有源干扰的识别分类方法、装置、处理机及可读存储介质

摘要

本发明实施例提出一种有源干扰的识别分类方法、装置、处理机及可读存储介质，涉及信号处理技术领域。该方法通过获取第一有源干扰，并根据第一有源干扰采集干扰数据，根据干扰数据提取维度特征，再对维度特征进行特征分析，得到第一特征分析结果，进而根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。通过对有源干扰提取的维度特征进行分析，并根据分析结果进行层次分析，实现了精细化地、全面化地对有源干扰进行识别分类。

说明书

技术领域

本发明涉及信号处理技术领域，具体而言，涉及一种有源干扰的识别分类方法、装置、处理机及可读存储介质。

背景技术

雷达是现代战争中获取目标信息的主要手段之一。自其问世以来，有源干扰的识别分类是雷达的信号处理领域的重要技术之一。随着电子技术的发展，相应的有源干扰理论与技术就在不断地发展。经过近一个世纪的积累，针对雷达的有源干扰无论是在理论基础、技术应用还是系统设计方面都得到了惊人的发展，对雷达构成了严重威胁。

随着数字射频存储(DRFM)技术的出现，更是打破了有源干扰方在面对新体制雷达时的困境。它能够对雷达发射的信号进行实时存储并重复读出，配合可以保留信号相位信息的特性，使许多复杂的有源干扰技术得以实现；此外，通过对截获波形进行调制和延时，基于DRFM的干扰机还可以灵活地对有源干扰参数，甚至是有源干扰技术进行调整和切换，成为现代雷达的巨大威胁。

面对现代有源干扰技术的高效、多变特性，传统的单一有源干扰识别分类技术很难取得稳定的性能，识别性能欠佳，识别类型有限，可靠性较低。因此，寻求一种更精细化、全面化地对有源干扰进行识别分类的方法，变得尤为重要。

发明内容

有鉴于此，本发明的目的在于提供一种有源干扰的识别分类方法、装置、处理机及可读存储介质，实现了精细化地、全面化地对有源干扰进行识别分类。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明提供一种有源干扰的识别分类方法，所述方法包括：

获取第一有源干扰，根据所述第一有源干扰采集干扰数据；

根据所述干扰数据提取维度特征，并对所述维度特征进行特征分析，得到第一特征分析结果；

根据所述第一特征分析结果进行层次分析，以对所述第一有源干扰进行识别分类。

在可选的实施方式中，所述层次分析包括第一层次分析，所述第一有源干扰包括第二有源干扰和第三有源干扰，所述根据所述特征分析结果进行层次分析，以对所述第一有源干扰进行识别分类，包括：

根据预设的统计判决树，对所述第一特征分析结果进行第一层次分析以获得第二特征分析结果和第三特征分析结果，其中所述第二特征分析结果对应所述第二有源干扰，所述第三特征分析结果对应所述第三有源干扰。

在可选的实施方式中，所述层次分析还包括第二层次分析，所述第三有源干扰包括第四有源干扰和第五有源干扰，所述方法还包括：

根据预设的SSD深度学习网络，对所述第三特征分析结果进行第二层次分析以获得第四特征分析结果和第五特征分析结果，其中所述第四特征分析结果对应所述第四有源干扰，所述第五特征分析结果对应所述第五有源干扰。

在可选的实施方式中，所述层次分析还包括第三层次分析，所述第五有源干扰包括第六有源干扰，所述方法还包括：

根据预设的精细化特征参数，对所述五特征分析结果进行第三层次分析以获得第六特征分析结果，其中所述第六特征分析结果对应所述第六有源干扰。

在可选的实施方式中，所述方法包括：

根据所述第二有源干扰、所述第四有源干扰及所述第六有源干扰，生成干扰态势分布图。

在可选的实施方式中，所述获取第一有源干扰，根据所述第一有源干扰采集干扰数据之前，所述方法还包括：

接收信号，根据所述信号进行主副瓣检测。

在可选的实施方式中，所述接收信号，根据所述信号进行主副瓣检测，包括：

接收信号，判断所述信号是否为干扰信号；

在所述信号为干扰信号的情况下，将所述干扰信号确定为第一有源干扰；

根据所述第一有源干扰进行主副瓣检测。

第二方面，本发明提供一种有源干扰的识别分类装置，所述装置包括：

采集模块，用于获取第一有源干扰，根据所述第一有源干扰采集干扰数据；

维度特征提取模块，用于根据所述干扰数据提取维度特征，并对所述维度特征进行特征分析，得到第一特征分析结果；

层次分析模块，用于根据所述第一特征分析结果进行层次分析，以对所述第一有源干扰进行识别分类。

第三方面，本发明提供一种处理机，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施方式任一项所述的方法。

第四方面，本发明提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。

本发明实施例提供的有源干扰的识别分类方法、装置、处理机及可读存储介质，通过获取第一有源干扰，并根据第一有源干扰采集干扰数据，根据干扰数据提取维度特征，再对维度特征进行特征分析，得到第一特征分析结果，进而根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。通过对有源干扰提取的维度特征进行分析，并根据分析结果进行层次分析，实现了精细化地、全面化地对有源干扰进行识别分类。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的有源干扰的识别方法的一种应用环境示意图；

图2示出了本发明实施例提供的处理机的一种方框示意图；

图3示出了本发明实施例提供的有源干扰的识别分类方法的一种流程示意图；

图4示出了图3中步骤S303的子步骤的一种流程示意图；

图5示出了本发明实施例提供的一种有源干扰的识别分类示意图；

图6示出了本发明实施例提供的有源干扰的识别分类方法的另一种流程示意图；

图7示出了本发明实施例提供的有源干扰的识别分类方法的又一种流程示意图；

图8示出了本发明实施例所提供的有源干扰的识别分类装置的一种功能模块图；

图9示出了本发明实施例所提供的有源干扰的识别分类装置的另一种功能模块图。

图标：110-目标雷达；120-处理机；130-雷达阵地；210-存储器；220-处理器；230-通信模块；240-多通道采集模块；250-多路光纤接口模块；401-采集模块；402-维度特征提取模块；403-层次分析模块；4031-第一层次分析单元；4032-第二层次分析单元；4033-第三层次分析单元；404-分布图生成模块；405-主副瓣检测模块；4051-信号判断单元；4052-第一有源干扰确定单元；4053-主副瓣检测单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

请参照图1，为本发明实施例提供的有源干扰的识别方法的一种应用环境示意图。如图1所示，处理机120与目标雷达110通信连接，也可以与目标雷达110电连接，处理机120和雷达阵地130通信连接，也可以与雷达阵地130电连接，本发明实施例对此不进行限制。

在本实施例中，目标雷达110用于接收信号，并将该信号传输给处理机120。处理机120用于在接收到该信号时，对该信号进行分析以得到有源干扰，再进一步对有源干扰进行分析，根据分析结果，对有源干扰进行识别分类，并根据识别分类结果生成生成干扰态势分布图。雷达阵地130用于根据该干扰态势分布图进行管理和控制。

在本实施例中，上述处理机120可以对宽频带带宽为300MHz、频率范围为9～11GHz的X波段的信号进行接收，并支持对水平极化和圆极化信号类型的接收。

需要说明的是，在实际应用中，为了方便应用和携带，上述处理机120可以是便携式的处理机120，其具备体积小、环境适应性强、可动态重组等优点，可安装车载等多种平台上。当然，上述处理机120也可以固定设置于某一位置，本发明实施例对此不进行限制。

请参考图2，是本发明实施例提供的处理机的一种方框示意图。该处理机120包括存储器210、处理器220、通信模块230、多通道采集模块240及多路光纤接口模块250。存储器210、处理器220、通信模块230、多通道采集模块240及多路光纤接口模块250各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

其中，存储器210用于存储程序或者数据。所述存储器210可以是，但不限于，固态硬盘(Solid State Disk或Solid State Drive，SSD)，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。

处理器220可能是一种集成电路芯片，具有信号的处理能力。该处理器220可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、通用处理器(GeneralProcessing Unit，简称GPU)，网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，该处理器220用于读写存储器210中存储的数据或程序，并执行相应的功能。例如，处理器220执行存储器210存储的计算机程序时，可以实现本发明各实施例揭示的有源干扰的识别分类方法。

通信模块230用于通过网络建立上述处理机120与目标雷达110、雷达阵地130之间的通信连接，并用于通过网络收发数据。

在本实施例中，处理机120可以通过多通道采集模块240及多路光纤接口模块250实现数据导入，该多通道采集模块240可以实现宽带中频信号采样、DDC等功能；该多路光纤接口模块250可以实现第三方采集设备的信号或数据导入功能，例如该处理机可以通过多路光纤接口模块250实现从目标雷达110中导入信号或数据。

应当理解的是，图2所示的结构仅为处理机120的结构示意图，所述处理机120还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

本发明实施例还提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器执行时可以实现本发明各实施例揭示的有源干扰的识别分类方法。

现有技术中，技术人员利用干扰信号和真实信号在频谱上的差异对某些有源干扰进行识别，如可以利用频谱上的差异对有源干扰中的欺骗干扰进行识别；技术人员还利用双谱特征，并结合模式识别技术，对有源干扰中部分干扰进行识别；技术人员还利用发射验证信号来对检测的目标进行验证，进而对有源干扰进行识别。但是现有技术中的方法，识别性能欠佳，且识别类型有限，可靠性较低。

基于上述问题，为了实现精细化地、全面化地对有源干扰进行识别分类，本发明实施例提供了一种有源干扰的识别分类方法，图3为本发明实施例提供的有源干扰的识别分类方法的一种流程示意图。该方法包括：

步骤S301，获取第一有源干扰，根据第一有源干扰采集干扰数据。

可选的，该第一有源干扰为信号，可以理解的是，为了方便对该第一有源干扰进行识别分类，需要将该信号进行数据采集，以得到干扰数据。

步骤S302，根据干扰数据提取维度特征，并对维度特征进行特征分析，得到第一特征分析结果。

可选的，将干扰数据提取并转换为一组具有明显物理意义或者统计意义的维度特征，以方便进行特征分析，并以此得到第一特征分析结果。

可选的，上述维度特征包括：时域特征、频域特征、信号处理域特征及空域特征等维度特征。

步骤S303，根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。

可选的，根据对维度特征分析后得到的第一特征分析结果，再进一步地进行层次分析，即可对第一有源干扰进行识别分类，进而得到第一有源干扰的类型。

本发明实施例提供的一种有源干扰的识别分类方法，通过获取第一有源干扰，并根据第一有源干扰采集干扰数据，根据干扰数据提取维度特征，再对维度特征进行特征分析，得到第一特征分析结果，进而根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。通过对有源干扰提取的维度特征进行分析，并根据分析结果进行层次分析，实现了精细化地、全面化地对有源干扰进行识别分类。

为了根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类，请参阅图4，图4为图3中步骤S303的子步骤的一种流程示意图。

上述步骤S303，包括：

步骤S3031，根据预设的统计判决树，对第一特征分析结果进行第一层次分析以获得第二特征分析结果和第三特征分析结果，其中第二特征分析结果对应第二有源干扰，第三特征分析结果对应第三有源干扰。

可选的，根据基础的统计判决树，可以通过输入样本数据进行试验并分析，得到判决节点的维度特征的判决门限，再根据判决门限由上到下的构建统计判决树，以此将该构建的统计判决树作为预设的统计判决树。

在本实施例中，上述判决门限为技术专家通过对样本数据的维度特征进行分析获得，根据不同有源干扰的类型，设置相应的判决门限，当维度特征满足某一判决门限时，则识别分类出满足该判决门限的第二有源干扰，进而获得满足该判决门限的第二有源干扰的类型。

可选的，该第一有源干扰包括第二有源干扰和第三有源干扰，根据上述预设的统计判决树，对维度特征分析后得到的第一特征分析结果进行第一层次分析以获得第二特征分析结果和第三特征分析结果，该第二特征分析结果表征实现了对上述第一有源干扰的初步识别，从第一有源干扰中识别分类了部分有源干扰的类型，该第二特征分析结果对应的第二有源干扰，即为实现了识别分类的部分有源干扰的类型。可以理解的是，该第三特征分析结果对应第三有源干扰，即为未实现识别分类的部分有源干扰的类型。

可选的，该第二有源干扰包括：宽带噪声干扰、扫频干扰、灵巧噪声干扰、间歇采样转发等有源干扰类型，可以理解的是，通过上述步骤S3031可以实现宽带噪声干扰、扫频干扰、灵巧噪声干扰、间歇采样转发等第二有源干扰中的一个或多个第二有源干扰的分类识别，本发明对此不进行限定。

为了便于理解上述通过对维度特征进行特征分析，以此进行层次分析的过程，请参阅图5，图5为本发明实施例提供的一种有源干扰的识别分类示意图。

其中，请结合图1，上述图1中的处理机120获取到第一有源干扰时，采集其中干扰数据，对干扰数据进行特征提取，根据特征提取到的时域特征、频域特征、信号处理域特征及空域特征等维度特征进行第一层次分析，具体为，通过预设的统计判决树识别分类出部分有源干扰的类型，如：宽带噪声干扰、扫频干扰、灵巧噪声干扰、间歇采样转发等；进一步的，通过后续第二层次分析和第三层次分析对其他的为未实现识别分类的部分有源干扰的类型进行识别分类。下面，请结合图5，继续参阅图4：

步骤S3032，根据预设的SSD深度学习网络，对第三特征分析结果进行第二层次分析以获得第四特征分析结果和第五特征分析结果，其中第四特征分析结果对应第四有源干扰，第五特征分析结果对应第五有源干扰。

可选的，根据基础的SSD深度学习网络，可以通过预设默认框，选取需要训练的样本数据，其中，该样本数据可以为需要识别分类的有源干扰的维度特征，该基础的SSD深度学习网络根据样本数据进行训练，获取训练后的SSD深度学习网络模型，将该SSD深度学习网络模型作为预设的SSD深度学习网络。

在本实施例中，上述样本数据为技术专家通过对需要识别分类的有源干扰的维度特征进行分析获得，可以理解的是，在实际运用时，上述预设的SSD深度学习网络即可根据第三特征分析结果，分类识别出满足该预设的SSD深度学习网络的第四有源干扰，进而获得满足该预设的SSD深度学习网络的第四有源干扰的类型。

可选的，该第三有源干扰包括第四有源干扰和第五有源干扰，根据上述预设的SSD深度学习网络，对第三特征分析结果进行第二层次分析以获得第四特征分析结果和第五特征分析结果，该第四特征分析结果表征实现了对上述第三有源干扰的进一步识别，从第三有源干扰中识别分类了部分有源干扰的类型，该第四特征分析结果对应的第四有源干扰，即为实现了识别分类的另一部分有源干扰的类型。可以理解的是，该第五特征分析结果对应第五有源干扰，即为未实现了识别分类的另一部分有源干扰的类型。

可选的，该第四有源干扰包括：随机假目标、切片转发干扰等有源干扰类型，可以理解的是，通过上述步骤S3032可以实现随机假目标、切片转发干扰等第四有源干扰中的一个或多个第四有源干扰的分类识别，本发明对此不进行限定。

步骤S3033，根据预设的精细化特征参数，对五特征分析结果进行第三层次分析以获得第六特征分析结果，其中第六特征分析结果对应第六有源干扰。

可选的，该第五有源干扰包括第六有源干扰，根据预设的精细化特征参数，对第五特征分析结果进行第三层次分析以获得第六特征分析结果，该第六特征分析结果表征实现了对上述第五有源干扰的进一步识别，从第五有源干扰中识别分类了剩下的有源干扰的类型，该第六特征分析结果对应的第六有源干扰，即为实现了识别分类的剩下的有源干扰的类型。

在本实施例中，上述精细化特征参数为技术专家通过对需要识别分类的有源干扰的维度特征进行分析获得，进而得到预设的精细化特征参数。

可选的，该第六有源干扰包括：距离拖引、速度拖引等有源干扰类型，可以理解的是，通过上述步骤S3033可以实现距离拖引、速度拖引等第六有源干扰中的一个或多个第六有源干扰的分类识别，本发明对此不进行限定。

需要说明的是，在实际应用中，有可能仅通过步骤S3031即可完成第一有源干扰的识别分类；也有可能仅通过步骤S3031、步骤S3032即可完成第一有源干扰的识别分类；还有可能通过步骤S3031、步骤S3032及步骤S3033才能完成第一有源干扰的识别分类。完成第一有源干扰的识别分类所需的步骤根据具体的实际情况决定，本发明对此不进行限定。

为了给后续的管理和控制提供客观、直接的分析数据，在图3的基础上，给出一种可能的实现方式，如图6，图6为本发明实施例提供的有源干扰的识别分类方法的另一种流程示意图。在步骤S303之后，该方法还包括：

步骤S304，根据第二有源干扰、第四有源干扰及第六有源干扰，生成干扰态势分布图。

可选的，在对第一有源干扰进行分类识别后，还需要根据分类识别出的第二有源干扰、第四有源干扰及第六有源干扰生成干扰态势分布图，以此为后续的管理和控制提供客观、直接的分析数据。

可选的，分类识别后的第二有源干扰、第四有源干扰及第六有源干扰，不仅包括第二有源干扰、第四有源干扰及第六有源干扰的类型，还包括第二有源干扰、第四有源干扰及第六有源干扰的强度和方位，其中第二有源干扰、第四有源干扰及第六有源干扰的强度根据维度特征中的信号处理域特征获得，第二有源干扰、第四有源干扰及第六有源干扰的方位根据维度特征中的空域特征获得。

为了实现全面化地检测有源干扰，在图3的基础上，给出一种可能的实现方式，如图7，图7为本发明实施例提供的有源干扰的识别分类方法的又一种流程示意图。在步骤S301之后，该方法还包括：

步骤S305，接收信号，根据信号进行主副瓣检测。

可选的，为了全面化地判断接收的信号是否为第一有源干扰，基于此，上述步骤S305包括：

步骤S3051，接收信号，判断信号是否为干扰信号。

可选的，接收到的信号包括目标信号和干扰信号。

步骤S3052，在所信号为干扰信号的情况下，将干扰信号确定为第一有源干扰。

可选的，干扰信号包括无源干扰和有源干扰，在本实施例中，仅接收有源干扰，可以理解的是，在判断出信号为干扰信号时，即可将该干扰信号确定为第一有源干扰。

步骤S3053，根据第一有源干扰进行主副瓣检测。

可选的，在该信号为干扰信号的前提下，根据该干扰信号确定的第一有源干扰进行主副瓣检测，判断该第一有源干扰来自主瓣或者副瓣，又或者主瓣和副瓣都有，以实现全面化地对第一有源干扰进行识别分类。

请参考图8，是本发明实施例所提供的有源干扰的识别分类装置的一种功能模块图。该有源干扰的识别分类装置包括：采集模块401、维度特征提取模块402及层次分析模块403。

可选地，上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器210中或固化于该有源干扰的识别分类的操作系统(Operating System，OS)中，并可由图1中的处理器220执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器210中。

采集模块401，用于获取第一有源干扰，根据第一有源干扰采集干扰数据。

可以理解，该采集模块401可以执行上述步骤S301。

维度特征提取模块402，用于根据干扰数据提取维度特征，并对维度特征进行特征分析，得到第一特征分析结果。

可以理解，该维度特征提取模块402可以执行上述步骤S302。

层次分析模块403，用于根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。

可以理解，该层次分析模块403可以执行上述步骤S303。

可选的，请参阅图9，是本发明实施例所提供的有源干扰的识别分类装置的另一种功能模块图。该有源干扰的识别分类装置还包括：分布图生成模块404、主副瓣检测模块405。上述层次分析模块403包括：第一层次分析单元4031、第二层次分析单元4032及第三层次分析单元4033；主副瓣检测模块405包括：信号判断单元4051、第一有源干扰确定单元4052及主副瓣检测单元4053。

第一层次分析单元4031，用于根据预设的统计判决树，对第一特征分析结果进行第一层次分析以获得第二特征分析结果和第三特征分析结果，其中第二特征分析结果对应第二有源干扰，第三特征分析结果对应第三有源干扰。

可以理解，该第一层次分析单元4031可以执行上述步骤S3031。

第二层次分析单元4032，用于根据预设的SSD深度学习网络，对第三特征分析结果进行第二层次分析以获得第四特征分析结果和第五特征分析结果，其中第四特征分析结果对应第四有源干扰，第五特征分析结果对应第五有源干扰。

可以理解，该第二层次分析单元4032可以执行上述步骤S3032。

第三层次分析单元4033，用于根据预设的精细化特征参数，对五特征分析结果进行第三层次分析以获得第六特征分析结果，其中第六特征分析结果对应第六有源干扰。

可以理解，该第三层次分析单元4033可以执行上述步骤S3033。

分布图生成模块404，用于根据第二有源干扰、第四有源干扰及第六有源干扰，生成干扰态势分布图。

可以理解，该分布图生成模块404可以执行上述步骤S304。

主副瓣检测模块405，用于接收信号，根据信号进行主副瓣检测。

可以理解，该主副瓣检测模块405可以执行上述步骤S305。

信号判断单元4051，用于接收信号，判断信号是否为干扰信号。

可以理解，该信号判断单元4051可以执行上述步骤S3051。

第一有源干扰确定单元4052，用于在信号为干扰信号的情况下，将干扰信号确定为第一有源干扰。

可以理解，该第一有源干扰确定单元4052可以执行上述步骤S3052。

主副瓣检测单元4053，用于根据第一有源干扰进行主副瓣检测。

可以理解，该主副瓣检测单元4053可以执行上述步骤S3053。

本发明实施例提供的一种有源干扰的识别分类装置，通过采集模块获取第一有源干扰，并根据第一有源干扰采集干扰数据，维度特征提取模块根据干扰数据提取维度特征，再对维度特征进行特征分析，得到第一特征分析结果，进而层次分析模块根据第一特征分析结果进行层次分析，以对第一有源干扰进行识别分类。通过对有源干扰提取的维度特征进行分析，并根据分析结果进行层次分析，实现了精细化地、全面化地对有源干扰进行识别分类。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起生成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成生成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。