一种机械扫描雷达天线扫描位置的跟踪方法与流程

1.本发明属于雷达探测技术领域，具体是一种机械扫描雷达天线扫描位置的跟踪方法。


背景技术：

2.雷达是一种利用无线电方法发现目标并测定其空间位置的电子设备。航迹是指雷达测量到的运动目标在雷达屏幕上形成的航行轨迹。航迹欺骗是雷达电子对抗领域中欺骗干扰的一种手段，它能够在雷达屏幕上形成逼真的假目标，显示出方位、距离和速度等信息，能够被雷达编批形成航迹。形成稳定航迹的必备条件是干扰机能准确跟踪和预测雷达天线的扫描位置。
3.现有技术中对机械雷达天线的扫描位置进行跟踪和预测一般采用常规最大幅度法，但其存在以下不足：1)在强干扰情况下，干扰机无法准确测量出扫描周期：当干扰机所对抗雷达周围存在其他干扰源或其他雷达同时开机且最大幅度接近时，通过常规最大幅度法对扫描周期进行测量时，难以得到准确的天线扫描周期；2)在扫描周期改变情况下，干扰机无法实现对机械雷达天线的扫描位置进行实时跟踪：当雷达突然改变天线扫描周期时，干扰机如果不能跟踪天线扫描位置，所形成的航迹会出现极大的位置偏差，导致航迹无法形成。因此亟需解决干扰机测量雷达天线扫描周期的准确性及实时跟踪其扫描周期变化的问题。


技术实现要素：

4.本发明提供一种机械扫描雷达天线扫描位置的跟踪方法，在强干扰情况下，干扰机可以准确测量出扫描周期；另外在扫描周期改变情况下，保证干扰机实现对机械雷达天线的扫描位置进行实时跟踪。
5.本发明所采取的技术方案是：
6.一种机械扫描雷达天线扫描位置的跟踪方法，具体包括如下步骤：
7.s1、部署干扰机，将干扰机上的接收天线对准该机械扫描雷达天线；
8.s2、实时采集雷达信号并利用信道化接收机对其进行处理，测量出接收的雷达信号中各个脉冲的到达时间toa、载频cf、脉宽pw、幅度amp和ad采样数据并形成原始数据集；
9.s3、利用信号分选器对原始数据集进行信号分选处理，筛选出目标雷达信号并绘制时间-幅度图；
10.具体地，将原始数据集作为信号分选器的输入数据，进一步得到雷达信号中各个脉冲重复周期、变化规律及脉内信号样式；然后与雷达数据库进行匹配筛选出目标雷达信号，并获取目标雷达信号的幅度amp数据集；最后根据目标雷达信号的幅度amp数据集和时间戳绘制出时间-幅度图；
11.s4、对目标雷达信号的幅度amp数据集进行平滑滤波处理，用于去除目标雷达信号的高频随机噪声及消除偶发的大功率信号造成的干扰；
12.s5、提取局部峰值特征，进行聚类算法模型训练；
13.具体地，根据机械扫描雷达天线的扫描周期t变化范围，利用二分查找算法提取目标雷达信号幅度amp数据集的局部峰值及rms值特征，进行聚类算法模型训练，然后输出局部峰值特征类别、个数及时刻，并在s3中绘制的时间-幅度图上标识出目标雷达信号的各个局部峰值点；
14.s6、利用训练好的聚类算法模型输出目标雷达信号的局部峰值特征类别；
15.具体地，改变机械扫描雷达天线的扫描周期t及雷达发射功率p，利用聚类算法模型输出不同扫描周期t所对应的目标雷达信号的局部峰值特征类别，通过与s5中标识处理的时间-幅度图上显示的局部峰值特征类别进行比较并对显示错误的予以校正；
16.s7、根据两相邻局部峰值点的到达时间toa差值计算出机械扫描雷达天线的扫描周期t；
17.具体地，利用聚类算法模型输出的目标雷达信号的局部峰值特征类别，计算出目标雷达信号的局部峰值最大所对应的特征类别并标识为机械扫描雷达天线正对干扰机的位置，根据局部峰值最大所对应的特征类别中两相邻局部峰值点的到达时间toa差值计算得出机械扫描雷达天线的扫描周期t；
18.s8、将s1中采集雷达信号中跟踪位置的短时数据与已记录机械扫描雷达天线的扫描周期t内的局部峰值特征进行匹配，根据特征匹配结果和特征点即局部峰值点的到达时间toa差值跟踪机械扫描雷达天线的扫描周期变化，推算出机械扫描雷达天线的扫描位置；
19.具体地，
20.1)设雷达信号的短时数据为序列s(τ)，机械扫描雷达天线的扫描周期为t(t
min
≤t≤t
max
)，其中t
min
指的是机械扫描雷达天线的最小扫描周期，t
max
指的是机械扫描雷达天线的最大扫描周期；
21.2)将雷达信号的短时数据序列s(τ)与已记录机械扫描雷达天线扫描位置的数据进行特征匹配；
22.3)对s1中雷达信号的幅度amp数据进行标准化，然后进行均方根误差计算：
[0023][0024]
其中，t为机械扫描雷达天线的扫描周期；为机械扫描雷达天线扫描位置；δ为机械雷达天线扫描位置时归一化幅度数据的均方根误差；n为数据个数；
[0025]
4)若小于阈值，则表明机械扫描雷达天线的扫描周期不变；若大于阈值，则表明机械扫描雷达天线的扫描周期改变；
[0026]
5)继续在与和之间的按照公式(1)进行计算，推算出均方根误差最
小时对应的位置为机械扫描雷达天线的扫描位置。
[0027]
优选地，所述阈值设置为扫描周期不变情况下5～10倍的
[0028]
本发明的有益效果是：
[0029]
1)本方法通过单个接收天线即可跟踪雷达天线扫描位置，干扰机可在雷达任意角度实现航迹模拟；
[0030]
2)在雷达天线扫描速度变化过程中，本方法也能推测出雷达天线的扫描位置，实现在雷达改变扫描周期条件下的航迹模拟；
[0031]
3)可在人工干预下进行算法模型调整，实现对当前电磁环境的自学习，提高雷达天线扫描位置识别准确度，以便适应更多种类的雷达和地理位置。
附图说明
[0032]
图1是本发明的流程处理示意图；
[0033]
图2是本发明的雷达信号原始幅度数据绘制的时间-幅度示意图；
[0034]
图3是本发明经过平滑滤波处理后的时间-幅度示意图；
[0035]
图4是本发明利用聚类算法找出的局部峰值点示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0037]
实施例
[0038]
如图1至图4所示，一种机械扫描雷达天线扫描位置的跟踪方法，具体包括如下步骤：
[0039]
s1、在距离机械扫描雷达1km内的某固定位置部署干扰机，将干扰机上的接收天线对准该机械扫描雷达天线；
[0040]
s2、实时采集雷达信号并利用信道化接收机对其进行处理，测量出接收的雷达信号中各个脉冲的到达时间toa、载频cf、脉宽pw、幅度amp和ad采样数据并形成原始数据集；
[0041]
s3、利用信号分选器对原始数据集进行信号分选处理，筛选出目标雷达信号并绘制时间-幅度图；
[0042]
具体地，将原始数据集作为信号分选器的输入数据，进一步得到雷达信号中各个脉冲重复周期、变化规律及脉内信号样式；然后与雷达数据库进行匹配筛选出目标雷达信号，并获取目标雷达信号的幅度amp数据集；最后根据目标雷达信号的幅度amp数据集和时间戳绘制出时间-幅度图；
[0043]
s4、对目标雷达信号的幅度amp数据集进行平滑滤波处理，用于去除目标雷达信号的高频随机噪声及消除偶发的大功率信号造成的干扰；
[0044]
s5、提取局部峰值特征，进行聚类算法模型训练；
[0045]
具体地，根据机械扫描雷达天线的扫描周期t变化范围，利用二分查找算法提取目标雷达信号幅度amp数据集的局部峰值及rms值特征，进行聚类算法模型训练，然后输出局部峰值特征类别、个数及时刻，并在s3中绘制的时间-幅度图上标识出目标雷达信号的各个
局部峰值点；
[0046]
s6、利用训练好的聚类算法模型输出目标雷达信号的局部峰值特征类别；
[0047]
具体地，改变机械扫描雷达天线的扫描周期t及雷达发射功率p，利用聚类算法模型输出不同扫描周期t所对应的目标雷达信号的局部峰值特征类别，通过与s5中标识处理的时间-幅度图上显示的局部峰值特征类别进行比较并对显示错误的予以校正；
[0048]
s7、根据两相邻局部峰值点的到达时间toa差值计算出机械扫描雷达天线的扫描周期t；
[0049]
具体地，利用聚类算法模型输出的目标雷达信号的局部峰值特征类别，计算出目标雷达信号的局部峰值最大所对应的特征类别并标识为机械扫描雷达天线正对干扰机的位置，根据局部峰值最大所对应的特征类别中两相邻局部峰值点的到达时间toa差值计算得出机械扫描雷达天线的扫描周期t；
[0050]
s8、将s1中采集雷达信号中跟踪位置的短时数据与已记录机械扫描雷达天线的扫描周期t内的局部峰值特征进行匹配，根据特征匹配结果和特征点即局部峰值点的到达时间toa差值跟踪机械扫描雷达天线的扫描周期变化，推算出机械扫描雷达天线的扫描位置；
[0051]
具体地，
[0052]
1)设雷达信号的短时数据为序列s(τ)，机械扫描雷达天线的扫描周期为t(t
min
≤t≤t
max
)，其中t
min
指的是机械扫描雷达天线的最小扫描周期，t
max
指的是机械扫描雷达天线的最大扫描周期；
[0053]
2)将雷达信号的短时数据序列s(τ)与已记录机械扫描雷达天线扫描位置的数据进行特征匹配；
[0054]
3)对s1中雷达信号的幅度amp数据进行标准化，然后进行均方根误差计算：
[0055][0056]
其中，t为机械扫描雷达天线的扫描周期；为机械扫描雷达天线扫描位置；δ为机械雷达天线扫描位置时归一化幅度数据的均方根误差；n为数据个数；
[0057]
4)对若小于阈值，则表明机械扫描雷达天线的扫描周期不变；若大于阈值，则表明机械扫描雷达天线的扫描周期改变；
[0058]
5)对继续在与和之间的按照公式(1)进行计算，推算出均方根误差最小时对应的位置为机械扫描雷达天线的扫描位置。
[0059]
作为本实施的进一步技术方案，所述阈值设置为扫描周期不变情况下5～10倍的
[0060]
本发明的工作原理：本发明通过聚类算法模型实现对雷达信号的局部峰值特征进行分类；通过人工校正实现聚类算法模型的准确性，进而进行有监督的算法学习；通过聚类算法模型输出的局部峰值最大所对应的特征类别中两相邻局部峰值点的到达时间toa差值得出为机械扫描雷达天线的扫描周期t；然后将雷达数据库中已记录机械扫描雷达天线的扫描周期t内的局部峰值特征与干扰机实时采集的雷达信号短时数据进行特征匹配，根据匹配结果推算出机械扫描天线扫描位置，从而实现对机械扫描雷达天线扫描位置的智能跟踪。
[0061]
本发明可应用到雷达干扰机中进行雷达天线扫描位置的实时跟踪，避免干扰机因雷达扫描周期改变而无法跟踪雷达天线扫描位置的问题，进而提高干扰机对雷达实施各类欺骗式干扰的真实性。
[0062]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明原理和实质的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。