基于经验模态分解特征库的拖引干扰子类型识别方法
【技术领域】
[0001] 本发明属于雷达抗干扰技术领域，涉及一种基于经验模态分解特征库的拖引干扰 子类型识别方法，适用于拖引干扰与目标信号混合情况下的拖引干扰子类型识别。
【背景技术】
[0002] 在有源干扰中，拖引干扰是现代战争中较为常用、干扰效果较好、产生较为容易的 干扰样式。在复杂的电子干扰环境下，使雷达系统尽快识别出所面临的干扰信号类型，进而 选择出最有效的抗干扰方法进行对抗，已成为雷达抗干扰技术发展的一个重要方向。虽然 现有的雷达一般都装备有特定的抗干扰措施，但由于雷达几乎不具有干扰识别的能力，无 法判断干扰类型，也就不能在最短的时间内选取最合适的抗干扰手段，来减少干扰带来的 影响，因此，干扰类型识别是抗干扰过程的基础。
[0003]目前，关于干扰类型识别方法，国内外的研究成果主要有两类：一类是基于极大 似然准则的干扰类型识别方法，另一类是基于对回波信号进行特征提取的干扰类型识别方 法。其中，第一类方法的运算量较大，在工程中的实现较为困难；第二类方法利用各类干 扰在不同时域、频域、时频域、极化域等领域的特征参数之间的差异对各类干扰信号进行识 另IJ，其基本思路为：首先对干扰信号进行特征提取，然后基于所提取的特征识别干扰的类 型。
[0004] 1997年，W.D.Blair等人根据真实目标回波幅度服从瑞利分布（Rayleigh分布） 且距离拖引干扰（RGP0)的幅度在一次扫描期间内无起伏的特点，提取信号的幅度特征参 数并利用广义极大似然检测模型较为有效地区分RGP0与真实目标。但该方法只能对距离 拖引干扰具有一定的识别能力，对其他拖引干扰子类型不能进行识别。
[0005] 2002年，LingLu等人提出了时频分析特征提取方法，该方法直接在原始信号上进 行特征提取，虽然对拖引干扰子类型达到了一定程度的识别，但该方法没有考虑原始信号 的多层次特性，其干扰识别能力仍然有限。
【发明内容】
[0006] 针对上述现有技术的不足，本发明的目的在于提出一种基于经验模态分解特征库 的拖引干扰子类型识别方法，考虑了原始信号的多层次性，解决在拖引干扰与目标信号混 合的情况下，对拖引干扰子类型进行识别时存在的提取特征区分度不佳和识别能力较差的 问题。
[0007] 为达到上述技术目的，本发明采用以下技术方案予以实现。
[0008] -种基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，包括以 下步骤：
[0009] 步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类： 第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合 信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号 为距离-速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行&次蒙 特卡洛实验；在每一次蒙特卡洛试验中，均提取Si个不同干噪比（JNR)下，相同数目的上述 四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，Sif不同干噪比下的四类 一维训练数据；
[0010] 步骤2,将步骤1得到的S4次蒙特卡洛实验中，Si个不同干噪比下的四类一维训练 数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，Si个不同 干噪比下幅度归一化后的四类一维训练数据对应的本征模函数（MF)集；
[0011] 步骤3,根据步骤2得到的S4次蒙特卡洛实验中，Sif不同干噪比下幅度归一化后 的四类一维数据对应的本征模函数集；从每个本征模函数集中选取前&个本征模函数；分 别从S3个本征模函数中提取出四类特征：频域矩偏度a、噪声因子A1、噪声因子A2、能量比 重ER;
[0012] 步骤4,根据步骤3得到的S4次蒙特卡洛实验中，Sif不同干噪比下幅度归一化后 的四类一维训练数据中对应的前S3个本征模函数中提取出的四类特征，选择出\次蒙特卡 洛实验中，Si个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特 征值；
[0013] 步骤5,根据步骤4所得的S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化 后的四类一维训练数据对应的四类特征的典型特征值，建立四类雷达回波信号的典型特征 库；
[0014] 步骤6,雷达接收干噪比在-10dB到15dB范围内的回波测试数据，将该回波测试数 据进行幅度归一化预处理，得到幅度归一化后的一维测试数据；
[0015] 步骤7,将步骤6得到的幅度归一化后的一维测试数据进行经验模态分解，得到一 维测试数据的m'个本征模函数；
[0016] 步骤8,从步骤7得到的一维测试数据的m'个本征模函数的第一个本征模函数中 提取四类特征，即频域矩偏度a'、噪声因子A1'、噪声因子A2'、能量比重ER'，将得到 的四个特征值组成一维测试特征向量；
[0017] 步骤9,将步骤8得到的一维测试特征向量与典型特征库内的数据进行数据信息 匹配，识别出回波测试数据的信号类别，即识别出拖引干扰子类型；
[0018] 9. 1计算一维测试特征向量与特征库内第1到第24行典型特征向量间的欧式距 离，分别为山，d2，…，d24;
[0019] 9. 2利用距离加权K最近邻分类方法识别回波测试数据的信号类别，距离加权K最 近邻分类方法的具体子步骤为：
[0020] 9. 2. 1从24个欧氏距离山，d2，…，d24中，确定K个最小的欧氏距离；将K个最小的 欧氏距离对应的典型特征库的K个典型特征向量，作为一维测试特征向量的K个最近邻，K 个最近邻组成的集合为Dz;
[0021] 9. 2. 2设一维测试特征向量的类标号y' (y'的可能取值为1，2, 3, 4)，可用如下 公式计算y':
[0022]
[0023] 其中，v是类标号，y]是一维测试特征向量的第j个最近邻的类标号，j= 1，2,. . .，K;I( ?)是指示函数，如果括弧中的等式为真，则I( ?)取值为1，否则I( ?)取值 为0 ;W]= 1/d/，d,为一维测试特征向量的第j个最近邻对应的欧式距离。
[0024] 与现有技术相比，本发明具有以下优点：
[0025] 1)本发明利用经验模态分解算法，提取信号更多的特征参数，并选择区分度较好 的信号特征，实现对三类拖引干扰子类型的较好的识别。
[0026] 2)本发明建立了典型特征库对三类拖引干扰子类型进行识别，考虑了数据的多层 次性，识别能力更高，识别效果更佳。
【附图说明】
[0027] 下面结合【附图说明】和【具体实施方式】对本发明作进一步详细说明。
[0028] 图1是本发明的拖引干扰子类型识别流程图。
[0029] 图2是从第1次蒙特卡洛实验中，第1个干噪比条件下，经过幅度归一化后的第 一类一维训练数据，经过经验模态分解得到的第1个本征模函数中提取的四类特征的流程 图。
[0030] 图3是本发明与原始数据提取特征识别方法分别对三类拖引干扰以及目标的识 别结果比较图，横坐标为干噪比，单位为分贝（dB)，纵坐标为识别率，其中：
[0031] 图3a为本发明与原始数据提取特征识别方法对距离拖引干扰与目标信号的混合 信号在不同干噪比下的识别结果图；
[0032] 图3b为本发明与原始数据提取特征识别方法对速度拖引干扰与目标信号的混合 信号在不同干噪比下的识别结果图；
[0033] 图3c为本发明与原始数据提取特征识别方法对距离-速度同步拖引干扰与目标 信号的混合信号在不同干噪比下的识别结果图；
[0034] 图3d为本发明与原始数据提取特征识别方法对目标信号在不同干噪比下的识别 结果图。
【具体实施方式】
[0035] 参照图1，本发明的基于经验模态分解特征库的拖引干扰子类型识别方法，包括以 下步骤：
[0036] 步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类： 第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合 信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号 为距离-速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行&次蒙 特卡洛实验；在每一次蒙特卡洛试验中，分别提取Si个不同干噪比（JNR)下相同数目的上 述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，Si个不同干噪比下的四 类一维训练数据。
[0037] 本发明实例中，针对距离拖引干扰与目标信号的混合信号、速度拖引干扰与目标 信号的混合信号、距离-速度同步拖引干扰与目标信号的混合信号以及目标信号，对已知 的雷达回波信号进行S4= 500次蒙特卡洛实验；每一次蒙特卡洛实验中，均提取S6个 不同干噪比（JNR1 = -10dB、JNR2 = -5dB、JNR3 = 0dB、JNR4 = 5dB、JNR5 = 10dB、JNR6 = 15dB)下20个上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，上述6个 不同干噪下的四类一维训练数据。
[0038] 步骤2,将步骤1得到的S4次蒙特卡洛实验中，Si个不同干噪比下的四类一维训练 数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，Si个不同 干噪比下幅度归一化后的四类一维训练数据对应的本征模函数（MF)集。
[0039] 步骤2的具体子步骤为：
[0040] 2. 1对第1次蒙特卡洛实验中，在第1个干噪比（JNR1 = -10dB)下的四类一维 训练数据，分别进行幅度归一化预处理，得到幅度归一化后的四类一维训练数据，分别为 x1(t)a2(t)a3(t)a4(t)；
[0041] 2. 2对第1次蒙特卡洛实验中，在第1个干噪比（JNR1 = -10dB)下幅度归一化后 的第一类一维训练数据