基于人工智能的多模態(tài)雷達自適應抗干擾優(yōu)化算法

許 誠，程 強，趙 鵬，程瑋清

（空軍預警學院，湖北武漢 430019）

0 引 言

多模態(tài)雷達是一種采用多種制導模式對目標進行探測和跟蹤的雷達系統(tǒng)[1]。多模態(tài)雷達利用多種不同工作模式的雷達波束，例如線性調(diào)頻、相位編碼等[2]，可以實現(xiàn)對目標的高精度、高分辨率的探測和跟蹤，其可以同時具備寬帶和窄帶雷達的優(yōu)點，提高雷達系統(tǒng)性能和可靠性[3]，同時還可以降低雷達系統(tǒng)的成本。多模態(tài)雷達在無人駕駛、機器人、安防監(jiān)控、邊境防護等領域中應用較多[4]。雖然多模態(tài)雷達作為一種先進的雷達技術(shù)，具有多種工作模式和信號形式，能夠適應復雜環(huán)境和多種目標探測需求，但是其面臨著更為復雜的干擾和防御問題，因此，研究多模態(tài)雷達自適應抗干擾技術(shù)具有重要意義[5]。

文獻[6]為實現(xiàn)雷達抗干擾，針對雷達陣列中的干擾色散問題進行分析，確定其形成因素后，采用多波束聯(lián)合抗干擾方法進行干擾抑制。該方法在應用過程中對于單一的干擾信息具有較好的應用效果，但對于復雜干擾信號的抑制效果較差。文獻[7]為提升雷達抗干擾能力，以假目標抗干擾為核心，通過對雷達信號相位的控制，實現(xiàn)抗干擾，但是該方法在應用過程中會影響雷達其他功能系統(tǒng)的精度。

人工智能由多個領域組成，可實現(xiàn)機器的智能應用，其在應用過程中通過機器視覺、智能控制、自動規(guī)劃等完成目標的處理，其在多個領域中均具有較好的應用效果[8]。因此，文中針對多模態(tài)雷達自適應抗干擾需求，提出基于人工智能的多模態(tài)雷達自適應抗干擾優(yōu)化算法。

1 多模態(tài)雷達自適應抗干擾優(yōu)化

1.1 多模態(tài)雷達信號模型

有源干擾是多模態(tài)雷達應用過程中存在的主要干擾類別，該干擾包含壓制性干擾和欺騙性干擾。其中，壓制性干擾的影響水平十分有限，欺騙性干擾的影響較為嚴重。欺騙性干擾是由于干擾機直接將接收的雷達信號進行存儲以及變換后進行轉(zhuǎn)發(fā)，以此生成的欺騙干擾信號和目標回波之間的相干性較高，導致其在相干處理過程中的抑制效果較差，會造成嚴重干擾[9-11]。因此，需對干擾信號的載頻、幅度等參數(shù)進行處理，以此獲取其中的虛假目標信息，并進行抗干擾處理。

雷達發(fā)射信號以線性調(diào)頻信號為例，其計算公式為：

式中：A表示雷達發(fā)射信號幅度；φ0表示發(fā)射信號初始相位；j表示虛數(shù)單位；φ(t)表示t時刻的信號相位。

如果在雷達距離為R0處存在一個目標，則雷達接收機接收的真實信號ST(t)計算公式為：

式中AT表示目標信號的幅值。

1.2 干擾信號欺騙原理

通過1.1 節(jié)分析雷達信號后，文中僅以欺騙性干擾中的兩種典型干擾為例進行相關分析，分別為距離速度同步欺騙干擾和頻譜彌散干擾，兩種干擾的詳細情況如下所述。

1.2.1 距離速度同步欺騙干擾

雷達在應用過程中能夠同時完成速度和距離的測量，如果只考慮單一的欺騙干擾，那么抗干擾效果較差。因此，需同時對距離和速度進行同步干擾，能夠使雷達獲取錯誤的速度和距離信息[12]，保證抗干擾效果。距離速度同步欺騙干擾的表達式為：

式中：ARV表示距離速度同步欺騙干擾信號幅度；Δfj表示干擾信號的多普勒頻率；Δtj表示干擾信號的轉(zhuǎn)發(fā)延時。

在進行距離速度同步欺騙干擾時，雷達接收的總回波信號計算公式為：

式中：sse(t)表示目標回波；n(t)表示高斯噪聲。

1.2.2 頻譜彌散干擾

頻譜彌散干擾是密集假目標的干擾類別之一，其主要是干擾機截獲空間雷達信號后，通過對信號進行時域壓縮獲取干擾子脈沖時寬[13]，該時寬是截獲信號的1n。如果干擾信號的調(diào)制斜率是截獲信號的n倍，那么采用復制的方式進行干擾信號子脈沖處理即可獲取頻譜彌散干擾。該干擾會先產(chǎn)生1 個子波，其計算公式為：

式中：k′表示調(diào)頻斜率；Ag表示該干擾信號幅度。

將J1(t) 重復n次即可獲取整個頻譜彌散干擾的時域模型，其計算公式為：

1.3 自適應抗干擾優(yōu)化

通過1.2 節(jié)完成干擾信號欺騙原理分析后，則進行多模態(tài)雷達自適應抗干擾優(yōu)化處理，文中選擇人工智能領域中的YOLOv5s 深度學習方法完成自適應抗干擾優(yōu)化，方法結(jié)構(gòu)如圖1 所示。

圖1 YOLOv5s 深度學習方法結(jié)構(gòu)

YOLOv5s 深度學習方法在進行多模態(tài)雷達自適應抗干擾優(yōu)化時，將獲取的S(t)和J(t)回波數(shù)據(jù)劃分成訓練集和測試集，將訓練集輸入YOLOv5s 模型中進行訓練，并獲取訓練后模型。

完成模型訓練后，將測試集輸入到訓練完成的YOLOv5s 模型中進行檢測，獲取其中存在干擾的時間和數(shù)據(jù)，并且生成訓練張量和待處理張量，分別用F和η表示。

計算各張量在各模態(tài)下的展開矩陣，并獲取矩陣展開情況下的左奇異矩陣Un()n= 1,2,3 ，在此基礎上獲取多域干擾投影子空間矩陣，其計算公式為：

式中：P1、P2、P3分別表示振幅、載波頻率和初始相位三種模態(tài)展開矩陣的投影矩陣。

向估計的子空間中進行張量投影，獲取η在該空間中的投影分量?，其公式為：

式中：η1、η2、η3分別表示三種模態(tài)的投影分量結(jié)果。

用η減去公式（8）的計算結(jié)果，即可獲取抑制干擾后的期望信號ηs，其計算公式為：

通過上述內(nèi)容即可完成多模態(tài)雷達自適應抗干擾優(yōu)化，實現(xiàn)雷達欺騙性信號干擾的抑制，提升雷達的精準性。

2 實驗結(jié)果分析

為驗證本文算法在多模態(tài)雷達自適應抗干擾優(yōu)化中的應用效果，文中以某地區(qū)的海洋探測雷達作為實例研究對象，該地區(qū)使用的多模態(tài)雷達相關參數(shù)如表1所示。

表1 多模態(tài)雷達相關參數(shù)

為驗證研究算法對于多模態(tài)雷達自適應抗干擾優(yōu)化性能，文中采用干擾對消比ξCR和干擾輸出功率Qi作為評價指標，兩者的取值均在0～1 之間，干擾對消比ξCR的值越大，表示算法的抗干擾性能越佳；干擾輸出功率Qi的值越小，表示算法的抗干擾性能越佳。干擾對消比ξCR和干擾輸出功率Qi的計算公式為：

式中：wHc和wHa分別表示用于區(qū)分常規(guī)和自適應兩種波束形成的對應信號幅值；Ri表示接收干擾信號的協(xié)方差矩陣；wc和wa分別表示用于區(qū)分常規(guī)和自適應兩種波束形成的對應自適應權(quán)矢量。

依據(jù)上述公式計算本文算法在不同干擾距離下干擾對消比ξCR和干擾輸出功率Qi的測試結(jié)果，如表2所示。

表2 多模態(tài)雷達自適應抗干擾優(yōu)化性能測試結(jié)果

對表2 測試結(jié)果進行分析后得出：在不同干擾距離下，通過本文方法進行多模態(tài)雷達自適應抗干擾處理后，干擾對消比ξCR的值均在0.935 以上，干擾輸出功率Qi的值均在0.017 以下，該算法能夠有效完成雷達欺騙干擾信號的抑制。

為直觀驗證本文算法對于多模態(tài)雷達自適應抗干擾優(yōu)化的應用性，以多干擾和單一干擾兩種干擾類別為例，通過本文算法對其進行自適應抗干擾優(yōu)化，獲取優(yōu)化前后雷達的頻率結(jié)果，如圖2 和圖3 所示。

圖2 多干擾優(yōu)化處理結(jié)果

圖3 單一干擾優(yōu)化處理結(jié)果

對圖2 和圖3 測試結(jié)果進行分析后得出：通過本文算法進行多干擾和單一干擾處理后，雷達信號頻率中的干擾信號被有效抑制和處理，顯著提升了多模態(tài)雷達的抗干擾能力，降低欺騙信號的干擾水平，保證雷達應用的精準性。

3 結(jié) 論

多模態(tài)雷達在應用過程中容易受到欺騙干擾信號的影響，降低雷達的測量精度，因此，為提升雷達的抗干擾性能，本文提出基于人工智能的多模態(tài)雷達自適應抗干擾優(yōu)化算法。通過多模態(tài)雷達信號模型分析干擾信號欺騙原理，計算欺騙干擾時雷達接收的總回波信號，并將其輸入至人工智能的YOLOv5s 深度學習模型中，通過訓練和映射處理，完成多模態(tài)雷達自適應抗干擾優(yōu)化，測試結(jié)果驗證了該算法的應用效果良好，可提升多模態(tài)雷達的抗干擾能力。