基于FRFT域峰值离散特性的有源压制干扰分类识别方法

摘要

本发明提出了一种基于FRFT域峰值离散特性的有源压制干扰分类识别方法。该方法主要包括以下步骤：（1）将连续多时段的雷达回波信号通过FRFT变换到FRFT域，通过峰值搜索得到多段信号在FRFT域的峰值所在变换阶次；（2）在FRFT域LFM信号与压制干扰信号的峰值表现出明显差异，在干信比较小的情况下，回波信号的目标特性明显，不需要进行压制干扰的分类识别，利用LFM信号的峰值特性对目标直接进行识别；（3）在干信比较大的情况下，无法对目标进行识别，但此时回波信号的压制干扰特性明显，根据不同压制干扰类型之间的峰值特性差异完成压制干扰的分类。本发明通过将压制干扰分类与目标识别相结合，从而实现了雷达系统对回波信号的自适应处理。

说明书

技术领域

本发明属于雷达抗干扰领域，适用于解决线性调频雷达在有源压制干扰下的干扰分类与目标识别的问题。

背景技术

现代雷达所面临的电磁环境日益恶劣，针对雷达的电磁干扰技术迅速发展，其中有源压制干扰是雷达干扰的主要方式之一。有源压制干扰的大量使用，极大制约了雷达作战效能的发挥，面对有源压制干扰，对干扰信号的分类识别成为抗干扰工作的关键，根据分类识别结果，抗干扰系统才能有针对性的采取抗干扰措施，从而保证雷达在复杂电磁环境下仍能对目标进行检测和跟踪。因此，对有源压制干扰的分类识别是当前抗干扰领域急需解决的一个关键问题。

线性调频信号作为一种重要的信号体制，具有较大的时宽带宽积，能够同时满足作用距离和距离分辨率的要求，从而被广泛应用于现代雷达系统中。由于线性调频信号在分数阶傅里叶(FRFT)域具有明显的能量聚集特性，所以在FRFT域更有利于对线性调频信号的识别，并且相比于单纯的时域表示或者频域表示，FRFT域既包含时域信息又包含频域信息，这使得不同类型的干扰信号在FRFT域的差异更加明显。目前，基于FRFT域特征参数的分类识别算法中，所提取的特征参数主要为FRFT域的分形特征参数。文献[Zhu Hong,JiangGe,Zhang Hai.Existence detection of blanket jamming based on fractalcharacteristics in FRFT domain[J].强激光与粒子束,2016,28(5):1-7.]将干扰信号变换到FRFT域，提取信号在每一个变换阶次的信息维度和盒维数组成信息维度向量和盒维数向量，根据不同压制干扰类型在信息维度向量和盒维数向量上表现出来的差异，运用门限判决算法完成干扰类型的分类识别。

基于FRFT域分形特性的压制干扰分类识别算法存在以下两个缺陷：(1)识别概率对干信比的依赖较严重，当干信比相对较小时，识别概率较低；(2)特征提取复杂，计算量较大。

发明内容

本发明的目的是提出一种基于FRFT域峰值离散特性的有源压制干扰分类识别方法，以解决基于FRFT域分形特征参数的分类识别算法识别率不稳定和计算量较大的问题。

本发明提出的基于FRFT域峰值离散特性的有源压制干扰分类识别方法的技术方案包括以下步骤：

步骤(一)：将连续N个时段的雷达回波信号分别进行分数阶傅里叶变换，将信号变换到时频联合域。

假设时域函数x(t)的p阶FRFT表示为X_p(u)，则

其中，K_p(u,t)称为FRFT的核函数，

其中，α＝pπ/2,p∈(-2,2]。当α≠nπ时，FRFT的计算过程可以拆解为以下4个步骤：

(1)原信号与一个线性调频函数相乘：

(2)做傅里叶变换(乘以尺度系数cscα)：

(3)再与一个线性调频函数相乘：

(4)乘以一复幅度因子：

步骤(二)：通过峰值搜索，得到各段信号在分数阶傅里叶域的峰值所在变换阶次p_j，为减小计算量，采用分级迭代法在FRFT域对峰值进行搜索。分级迭代法步骤如下：

(1)初始扫描范围为[a₁,b₁],初始步长为g₁，在FRFT域进行第一次峰值扫描搜索；

(2)设过门限的最强峰值点坐标为[v₁,u₁]，然后以第一次估计值为初始值，进行如下迭代过程：

其中，[a_n+1,b_n+1]为第n+1次变换阶次的扫描范围，g_n+1为第n+1次的步长长度，v_n为第n次扫描的最佳变换阶次。

(3)依次进行迭代过程，直到p_n满足所要求的精度。

步骤(三)：结合LFM信号在FRFT域的峰值特性，当目标回波特征明显时，多时段回波信号的p_j表现出如下特性：(1)不同时段的p_j相等，所以p_j标准差趋于0；(2)由于LFM信号调制斜率的存在，p_j不等于1。采用门限检测算法和序贯检测算法实现目标回波信号的识别，具体过程为：

(1)求取p_j标准差σ：

(2)设标准差门限为E，根据σ与门限E的大小关系做出如下判决：

(3)选取以p＝1为中心的一小段区间δ，并统计p_j中落在δ区间内的个数L；

(4)应用序贯检测算法，根据统计个数L与序贯检测门限T的大小关系做出如下判决：

步骤(四)：通过步骤(三)的两次判决，不仅能够在目标回波特性明显时实现目标的识别，而且能够在压制干扰特性明显时实现噪声调幅干扰的识别，所以下一步重点对压制干扰特性明显时射频噪声干扰和噪声调频干扰进行分类识别。相比于噪声调频干扰，当射频噪声干扰特征明显时，多时段回波信号的p_j表现出如下特性：(1)p_j取值范围广，若根据噪声调频干扰设定变换阶次区间，则p_j落在区间范围外的个数较多；(2)p_j在变换阶次范围内随机取值，而噪声调频干扰的峰值在p＝1周围波动，所以p_j对1的标准差较大。采用门限检测算法和序贯检测算法实现射频噪声干扰和噪声调频干扰的分类识别，具体过程为：

(1)选定变换阶次区间为[Q₁，Q₂]，其中Q₁和Q₂的选取应使噪声调频干扰的峰值尽可能全部落在区间范围内；

(2)统计p_j中不落在[Q₁，Q₂]区间内的个数M，应用序贯检测算法，根据统计个数M和序贯检测门限F的大小关系做出如下判决：

(3)根据以下公式求取变换阶次p_j对1的标准差：

(4)设定标准差门限为R，根据σ'与门限值R的大小关系作出如下判决：

本发明的有益效果说明：

(1)相比于现有的压制干扰分类识别算法，本发明能够很好的对回波信号进行自适应分类识别，解决了分类识别正确率受干扰功率影响较严重的问题；

(2)本发明只提取FRFT域的峰值所在变换阶次作为特征参数，有效消除了时频域特征提取复杂、计算量较大的问题。

附图说明

附图1是本发明的方法步骤流程图；

附图2是线性调频信号在FRFT域的谱分布；

附图3是射频噪声干扰在FRFT域的谱分布；

附图4是噪声调幅干扰在FRFT域的谱分布；

附图5是噪声调频干扰在FRFT域的谱分布；

附图6是不同信号在FRFT域的峰值所在阶次；

附图7是射频噪声干扰分类与目标识别结果；

附图8是噪声调幅干扰分类与目标识别结果；

附图9是噪声调频干扰分类与目标识别结果。

具体实施方式

下面结合附图对本发明基于多时段FRFT域峰值特性的有源压制干扰分类与目标识别方法进行详细描述。参照附图1，具体实施步骤如下所示：

(1)将一定观察时间内的回波信号等分为N份，并对N段信号分别进行FRFT，并在FRFT域通过峰值搜索得到各段信号峰值所在变换阶次p_j(j＝1,2…6)；

(2)对p_j求取标准差，并根据以下判决式完成目标识别的第一步判决；

(3)若σ小于门限值E，则应用序贯检测算法根据以下判决式进行目标识别的第二步判决。

(4)若σ大于门限值E，则接下来进行射频噪声干扰和噪声调频干扰的分类识别。根据以下判决式进行第一步判决：

(5)若p_j∈[Q₁,Q₂]的个数小于F，则求取σ'进行第二步判决。并根据以下判决式最终完成射频噪声干扰和噪声调频干扰的判决：

实施条件：在以下参数条件下进行仿真实验：

表1干扰信号参数表

LFM信号调制斜率k＝4×10¹⁰Hz/s，时宽为50μs，载频为4MHz；噪声采用高斯白噪声，方差σ_n＝1，取白噪声功率与目标回波信号功率相同。算法参数如下：观测时间为150μs，在观测时间内将信号等分为6段，即N＝6；分数阶傅里叶变换的变换阶次p的取值范围为[0,2]；为保证目标检测精度，变换阶次p的步长d_p取为0.002；取区间δ宽度为4倍d_p，E取值为0.005，用于目标识别的第一步判决；目标识别检测序贯门限T为2；FRFT域的峰值所在阶次的上下门限Q₁、Q₂分别取1.14和0.86，序贯检测门限F取2，FRFT域峰值所在阶次对p＝1的标准差门限Q取0.1，用于射频噪声和噪声调频干扰的分类识别。信干噪比取值范围为-20dB～0dB，取40个信干噪比节点进行实验，在每个节点进行100次蒙特卡洛实验来获得分类识别概率。

通过附图2可以看出，线性调频信号在FRFT域具有很强的能量聚集特性；通过附图3、附图4、附图5可以看出，三种压制干扰类型在FRFT域的差异明显；通过附图6可以看出，在FRFT域不同信号类型的峰值所在变换阶次差异明显；附图7、附图8、附图9为在仿真参数条件下的本文算法仿真结果，通过附图7、附图8、附图9可以看出，本发明能够对回波信号进行自适应分类识别，且误判率较低。在相同条件下，对同一信号进行特征提取以及分类识别，基于FRFT域分形特性的压制干扰分类识别算法平均用时15.73s，本发明所提算法平均用时3.43s，计算量明显减小。