擾信號的特性進行分析，進而滿足識別和分離的需要，最后則是對算法進行完善，來增強其對干擾信號識別的準確性。想要再進一步提升干擾識別技術的水平，就需要對性能特征參數及其優化選取方法和其他識別算法進行研究，來不斷滿足通信對抗的需要。

[參考文獻]

[1]王利偉，朱曉丹，王建，等.人工智能在電子偵察中的應用分析[J].航天電子對抗，2018（2）：29-32.

[2]于波，邵高平，孫紅勝，等.直擴系統中基于SVM的干擾自動分類識別方法[J].信號處理，2010（10）：1539-1543.

[3]周子棟，陳自力，高喜俊，等.無人機數據鏈路常面臨的干擾類型的自動識別[J].計算機測量與控制，2015（11）：3780-3782.

[4]李勝喜.基于聚類的干擾資源分配研究及仿真實現[D].武漢：武漢理工大學，2011.