一种基于投影变换的干扰特征提取方法与流程

本发明涉及一种干扰特征提取方法，特别涉及一种基于投影变换的干扰特征提取方法。

背景技术：

现代军事电子技术的一个重要特点，就是各种武器装备越来越广泛的采用和依赖于无线电技术。各种武器装备威力的发挥，战区的监视和警戒，诸兵种协同作战的调配、联系和控制等，都越来越多的依赖于雷达的效能，因而，电子战已成为现代战争的又一维战场，压制式和欺骗式有源电子干扰将贯穿战争的全过程，使雷达面临着越来越复杂的电磁环境。

近年来迅速发展起来的综合电子干扰技术，以干扰样式多、使用灵活、对抗性强等特点对雷达构成了严重威胁。因此，在复杂的现代电磁环境中，雷达要完成预警、制导、导航、战场监控等诸多作战任务，不但要具有良好的抗干扰性能，装备对付不同干扰类型的抗干扰措施，而且必须具有高度的灵活性和智能性，使雷达系统在复杂的干扰环境中，能实时而自动地根据所面临的干扰信号类型、样式和特点，有针对地选择抗干扰措施进行对抗，以保证雷达处于正常的工作状态。

就以往的雷达系统而言，往往需要雷达操作员根据雷达显示器画面以自己的经验来判断雷达遭受干扰的情况，并通过相应的操作来控制实施相应抗干扰措施。但面对如今快速的作战要求，这样人为、单一、主观的雷达反对抗措施已经很难适应当前电子战的发展水平。而现代电子技术的快速发展，特别是在自动控制与检测技术领域上的长足进步，使得在复杂干扰环境下实时地进行智能化的反对抗成为可能。因此，对雷达智能抗干扰技术进行深入研究，并对其有效性进行科学评估，已成为十分急迫和意义重大的任务。

国外80年代初期就开始了以智能技术寻求雷达抗干扰新方法的研究，目前在抗有源干扰方面已经取得了一定的进展，主要表现在利用智能技术实现对目标和干扰信号特征的分析和提取、对干扰和杂波的建模以及对目标和干扰的分类。

国内研究与国外的差距主要体现在：

(1)研究起步时间晚。国外早在20世纪80年代初期就开始了智能方法用于雷达抗干扰的研究，国内由于前期重视不够，投入的经费和人力少，一直到90年代中期，才进行了一些相关的研究；

(2)研究不够系统。国外将多种方法与技术相互融合，用于雷达抗干扰，如将时频分析与神经网络方法相结合，遗传算法与神经网络相结合。目前，国内开展的雷达抗干扰新方法、新技术的研究还都相对比较孤立，研究的深度还有较大的差距；

(3)试验验证与应用有差距。发达国家的理论研究成果大多已成功运用于军事装备，实现了理论方法与装备的实际结合，国内许多新的理论方法还没有很好的与武器装备相结合。

技术实现要素：

发明目的：本发明的目的是设计一种算法简单、适用性强、效果良好、且适合工程实现的一种干扰特征提取方法。

本发明方案的实施步骤如下：

步骤1，计算雷达参数；

步骤2，干扰感知：感知干扰环境，判定干扰是否存在；

步骤3，干扰定位：计算干扰方位中心和干扰强度，定位干扰源；

步骤4，投影变换：选择干扰强度集中区域的干扰数据，采用投影变换方法，计算投影特征矩阵；

步骤5，干扰斜率特征提取：对投影特征矩阵进行特征统计，分析方位上的特征分布，计算干扰斜率特征；

步骤6，将干扰斜率特征反馈给雷达系统。

步骤1包括：根据雷达的触发周期和天线转速，将雷达扫描区域划分为一个以上的方位单元，获取每个方位单元上的噪声均值，即方位噪声功率Power(x,y)，x表示雷达数据距离纬度，y表示雷达数据方位纬度；通过对所有方位单元数据计算最小值，得到噪声估值Noise。

步骤2包括：将雷达数据作为二维图像，用x代表雷达数据距离纬度，y表达雷达数据方位纬度，将方位噪声功率Power(x,y)与阈值Gate比较，阈值Gate由噪声估值Noise决定，噪声估值越大则阈值越大，判定干扰数据超过阈值的方位存在干扰。

步骤4包括：通过干扰源强度分布信息，确定干扰强度集中的区域作为干扰特征分析数据Data(x,y)，通过对方位单元数据的投影变换计算，获得特征向量组合，构成投影特征矩阵FeatureMtrix(r,θ)，其中，r表示投影变换计算单元数，θ表示投影角度。

步骤5包括：对投影特征矩阵进行中值滤波，消除图像中的椒盐噪声带来的影响，得到滤波后的投影矩阵FilterData(r,θ)，公式如下：

FilterData(r,θ)＝close[FeatureMtrix(r,θ),SE]，

其中，close是形态滤波闭运算滤波器，SE是图形滤波的结构算子，

将投影矩阵FilterData(r,θ)在方位上的所有投影变换计算单元r的特征值进行求和累加，得到方位累积函数SumVec(θ)，公式如下：

$\mathrm{SumVec}\left(\mathrm{\θ}\right)=\underset{r}{\mathrm{\Σ}}\mathrm{FilterData}(r,\mathrm{\θ}),$

计算方位累积函数SumVec(θ)的极大值，即为干扰斜率特征。

有益效果：本发明与现有技术相比，具有以下显著优点：(1)本方法保证雷达受到异步干扰的条件下，通过特征分析的方法，自动判别干扰是否存在。(2)当存在异步干扰时，本方法能够准确提取异步干扰的强度、方位分布、斜率特征等特征参数，提供给雷达系统进行后续抗干扰决策和干扰抑制处理，保障雷达在干扰环境下目标检测和录取跟踪能力。(3)本发明提供了一种基于投影变换的干扰特征提取方法，原理简单，设计方便，实时性好，适合工程实现。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是处理流程图。

图2是噪声均值估计和干扰能量分布示意图。

图3是某雷达数据。

图4是投影特征矩阵。

图5是投影特征矩阵的方位累积函数。

具体实施方式

本发明的目的是设计一种算法简单、适用性强、效果良好、且适合工程实现的一种干扰特征提取方法。

下面结合附图对本发明方案作进一步详细描述。

图1是整体的处理流程图。结合图1，本发明方法包括以下步骤：

1.计算雷达参数：根据雷达的工作模式和系统参数，计算雷达方位噪声功率、噪声功率均值等参数。将雷达扫描区域划分为若干方位单元，获取每个方位单元上的噪声均值，即方位噪声功率；通过对所有方位单元数据采用选小处理，得到噪声估值Noise。噪声均值估计和干扰能量分布见图2。

2.干扰感知：将雷达数据看做二维图像，则x代表雷达数据距离纬度，y表达数据方位纬度。将方位噪声功率估计Power(x,y)与阈值Gate比较，阈值由噪声估值Noise决定，噪声估值越大则阈值越大。干扰数据的超过阈值的方位认为存在干扰。

3.干扰定位：计算方位噪声功率估计Power(x,y)与阈值Gate的比较结果，依据超过阈值的数据确定干扰方位中心、强度，定位干扰源。

4.投影变换：通过干扰源强度分布信息，确定干扰强度集中的区域作为干扰特征分析数据Data(x,y)。

对干扰数据Data(x,y)沿着角度θ方向上做投影变换。如果将图像看成二维函数，则其投影就是在特定方向上的线性积分。将干扰数据Data看成一个二维函数f(x,y)，则其在垂直方向上的线性积分就是其在x轴上的投影，在水平方向上的线积分就是其在y轴上投影。通过这些投影变换，计算干扰数据Data在角度θ方向上的投影特征向量FeatureVector(r,θ)。其中，r包含了x轴和y轴的所有计算数据。

通过对0～90方位数据的依次投影变换计算，获得0～90方位上的特征向量组合，构成投影特征矩阵FeatureMtrix(r,θ)。投影特征矩阵的图像见图4所示。

5.干扰斜率特征提取：对投影特征矩阵FeatureMtrix(r,θ)进行图形滤波处理，消除图像中的椒盐噪声带来的影响，得到滤波后的投影矩阵FilterData：

FilterData(r,θ)＝close[FeatureMtrix(r,θ),SE]

其中，close是形态滤波闭运算滤波器，SE是图形滤波的结构算子。

计算投影特征数据FilterData(r,θ)在方位上的方位累积函数SumVec(θ)：

$\mathrm{SumVec}\left(\mathrm{\θ}\right)=\underset{r}{\mathrm{\Σ}}\mathrm{FilterData}(r,\mathrm{\θ}),$

计算方位累积函数的极大值，即为干扰斜率特征。

6.将干扰斜率特征反馈给雷达系统。

下面结合实施例对本发明做进一步详细的描述：

实施例

1.对图3所示的雷达实测数据分析，雷达工作在MTI体制，距离分辨单元30m，距离单元4000(合计120km)，天线扫描6转/分钟，脉冲重复频率300Hz，采集数据字长8位(0-255).将雷达扫描360°区域划分为4096个方位单元，获取每个方位单元上的噪声均值，即方位噪声功率；通过对所有方位单元数据采用选小处理，得到噪声估值。经过计算，噪声功率均值18，雷达方位噪声功率见图2。

2.感知干扰环境：将方位噪声功率估计与阈值比较，阈值由噪声估值决定，噪声估值18，阈值取值为20，超过阈值的方位认为存在干扰影响。

3.干扰定位：比较方位噪声功率估计与阈值，依据超过阈值的数据确定干扰方位中心、强度，定位干扰源。经过计算，干扰方位分布在450、2200、2450、2900方位单元，干扰强度分别为40、30、28、25.

4.投影变换：通过干扰源强度分布信息，确定干扰强度集中的区域作为干扰特征分析数据Data(x,y)。这里取方位单元2100～2500，距离单元2800～3200雷达数据。通过对0～90方位数据的依次投影变换计算，获得0～90方位上的特征向量组合，构成投影特征矩阵FeatureMtrix(r,θ)。

5.干扰斜率特征提取：对投影特征矩阵FeatureVector进行图形滤波处理，消除图像中的椒盐噪声带来的影响，得到滤波后的投影矩阵FilterData。图形滤波的结构因子取值为30×5，也就是说距离上30个单元宽度，方位上5个单元宽度。计算投影特征数据FilterData(r,θ)在方位上的方位累积函数SumVec(θ)，计算干扰斜率特征。如图5所示，方位累积函数的极大值为66°附近。

6.将干扰特征信息上报给雷达系统，作为雷达系统后续决策参考。

可以看到，基于投影变换的干扰特征提取方法，当存在异步干扰时，本方法能够准确提取异步干扰的强度、方位分布、斜率特征等特征参数，提供给雷达系统进行后续抗干扰决策和干扰抑制处理，保障雷达在干扰环境下目标检测和录取跟踪能力。

本发明提供了一种基于投影变换的干扰特征提取方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。