基于DRFM的雷達(dá)有源干擾信號識別算法綜述

趙忠臣, 劉利民, 解 輝, 韓壯志, 荊 賀

(陸軍工程大學(xué)石家莊校區(qū),石家莊 050000)

0 引言

雷達(dá)通過分析接收到的電磁波信息實(shí)現(xiàn)對目標(biāo)的偵察、追蹤等功能[1-3],在此過程中不僅能檢測到目標(biāo)回波信號,還會受到其他信號的干擾,這將嚴(yán)重降低其性能。在現(xiàn)代戰(zhàn)爭中,電子對抗[4-6](Electronic Countermeasures,ECM)日益激烈,特別是數(shù)字射頻存儲[7-10](Digital Radio Frequency Memory,DRFM)技術(shù)不斷發(fā)展成熟,針對雷達(dá)的有源干擾手段更加靈活多變,效果也更加顯著。因此,研究高效自主的干擾識別算法具有重要的軍事意義和實(shí)用價值。

為提高雷達(dá)抗干擾[11]水平,科研人員在雷達(dá)干擾信號識別方面取得了一定進(jìn)展。文獻(xiàn)[12-13]通過小波分解將干擾劃分為不同頻段,提取頻域特征參數(shù)完成分類識別,但是在低信噪比環(huán)境下識別準(zhǔn)確率不高。文獻(xiàn)[14-16]經(jīng)過分?jǐn)?shù)階傅里葉變換(FRFT)和Choi-Williams分布(Choi-Williams Distribution,CWD)得到干擾時頻信息,實(shí)現(xiàn)對干擾信號的分類識別,但是運(yùn)算量較大,適用于強(qiáng)噪聲環(huán)境;文獻(xiàn)[17-19]通過分析干擾信號特征之間的差異,利用決策樹(Decision Tree,DT)分類器進(jìn)行識別,方法簡單實(shí)時性好,但閾值設(shè)定的合理性對識別結(jié)果影響較大;文獻(xiàn)[20-24]利用支持向量機(jī)(SVM)在干噪比(JNR)大于0 dB時獲得了很好的干擾識別效果,但在強(qiáng)噪聲環(huán)境下效果一般;文獻(xiàn)[25-28]通過卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其優(yōu)化算法對各類干擾的識別準(zhǔn)確率較高,具有很好的魯棒性。但以上方法存在干擾普適性弱、分類器匹配特征少、需要大量先驗(yàn)知識、運(yùn)算實(shí)時性差等缺點(diǎn)。

本文通過DRFM的工作原理闡述干擾形成的過程,根據(jù)作用性質(zhì)將17種常見干擾進(jìn)行分類,圍繞信號特征提取和分類器這2個干擾識別的核心環(huán)節(jié),歸納總結(jié)了近幾年的研究成果,以2種壓制干擾為例對比分析了不同信號特征提取和分類器對干擾識別結(jié)果的影響,最后針對雷達(dá)有源干擾信號識別算法未來的發(fā)展方向做出了展望。

1 DRFM工作原理

基于DRFM的雷達(dá)干擾系統(tǒng)是一種集欺騙、壓制干擾于一身的電子對抗技術(shù),它將偵測到的雷達(dá)信號利用回波產(chǎn)生原理進(jìn)行多種調(diào)制,既可以產(chǎn)生遮蓋真實(shí)目標(biāo)回波的壓制性干擾,又可以產(chǎn)生以假亂真的欺騙性干擾,其工作原理如圖1所示。

圖1 DRFM工作原理

DRFM將接收的雷達(dá)信號進(jìn)行混頻、濾波、放大、模數(shù)轉(zhuǎn)換后存儲起來,然后由控制器對存儲的信號進(jìn)行延時、移頻調(diào)制,最后經(jīng)過數(shù)模轉(zhuǎn)換、混頻、濾波、放大將調(diào)制后的干擾信號發(fā)射出去。

DRFM技術(shù)具有快速存儲、保留信號特征信息的功能特性,可實(shí)現(xiàn)多種干擾聯(lián)合控制,保持干擾信號與雷達(dá)目標(biāo)回波信號的相干性,大幅度提高干擾效果。

2 干擾信號種類

雷達(dá)干擾的種類有很多,依據(jù)是否外部干預(yù)可劃分為有意干擾和無意干擾,其中,有意干擾對戰(zhàn)場環(huán)境下雷達(dá)性能的影響更加明顯,其分類如圖2所示。

有意干擾依據(jù)干擾來源可分為主動施放的有源干擾[29-30]和反射能量的無源干擾[31-32]。有源干擾依據(jù)干擾作用性質(zhì)可分為壓制性干擾[33-34]和欺騙性干擾[35-41]。本文簡要介紹幾種常見有源干擾類型。

2.1 壓制性干擾

干擾機(jī)通過發(fā)射大功率噪聲或擬噪聲信號,使雷達(dá)接收系統(tǒng)飽和,降低其探測能力。由圖2可知,壓制性干擾主要分為噪聲調(diào)制類和靈巧噪聲類。

2.1.1 噪聲調(diào)制類

噪聲調(diào)制類主要包括射頻噪聲干擾[14-15],噪聲調(diào)幅[14-16]、噪聲調(diào)頻[14-16]、噪聲調(diào)相[36]干擾,其干擾表達(dá)式為

(1)

2.1.2 靈巧噪聲類

靈巧噪聲類干擾通常將雷達(dá)信號時延后與窄帶高斯噪聲進(jìn)行乘積或卷積,以達(dá)到在時域和頻域的壓制效果,主要包括噪聲乘積(Noise Product,NP)干擾[35,37]和噪聲卷積(Noise Convolution,NC)干擾[35,37],噪聲乘積干擾JNC和噪聲卷積干擾JNP表達(dá)式分別為

JNC=S(t-τ)×n(t)

(2)

JNP=S(t-τ)?n(t)

(3)

其中:S(t)為雷達(dá)信號;τ為時間延遲;n(t)為窄帶高斯噪聲。

2.2 欺騙性干擾

欺騙性干擾通過發(fā)射與目標(biāo)回波相似的欺騙信號,使得雷達(dá)獲取失真的距離、方位和速度等參數(shù),不能對真實(shí)目標(biāo)進(jìn)行檢測和跟蹤。欺騙性干擾對干擾機(jī)發(fā)射功率的要求遠(yuǎn)小于壓制性干擾,受制于一般干擾機(jī)實(shí)裝條件,戰(zhàn)場環(huán)境下,利用DRFM技術(shù)產(chǎn)生的多是欺騙性干擾,常見的欺騙性干擾分為假目標(biāo)類干擾、波門拖引類干擾和新型干擾。

2.2.1 假目標(biāo)類干擾

干擾機(jī)為截獲的雷達(dá)信號附加一定的時延、頻移、相移參數(shù)后,增益轉(zhuǎn)發(fā),使得雷達(dá)的測量跟蹤系統(tǒng)產(chǎn)生錯誤判定,并可能測量跟蹤功率較大的干擾信號而忽視真實(shí)信號,以達(dá)到欺騙目的。常見的假目標(biāo)類干擾有距離假目標(biāo)[38-40](Range Deception,RD)干擾、速度假目標(biāo)[38-40](Velocity Deception,VD)干擾與角度假目標(biāo)[38-39](Angle Deception,AD)干擾,其干擾表達(dá)式為

J(t)=Aexp((2πf0+a1Δω)(t-a2Δt)+a3Δφ+jπk(t-a2Δt)2+φ0)

(4)

式中:A為干擾信號幅度;k為調(diào)頻斜率;Δω=αt,Δt=βt2,Δφ=γt分別為速度假目標(biāo)、距離假目標(biāo)和角度假目標(biāo)的調(diào)制函數(shù);α、β、γ均為常數(shù);a1=0、a2=1、a3=0時為距離假目標(biāo)干擾,a1=1、a2=0、a3=0時為速度假目標(biāo)干擾,a1=0、a2=0、a3=1時為角度假目標(biāo)干擾。

2.2.2 波門拖引類干擾

波門拖引類干擾與假目標(biāo)類干擾不同之處在于附加的時延、頻移等參數(shù)按照一定規(guī)律調(diào)制。波門拖引類干擾的產(chǎn)生可分為波門捕獲、波門拖引和干擾關(guān)閉3個階段。常見的波門拖引類干擾有距離波門拖引(Range Gate Pull Off,RGPO)干擾[12-13]、速度波門拖引(Velocity Gate Pull Off,VGPO)干擾[12-13]和距離-速度波門同步拖引(Range-Velocity Gate Pull Off,R-VGPO)干擾[12-13]。單一的RGPO干擾或VGPO干擾,只改變時延或頻移,很容易被識別濾除,在實(shí)戰(zhàn)中多使用R-VGPO干擾。

波門拖引類干擾表達(dá)式為

J(t)=Aexp(φ(t-t0-tj-a1Δt)+φ0)exp(a2(j2πΔft))

(5)

式中:tj為干擾機(jī)固有延遲;Δt為調(diào)制時延;Δf為調(diào)制頻移;φ(t)=jπ(2f0t+kt2),a1=1、a2=0時為RGPO干擾;a1=0、a2=1時為VGPO干擾;a1=1、a2=1時為R-VGPO干擾。

2.3 新型干擾

傳統(tǒng)的噪聲調(diào)制類、假目標(biāo)類、波門拖引類干擾通過改變信號時域或頻域參數(shù)使雷達(dá)無法發(fā)揮其真正作用,但雷達(dá)可以通過捷變頻、旁瓣對消、匹配濾波等實(shí)現(xiàn)有效應(yīng)對。隨著DRFM技術(shù)的快速發(fā)展,涌現(xiàn)出許多兼具時域、頻域特性的新型干擾,常見的有間歇采樣轉(zhuǎn)發(fā)(Interrupted Sampling and Repeater,ISR)干擾[42-43]、頻譜彌散(Smeared Spectrum,SMSP)干擾[44-45]、切片重構(gòu)(Chopping and Interleaving,C&I)干擾[45-46]、梳狀譜(Comb Spectrum,COMB)干擾[42,46]和密集假目標(biāo)(Dense False Target,DFT)干擾[46-47]。這些新型干擾通過制造大量的虛假目標(biāo)來淹沒真實(shí)目標(biāo),在欺騙的同時也會產(chǎn)生壓制的效果,因此在實(shí)踐中得到廣泛應(yīng)用。

2.3.1 ISR干擾

ISR干擾通過干擾機(jī)將截獲的雷達(dá)信號轉(zhuǎn)發(fā)出去,可起到壓制和欺騙的效果,其表達(dá)式為

J(t)=u(t)*j(t)

(6)

間歇采樣轉(zhuǎn)發(fā)干擾分為直接轉(zhuǎn)發(fā)、延時轉(zhuǎn)發(fā)和重復(fù)轉(zhuǎn)發(fā)3種模式,其表達(dá)式為

(7)

式中:Δt為延遲轉(zhuǎn)發(fā)時間;M為重復(fù)次數(shù);a1=1,a2=0,a3=0時為直接轉(zhuǎn)發(fā)干擾;a1=1,a2=1,a3=0時為延遲轉(zhuǎn)發(fā)干擾;a1=0,a2=0,a3=1時為重復(fù)轉(zhuǎn)發(fā)干擾。

2.3.2 SMSP干擾

SMSP干擾是一種專門針對LFM信號的密集型假目標(biāo)干擾,該類干擾產(chǎn)生原理為干擾機(jī)截獲雷達(dá)信號[48],離散化處理后存儲在DRFM中,然后利用n倍于雷達(dá)信號時鐘頻率進(jìn)行采樣,獲得調(diào)頻斜率n倍于LFM信號的干擾子脈沖,再將得到的干擾子脈沖連續(xù)復(fù)制n次,即形成了SMSP干擾[49]。該種干擾的表達(dá)式為

(8)

式中:n為脈沖重復(fù)次數(shù);SMSP干擾可以形成密集的假目標(biāo),對雷達(dá)系統(tǒng)具有欺騙和壓制的雙重效果。

2.3.3 C&I干擾

C&I干擾是一種截取干擾,其產(chǎn)生過程包括切片(Chopping)和組合(Interleaving)兩個步驟。切片階段表示為

(9)

組合階段表示為

(10)

其中:s(t)為LFM信號;a(t)為采樣信號;Ta為切片周期;m為信號截取的段數(shù);n為每個子脈沖復(fù)制次數(shù);最終雷達(dá)信號被分成了m×n段,每一段的時寬為τ=T/(mn)。

2.3.4 COMB干擾

COMB干擾由多個在時域上疊加在頻域上分離的子干擾構(gòu)成,整個干擾的頻譜呈現(xiàn)梳齒狀分布。COMB干擾可看作是梳狀譜信號與雷達(dá)信號在時域相乘得到,其表達(dá)式為

(11)

式中:fi為各梳齒頻率;Ai為第i個頻率點(diǎn)處的幅度。COMB干擾可以精確確定頻率點(diǎn),對頻率捷變雷達(dá)有很好的干擾效果。

2.3.5 DFR干擾

DFR干擾類似于距離假目標(biāo)干擾,可以形成多個不同距離的假目標(biāo),其表達(dá)式為

(12)

式中:t0為真實(shí)目標(biāo)回波時延;Δtm為第m次轉(zhuǎn)發(fā)時延。

3 信號特征提取方法

信號特征提取是挖掘信號本質(zhì)信息的過程,是完成信號識別的關(guān)鍵環(huán)節(jié)之一,雷達(dá)通過分析所收集信號的特征構(gòu)建特征集,利用分類器識別干擾并做出應(yīng)對措施。

信號的特征一般可分為時域、頻域、時頻域和變換域特征。每種干擾信號因產(chǎn)生的原理不同,其特征也有所差異,但隨著噪聲的增大,特征提取會越發(fā)困難,所以提取各種干擾特有的且對噪聲魯棒性強(qiáng)的特征是準(zhǔn)確識別干擾的基礎(chǔ)。

3.1 時域特征

時域特征值是衡量信號特征的重要指標(biāo),可判斷信號在不同時刻的相似性和關(guān)聯(lián)性。部分學(xué)者通過分析信號時域序列特征,構(gòu)建區(qū)分度高的特征集,利用相應(yīng)分類器完成干擾的識別分類,表1所示為部分利用時域特征實(shí)現(xiàn)干擾識別的研究成果。

表1 時域干擾識別方法

3.2 頻域特征

信號不僅隨時間變化,還與頻率、相位等信息相關(guān),通過分析信號的頻率結(jié)構(gòu)可以將時域參數(shù)相同的信號區(qū)分開來。表2匯總了部分利用頻域特征實(shí)現(xiàn)干擾識別的研究成果。

表2 頻域干擾識別方法

由表2可知,文獻(xiàn)[12]利用Morlet小波將干擾信號進(jìn)行分解,選取高階分量構(gòu)建一維小波變換系數(shù)譜,通過比較系數(shù)譜的能量比實(shí)現(xiàn)干擾分類識別,其識別效果弱于利用小波分解研究同類干擾信號的文獻(xiàn)[13],主要原因是文獻(xiàn)[12]在構(gòu)建系數(shù)譜時舍棄了低頻分量,文獻(xiàn)[13]構(gòu)造了完備的冗余函數(shù)字典,利用稀疏表示盡可能獲取干擾的頻域特征。文獻(xiàn)[35,53]對噪聲調(diào)幅、噪聲調(diào)頻2種壓制干擾進(jìn)行識別,效果差異較大,區(qū)別在于所用頻域特征的豐富程度不同。文獻(xiàn)[53]分析功率譜分布特性,根據(jù)干擾與白噪聲的功率譜相關(guān)系數(shù)確定判別門限,其所用頻域信息單一;文獻(xiàn)[35]將干擾小波分解后提取各頻帶小波包系數(shù)特征。由此可見,提取全面豐富的頻域特征可以有效提高分類識別的效果。

3.3 時頻域特征

單一維度的時域分析或頻域分析都不能全面反映信號特征,相較于單一時域或頻域特征,時頻域特征更加直觀精確,表3所示為部分利用時頻域特征實(shí)現(xiàn)干擾識別的研究成果。

表3 時頻域干擾識別方法

由表3可知,采用時頻域特征具有很好的識別效果。文獻(xiàn)[15-16]皆用分?jǐn)?shù)階傅里葉變換對噪聲調(diào)幅和噪聲調(diào)頻干擾信號進(jìn)行分析,雖然提取特征和使用分類器有所差別,但都有很高的識別可信度。文獻(xiàn)[14,41]對不同信號進(jìn)行CWD變換,利用不同的分類器自動提取時頻特征,在JNR為0 dB時識別準(zhǔn)確率都達(dá)到97%以上,比分析同類干擾選用時域或頻域單一特征的文獻(xiàn)[40,12-13]效果好。由此可見,時頻域特征蘊(yùn)含不同時刻的頻率變化信息,能夠更加準(zhǔn)確地區(qū)分干擾信號。

3.4 變換域特征

可以找到成百上千種特征反映信號的本質(zhì),如果將所有特征都進(jìn)行訓(xùn)練分析則會出現(xiàn)維度災(zāi)難,因此需要通過特征轉(zhuǎn)換實(shí)現(xiàn)降維,篩選出少量發(fā)揮主要作用的特征。常用的特征轉(zhuǎn)換方法有主成分分析(Principal Component Analysis,PCA)、獨(dú)立成分分析(Independent Component Analysis,ICA)、隨機(jī)成分分析(Random Component Analysis,RCA)和線性判別分析(Linear Discriminent Analysis,LDA)等方法。表4所示為部分利用變換域特征實(shí)現(xiàn)干擾識別的研究成果。

表4 變換域干擾識別方法

由表4可知,變換域特征能夠?qū)Ω蓴_信號進(jìn)行更加細(xì)致的刻畫,具有很好的識別效果。

4 分類器

信號特征是體現(xiàn)信號差異的標(biāo)志,只有選用與之匹配的分類器才能充分挖掘特征的價值,實(shí)現(xiàn)干擾的準(zhǔn)確識別與分類。本文主要介紹決策樹[58]、支持向量機(jī)[59]、卷積神經(jīng)網(wǎng)絡(luò)[60-64]3種常用的分類器。

4.1 決策樹

決策樹分類器是一種歸類學(xué)習(xí)算法,由決策點(diǎn)、狀態(tài)節(jié)點(diǎn)和結(jié)果節(jié)點(diǎn)組成,部分研究成果如表5所示。

表5 決策樹干擾識別方法

決策樹對于處理差異性好、種類少的干擾信號具有速度快、準(zhǔn)確率高的優(yōu)點(diǎn),但其主要利用單一特征參數(shù)進(jìn)行區(qū)分,且門限的選擇對判斷結(jié)果影響很大,因此不適用于低干噪比情況下多維特征信息的分析判斷。

4.2 支持向量機(jī)(SVM)

支持向量機(jī)可以將問題化為一個求解凸二次規(guī)劃的問題,具體來說就是在線性可分時,在原空間尋找兩類樣本的最優(yōu)分類超平面。在線性不可分時,加入松弛變量并通過使用非線性映射將低維度輸入空間的樣本映射到高維度空間使其變?yōu)榫€性可分,這樣就可以在該特征空間中尋找最優(yōu)分類超平面。與決策樹相比,支持向量機(jī)具有避免人為設(shè)置判決門限的優(yōu)點(diǎn),表6所示為部分利用支持向量機(jī)實(shí)現(xiàn)干擾識別的研究成果。

表6 支持向量機(jī)干擾識別方法

從表6可知支持向量機(jī)在干擾識別領(lǐng)域成果頗豐。

4.3 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)可以自動提取最優(yōu)特征并進(jìn)行深度學(xué)習(xí),可以有效處理復(fù)雜的非線性問題,近年來在雷達(dá)干擾信號的分類識別中得到廣泛應(yīng)用,表7所示為部分采用CNN實(shí)現(xiàn)干擾識別的研究成果。

表7 卷積神經(jīng)網(wǎng)絡(luò)干擾識別方法

通過表7可知,卷積神經(jīng)網(wǎng)絡(luò)具有較高的識別準(zhǔn)確率和對噪聲的魯棒性。

5 干擾識別算法性能比較

本文以2種壓制性干擾(噪聲調(diào)幅、噪聲調(diào)頻)為例,比較不同信號特征提取和分類器的干擾識別效果,各算法識別效果和算法說明分別如圖3與表8所示。

表8 算法說明

圖3 算法識別效果對比

由圖3與表8可知,所有文獻(xiàn)所采用識別算法的識別準(zhǔn)確率與干噪比成正相關(guān),文獻(xiàn)[50,53,36,60]與其他文獻(xiàn)相比在低信噪比情況下識別準(zhǔn)確率較低,是因?yàn)樯鲜鑫墨I(xiàn)選用的是單一域特征,只能反映出干擾局部信息;文獻(xiàn)[36]比文獻(xiàn)[50,53,60]識別準(zhǔn)確率相對較高是因?yàn)樵黾恿祟l域特征;同為時域特征,文獻(xiàn)[60,50,53]識別準(zhǔn)確率遞減,是因?yàn)闆Q策樹無法設(shè)置精確閾值,識別效果不如能夠自主學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),混合蛙跳算法通過局部更新能夠?qū)P神經(jīng)網(wǎng)絡(luò)起到優(yōu)化效果;文獻(xiàn)[35,63,25]都使用神經(jīng)網(wǎng)絡(luò)作為分類器,其識別準(zhǔn)確率遞增,是因?yàn)樾〔ǚ纸怆m然可以獲取不同頻段的細(xì)節(jié)信息但效果仍不如時頻特征,多種神經(jīng)網(wǎng)絡(luò)級聯(lián)可以提高識別效果。文獻(xiàn)[14]在所有方法中識別效果最好,充分體現(xiàn)出卷積神經(jīng)網(wǎng)絡(luò)處理大數(shù)據(jù)非線性信息的優(yōu)勢,但其對硬件的要求很高,不利于工程實(shí)現(xiàn)。

綜上所述,為了提高識別準(zhǔn)確率,應(yīng)選取多域特征;要根據(jù)不同的環(huán)境選用匹配的信號特征提取方法與分類器;當(dāng)干噪比較高時,決策樹與神經(jīng)網(wǎng)絡(luò)識別效果相近,但決策樹具有速度快、實(shí)時性好的優(yōu)點(diǎn);當(dāng)干噪比較低時,神經(jīng)網(wǎng)絡(luò)識別效果明顯優(yōu)于決策樹、支持向量機(jī)等,但其耗時長,對硬件要求高;深度神經(jīng)網(wǎng)絡(luò)算法識別效果好,但是運(yùn)算量較大,不利于工程實(shí)現(xiàn);選取更高效信號特征提取方法并提升硬件水平將是今后研究的方向。

6 總結(jié)與展望

本文依據(jù)干擾識別的一般流程,介紹了常見的17種干擾模型,并重點(diǎn)對比了現(xiàn)階段信號特征提取方法和分類器方面的研究成果。隨著DRFM技術(shù)發(fā)展不斷成熟,新的干擾樣式不斷涌現(xiàn),現(xiàn)有的干擾識別方法已經(jīng)不能滿足戰(zhàn)場需求,未來可以考慮從以下幾個方面進(jìn)行改進(jìn)和完善:1) 從實(shí)戰(zhàn)場景出發(fā),克服強(qiáng)噪聲環(huán)境下信號特征提取困難的問題,重點(diǎn)提高多種復(fù)合干擾同時存在時分類識別的效果和魯棒性;2) 跟進(jìn)新型干擾技術(shù),進(jìn)一步研究其干擾機(jī)理,將人工智能算法運(yùn)用于雷達(dá)有源干擾識別領(lǐng)域,建立一種不依賴先驗(yàn)知識的、實(shí)時性好、對信號特征普適性強(qiáng)的分類識別算法,推動雷達(dá)對抗技術(shù)向智能化、自主化的方向發(fā)展;3) 針對干擾信號數(shù)據(jù)庫樣本少的問題,加強(qiáng)在小樣本條件下對干擾信號的識別研究;4) 戰(zhàn)場中雷達(dá)需實(shí)時處理的數(shù)據(jù)量極大,加快雷達(dá)的更新?lián)Q代提高其硬件性能。