基于谱图平均时间特征的间歇采样转发干扰识别方法与流程

本发明属于雷达对抗干扰技术领域，涉及一种间歇采样转发干扰识别方法，特别涉及一种对间歇采样转发干扰信号的雷达干扰识别方法，可用于雷达对间歇采样转发干扰信号的对抗识别。

背景技术：

基于数字射频存储(digitalradiofrequencymemory，drfm)技术的间歇采样转发干扰(interruptedsamplingandrepeaterjamming)是针对线性调频脉冲压缩雷达而提出的，干扰机通过对接收到的雷达信号进行间歇性“欠采样”处理，基于天线收发分时体制，巧妙地利用脉冲压缩雷达的脉内相干性，复制出与雷达发射信号具有相当大的相干处理增益的干扰信号，可以产生多个逼真假目标，在一定条件下还可以产生压制干扰的效果，为雷达的检测与跟踪带来巨大的挑战。随着应用逐渐广泛，间歇采样转发干扰得到不断改进，在间歇采样直接转发干扰(interruptedsamplinganddirectrepeaterjamming,isdj)的基础上，又发展出间歇采样重复转发干扰(interruptedsamplingandrepeatrepeaterjamming,isrj)和间歇采样循环转发干扰(interruptedsamplingandcirclerepeaterjamming,iscj)样式，可以实现对多种新体制雷达的干扰。间歇采样转发干扰是目前一种主流的干扰样式，一方面可以对雷达进行噪声压制，同时也可以产生多假目标进行速度、距离欺骗。

间歇采样转发干扰包括间歇采样直接转发干扰、间歇采样重复转发干扰和间歇采样循环转发干扰三种样式。间歇采样直接转发干扰是指干扰机截获到雷达信号后，高保真采样其中一小段信号并马上进行转发，然后再采样、转发下一段，采样与转发分时交替工作。间歇采样重复转发干扰是指干扰机采样到雷达发射的一小段信号后，按照干扰机设定的次数重复读出当前采样信号并转发，然后再采样一小段信号并重复进行转发，如此重复上述过程，直到雷达脉冲结束。间歇采样循环转发干扰是指第1次采样后，转发第1次采样信号，接着进行第2次采样，转发第2次采样信号后再转发存储的第1次采样信号，第3次采样后转发第3次采样信号后再把存储的前2次信号按采样顺序进行逆序转发，依此类推，直到雷达脉冲结束。

干扰识别是抗干扰流程中的关键环节，采取有效抗干扰措施的前提是对干扰类型进行正确的分类识别。对干扰类型进行分类识别主要从识别准确率和识别效率两个方面考虑，一方面要提高干扰识别准确率，只有对干扰类型进行准确的识别，后续才能提供精准有效的干扰对抗方式，另一方面要提高干扰识别效率，干扰识别过程中必须能够快速准确的识别干扰类型，具有实时性，以应对瞬息万变的电磁干扰环境。

目前关于雷达干扰识别的已有方法大多是从信号处理的角度出发，提取不同的干扰信号在多个变换域上的特征参数，得到干扰信号幅度、相位、频率、能量、波形等多方面的信息，这些信息反映了不同种类信号之间的差异性。一般随着噪声功率增大，代表信号特点的特征参数越不容易提取，当噪声功率增强到一定程度时，信号将淹没在噪声之中，特征参数不能被提取。雷达一般工作在复杂的电磁环境中，因此，为了提高干扰信号的识别准确率，特征参数应该一方面要对噪声的敏感性要低，即特征参数应该随干噪比的增大变化不大，另一方面特征参数在各类信号之间的区分性大。

比如，周超等人于2017年在《信号处理》上发表了一篇题为“drfm间歇采样转发干扰辨识方法研究”的文章，公开了一种基于滑动截断匹配滤波的间歇采样转发干扰识别方法，该方法首先通过对匹配滤波器的参考窗宽度和延时进行二维搜索，输出脉压后的二维幅度分布；然后基于该幅度分布对干扰切片宽度和转发周期进行估计；并通过分析切片宽度与转发周期之间的关系，实现典型转发式干扰的辨识。但是，该方法仅在干噪比大于5db时，正确识别概率不低于90％，而在干噪比较小时识别准确率较低。

技术实现要素：

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于谱图平均时间特征的间歇采样转发干扰识别方法，用于解决现有技术中存在的低干噪比下识别准确率较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取时域雷达检测信号集x：

(1a)设雷达发射机发射的l个信号为s0(t)＝{s0(t1)，s0(t2)，…,s0(tl)，…,s0(tl)}，雷达接收机接收s0(t)经目标反射后包含有高斯白噪声的目标信号为s(t)＝{s(t′1),s(t'2),…,s(t'l),…,s(t'l)}，其中，s0(tl)表示第l个发射信号，s(t′l)表示s0(tl)反射的目标信号：

s(t′l)＝n(t′l)+s0(t′l)exp(jwdt′l)

其中，l≥1000，tl表示s0(tl)的发射时间，t表示s0(tl)的脉冲宽度，表示矩形窗函数，exp[·]表示以e为底的指数函数，j表示虚数单位，ws表示载频，π表示圆周率，k表示脉冲调频斜率，b表示s0(tl)的带宽，t′l＝tl-δt表示s(t′l)的时间，δt表示时延，r0表示目标与雷达之间的距离，c表示光速，n(t′l)表示高斯白噪声，wd表示由目标运动速度引起的多普勒频移；

(1b)设雷达接收机接收到的含有高斯白噪声的间歇采样直接转发干扰信号为isdj(t)＝{isdj(t1),isdj(t2),…,isdj(tl),…,isdj(tl)}、间歇采样重复转发干扰信号为isrj(t)＝{isrj(t1),isrj(t2),…,isrj(tl),…,isrj(tl)}和间歇采样循环转发干扰信号为iscj(t)＝{iscj(t1),iscj(t2),…,iscj(tl),…,iscj(tl)},其中，isdj(tl)、isrj(tl)、iscj(tl)分别表示第l个间歇采样直接转发干扰信号、间歇采样重复转发干扰信号和间歇采样循环转发干扰信号：

isdj(tl)＝n(tl)+xs(tl-τ)

其中，xs(tl)表示目标所携带干扰机对接收到的第l个信号s0'(tl)进行间歇采样所获取的间歇采样信号，xs(tl)＝xs1(tl)+xs2(tl)+…+xsi(tl)+…+xsn(tl)，s0'(tl)＝s0(tl)exp(jwdtl)，xsi(tl)表示第i次间歇采样得到的子脉冲信号，i＝0,1,…,n，n表示t内的采样次数，表示向下取整，ts表示间歇采样的周期，τ表示间歇采样的时长，σ表示求和，m表示ts内对xsi(tl)转发的次数，r＝min{m,n}；

(1c)对步骤(1a)得到的s(t)和步骤(1b)得到的isdj(t)、iscj(t)、isrj(t)进行合并，得到包含四类共4×l个信号的时域雷达检测信号集x＝{s(t),isdj(t),iscj(t),isrj(t)}；

(2)提取时域雷达检测信号集x的特征数据集d：

(2a)设时域雷达检测信号集x中的任意一个时域雷达检测信号为z(t)，并对每个z(t)进行短时傅里叶变换，得到4×l个频域信号，其中z(t)的频域信号stftz(t)(t,w)表达式为：

其中w表示短时傅里叶变化的频率频点，g(u-t)表示短时傅里叶变换中对z(t)加的窗函数，表示短时傅里叶变换；

(2b)对频域信号stftz(t)(t,w)取模值后取平方，得到4×l个信号频谱图，其中z(t)的信号频谱图specz(t)(t,w)的表达式为：

specz(t)(t,w)＝|stftz(t)(t,w)|²

其中|·|表示取模值；

(2c)根据信号频谱图specz(t)(t,w)在(-∞,+∞)的整体平均时间，计算z(t)的谱图平均时间特征tsp_z(t)，得到x＝{s(t),isdj(t),iscj(t),isrj(t)}对应的谱图平均时间特征集tsp＝{tsp_s^l,tsp_isdj^l,tsp_iscj^l,tsp_isrj^l}，其中：

其中∫∫表示二重积分；

(2d)以为真实类别标签分别对tsp_s^l、tsp_isdj^l、tsp_iscj^l、tsp_isrj^l进行标注，得到时域雷达检测信号集x的特征数据集d，d＝{tysp_s^l,tysp_isdj^l,tysp_iscj^l,tysp_isrj^l}；

以为真实类别标签分别对tsp_s^l、tsp_isdj^l、tsp_iscj^l、tsp_isrj^l进行标注，其中的真实标签值为任意实数，且同一类型干扰的标签值相同，不同类型干扰的标签值不同。

(3)构造训练数据集e和测试数据集t：

将从特征数据集d中随机选取的每类信号的v个特征数据组成训练数据集e＝{ty_s^v,ty_isdj^v,ty_iscj^v,ty_isrj^v}，每类信号其余的l-v个特征数据组成包含4×(l-v)个特征数据的测试数据集t＝{ty_s^x,ty_isdj^x,ty_iscj^x,ty_isrj^x}，其中，1≤v≤v，1≤x≤l-v；

(4)训练随机森林模型：

(4a)以决策树为基学习器，并使用bagging集合策略构建包含num棵决策树的随机森林模型rf＝{tree1,tree2,…,treenum,…,treenum}，其中，treenum表示第num棵决策树，num≥50，1≤num≤num；

(4b)令num＝1；

(4c)从训练数据集e中独立地、随机地、有放回地抽取出p个特征数据作为随机森林模型的输入，对决策树treenum的根节点进行节点分裂，得到2个分支节点，直到每个分支节点的所有训练数据都属于同一类型，得到训练好的决策树tree'num，其中p＜p，p＝4×v表示训练数据集e中的特征数据总数；

(4d)判断num＝num是否成立，若是，得到训练好的随机森林模型，否则，令num＝num+1，并执行步骤(4c)；

(5)获取间歇采样转发干扰识别结果：

(5a)将测试数据集t＝{ty_s^x,ty_isdj^x,ty_iscj^x,ty_isrj^x}中的4×(l-v)个特征数据去除真实类别标签得到用于分类识别的数据，并将其输入训练好的随机森林分类模型进行测试，得到对应的4×(l-v)个预测类别标签

(5b)将4×(l-v)个预测类别标签与真实类别标签进行对比，得到目标信号s(t)的识别准确率间歇采样直接转发干扰信号isdj(t)的识别准确率间歇采样重复转发干扰信号iscj(t)的识别准确率和间歇采样循环转发干扰信号isrj(t)的识别准确率其中rs、risdj、riscj、risrj分别表示s(t)、isdj(t)、iscj(t)、isrj(t)的特征数据中预测类别标签和真实类别标签一致的特征数据的个数。

本发明与现有技术相比，具有以下优点：

1、本发明在对间歇采样转发干扰的识别过程中，首先使用海明窗对信号进行短时傅里叶变换得到信号谱图，提取谱图平均时间作为信号的特征，该谱图平均时间特征在低干噪比下对噪声的敏感性低，在各类信号之间的区分性大，因此具有良好的干扰识别效果，解决了现有技术中低干噪比下信号识别率低的问题，提高了间歇采样转发干扰信号的识别准确率。

2、本发明仅使用一种特征参数用于干扰信号的分类识别，所采用的随机森林模型训练学习过程较为快速且能产生高准确度的分类结果，因此本发明具有实时性高，识别效率高的特点。

附图说明

图1是本发明的实现流程图；

图2是本发明谱图平均时间随干噪比变化曲线仿真图；

图3是用本发明中4种信号的识别准确率随干噪比变化曲线仿真图；

图4是现有技术与本发明平均识别准确率的仿真对比图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述：

参照图1，本发明包括如下步骤：

步骤1)获取时域雷达检测信号集x：

步骤1a)设雷达发射机发射的l个信号为s0(t)＝{s0(t1)，s0(t2)，…,s0(tl)，…,s0(tl)}，雷达接收机接收s0(t)经目标反射后包含有高斯白噪声的目标信号为s(t)＝{s(t′1),s(t'2),…,s(t'l),…,s(t'l)}，其中，l≥1000，s0(tl)表示第l个发射信号，s(t′l)表示s0(tl)反射的目标信号，本实施例中l＝2000：

s(t′l)＝n(t′l)+s0(t′l)exp(jwdt′l)

其中，tl表示s0(tl)的发射时间，t表示s0(tl)的脉冲宽度，表示矩形窗函数，exp[·]表示以e为底的指数函数，j表示虚数单位，ws表示载频，π表示圆周率，k表示脉冲调频斜率，b表示s0(tl)的带宽，t′l＝tl-δt表示s(t′l)的时间，δt表示时延，r0表示目标与雷达之间的距离，c表示光速，n(t′l)表示高斯白噪声，wd表示由目标运动速度引起的多普勒频移；

步骤1b)设雷达接收机接收到的含有高斯白噪声的间歇采样直接转发干扰信号为isdj(t)＝{isdj(t1),isdj(t2),…,isdj(tl),…,isdj(tl)}、间歇采样重复转发干扰信号为isrj(t)＝{isrj(t1),isrj(t2),…,isrj(tl),…,isrj(tl)}和间歇采样循环转发干扰信号为iscj(t)＝{iscj(t1),iscj(t2),…,iscj(tl),…,iscj(tl)},其中，isdj(tl)、isrj(tl)、iscj(tl)分别表示第l个间歇采样直接转发干扰信号、间歇采样重复转发干扰信号和间歇采样循环转发干扰信号：

isdj(tl)＝n(tl)+xs(tl-τ)

其中，xs(tl)表示目标所携带干扰机对接收到的第l个信号s0'(tl)进行间歇采样所获取的间歇采样信号，xs(tl)＝xs1(tl)+xs2(tl)+…+xsi(tl)+…+xsn(tl)，

s0'(tl)＝s0(tl)exp(jwdtl)，xsi(tl)表示第i次间歇采样得到的子脉冲信号，i＝0,1,…,n，n表示t内的采样次数，表示向下取整，ts表示间歇采样的周期，σ表示求和，m表示ts内对xsi(tl)转发的次数，τ表示ts的间歇采样时长，r＝min{m,n}；

间歇采样直接转发干扰是指目标所携带干扰机接收到的第l个信号s0'(tl)后，在间歇采样周期ts内，采样一段时长为τ的信号并马上进行转发，然后在下一个间歇采样周期ts内再采样、转发，采样与转发分时交替工作；间歇采样重复转发干扰是指目标所携带干扰机采样到一段时长为τ的信号后，按照干扰机设定的次数m重复读出当前采样信号并转发，然后在下一个间歇采样周期ts内再采样一段时长为τ的信号信号并重复进行转发，如此重复上述过程，直到雷达脉冲结束；间歇采样循环转发干扰是指第1次采样后，转发第1次采样信号，接着进行第2次采样，转发第2次采样信号后再转发存储的第1次采样信号，第3次采样后转发第3次采样信号后再把存储的前2次信号按采样顺序进行逆序转发，依此类推，直到雷达脉冲结束。

步骤1c)对步骤1a)得到的s(t)和步骤1b)得到的isdj(t)、iscj(t)、isrj(t)进行合并，得到包含四类共4×l个信号的时域雷达检测信号集x＝{s(t),isdj(t),iscj(t),isrj(t)}；

步骤2)提取时域雷达检测信号集x的特征数据集d：

步骤2a)设时域雷达检测信号集x中的任意一个时域雷达检测信号为z(t)，并对每个z(t)进行短时傅里叶变换，得到4×l个频域信号，其中z(t)的频域信号stftz(t)(t,w)表达式为：

其中w表示短时傅里叶变化的频率频点，g(u-t)表示短时傅里叶变换中对z(t)加的窗函数，表示短时傅里叶变换；

时域雷达检测信号集x中的任意一个时域雷达检测信号为z(t)，都是包含高斯白噪声的时域信号，属于非平稳信号；

通过短时傅里叶变换，可以将含有高斯白噪声的非平稳信号z(t)看成是由一系列短时平稳信号构成的，对窗内信号做傅立叶变换，得到非平稳信号的时变频谱图；

当选择的窗函数在时间上对称时，就能根据频谱图正确给出信号的波形中心和信号频率，本实施例中选择海明窗作为短时傅里叶变换中的窗函数；

步骤2b)对频域信号stftz(t)(t,w)取模值后取平方，得到4×l个信号频谱图，其中z(t)的信号频谱图specz(t)(t,w)的表达式为：

specz(t)(t,w)＝|stftz(t)(t,w)|²

其中|·|表示取模值；

步骤2c)根据信号频谱图specz(t)(t,w)在(-∞,+∞)的整体平均时间，计算z(t)的谱图平均时间特征tsp_z(t)，得到x＝{s(t),isdj(t),iscj(t),isrj(t)}对应的谱图平均时间特征集tsp＝{tsp_s^l,tsp_isdj^l,tsp_iscj^l,tsp_isrj^l}，其中：

其中∫∫表示二重积分；

步骤2d)以为真实类别标签分别对tsp_s^l、tsp_isdj^l、tsp_iscj^l、tsp_isrj^l进行标注，得到时域雷达检测信号集x的特征数据集d，d＝{tysp_s^l,tysp_isdj^l,tysp_iscj^l,tysp_isrj^l}；

以为真实类别标签分别对tsp_s^l、tsp_isdj^l、tsp_iscj^l、tsp_isrj^l进行标注，其中的真实标签值为任意实数，且同一类型干扰的l个信号的谱图平均时间特征标签值相同，不同类型干扰的标签值不同；

本实施例设置真实类别标签

步骤3)构造训练数据集e和测试数据集t：

将从特征数据集d中随机选取的每类信号的v个特征数据组成训练数据集e＝{ty_s^v,ty_isdj^v,ty_iscj^v,ty_isrj^v}，每类信号其余的l-v个特征数据组成包含4×(l-v)个特征数据的测试数据集t＝{ty_s^x,ty_isdj^x,ty_iscj^x,ty_isrj^x}，其中，1≤v≤v，1≤x≤l-v，本实施例中v＝500；

步骤4)训练随机森林模型：

步骤4a)以决策树为基学习器，并使用bagging集合策略构建包含num棵决策树的随机森林模型rf＝{tree1,tree2,…,treenum,…,treenum}，其中，treenum表示第num棵决策树，num≥50，1≤num≤num，本实施例设置num＝50；

步骤4b)令num＝1；

步骤4c)从训练数据集e中独立地、随机地、有放回地抽取出p个特征数据作为随机森林模型的输入，对决策树treenum的根节点进行节点分裂，得到2个分支节点，直到每个分支节点的所有训练数据都属于同一类型，得到训练好的决策树tree'num，其中p＜p，p＝4×v表示训练数据集e中的特征数据总数；

步骤4d)判断num＝num是否成立，若是，得到训练好的随机森林模型，否则，令num＝num+1，并执行步骤(4c)；

步骤5)获取间歇采样转发干扰识别结果：

步骤5a)将测试数据集t＝{ty_s^x,ty_isdj^x,ty_iscj^x,ty_isrj^x}中的4×(l-v)个特征数据去除真实类别标签得到用于分类识别的数据，并将其输入训练好的随机森林分类模型进行测试，得到对应的4×(l-v)个预测类别标签

步骤5b)将4×(l-v)个预测类别标签与真实类别标签进行对比，得到目标信号s(t)的识别准确率间歇采样直接转发干扰信号isdj(t)的识别准确率间歇采样重复转发干扰信号iscj(t)的识别准确率和间歇采样循环转发干扰信号isrj(t)的识别准确率其中rs、risdj、riscj、risrj分别表示s(t)、isdj(t)、iscj(t)、isrj(t)的特征数据中预测类别标签和真实类别标签一致的特征数据的个数。

下面结合仿真实验，对本发明的技术效果作以说明。

1、仿真条件和内容：

雷达发射信号为线性调频信号，发射l＝2000个信号，脉冲宽度t＝100μs，载频ws＝12e⁶hz，带宽b＝10e⁶hz，雷达采样频率fs＝30e⁶hz，目标与雷达之间的距离r0＝10km，由目标运动速度引起的多普勒频移wd＝10hz；目标所携带干扰机进行间歇采样时间歇采样周期ts＝10μs，间歇采样时长τ＝2.5μs，采样次数n＝10，在ts内对子脉冲转发的次数m＝3，r＝3；高斯白噪声的噪声功率与干扰信号的功率的比值为干噪比，令干噪比在-6db到21db之间，间隔3db进行仿真实验；在提取信号的谱图平均时间特征时，使用长度为128个采样点海明窗，重叠点数为50％。

仿真1，在-6db到21db之间，间隔3db提取l＝2000个目标回波信号、间歇采样直接转发信号、间歇采样重复转发信号和间歇采样循环转发信号得谱图平均时间特征，将这2000个谱图平均时间特征取平均值，得到图2谱图平均时间随干噪比变化仿真曲线。

仿真2，在-6db到21db之间，间隔3db提取l＝2000个目标回波信号、间歇采样直接转发信号、间歇采样重复转发信号和间歇采样循环转发信号得谱图平均时间特征，将每种信号500个特征加上真实类型标签作为随机森林模型的输入数据训练随机森林，将剩下的数据用来测试，得到图3为用本发明中4种信号的识别准确率随干噪比变化仿真曲线。

仿真3，在-6db到21db之间，间隔3db提取l＝2000个目标回波信号、间歇采样直接转发信号、间歇采样重复转发信号和间歇采样循环转发信号得谱图平均时间特征，将每种信号500个特征加上真实类型标签作为随机森林模型的输入数据训练随机森林，将剩下的数据用来测试，将得到的4种型号在不同干噪比下的识别准确率取平均值，得到本发明方法的识别准确率随干噪比变化的曲线，与现有方法相比得到图4是现有技术与本发明平均识别准确率的仿真对比图。

仿真过程中软硬件环境:

硬件环境：cpu为intercorei7-8750h，主频为2.2ghz，主存为8gb。

软件环境：windows10企业版，matlab2020a仿真软件。

2、结果分析：

图2为谱图平均时间随干噪比变化仿真曲线，从图2可以看出，在不同的干噪比下，几种信号的谱图平均时间特征在数值上明显区分，所以此特征是一个噪声不敏感的特征且对间歇采样转发干扰的识别效果会更好。

图3为用本发明中4种信号的识别准确率随干噪比变化仿真曲线，在0db时四种信号的识别准确率均能达到95％以上，在-6db时，识别准确率最低的间歇采样循环转发干扰也能达到68％左右的识别准确率。

图4是现有技术与本发明平均识别准确率的仿真对比图，从现有方式和本发明的识别准确率对比曲线来看，在低干噪比下，本发明的平均识别率要高于现有方式。