一种干扰类型识别方法与流程

本发明属于通信
技术领域：
，涉及一种干扰类型识别方法。
背景技术：
：随着电子信息技术的快速发展，当前的通信体制越来越多，通信系统也越来越复杂，并且通信所处的电磁环境也日益复杂等。这给各种通信系统在抗干扰方面提出了巨大的挑战，特别是在军事通信中，通信系统的抗干扰性能可能直接左右着战争的走向，因此世界各国不约而同地对本国军事通信抗干扰技术进行研究和探索，以便在复杂的国际形式下取得信息优势，保证本国的军事安全。干扰识别作为通信对抗系统的重要组成部分，一方面，可以为认知当前电磁环境提供依据；另一方面，可以为通信接收机针对不同干扰样式然后选择合适的抗干扰手段提供支持，从而使抗干扰手段更有针对性和更好的提高通信系统的抗干扰性能。通信对抗中的干扰信号种类很多，从不同的域来区分，可以分为时域干扰、频域干扰、扫频干扰、空域干扰。一方面，由于不同种类的干扰，抑制方法不一样，所以有必要将不同种类的干扰区分开来从而采用更有针对性的干扰抑制方法；另一方面，当一个系统包含多种不同种类的干扰时，在接收端所采取的干扰抑制方法的先后顺序对系统的性能也有比较大的影响(例如：一个频域干扰，如果首先经过时域干扰抑制后再进行频域抑制，很有可能先经过的时域干扰抑制会对后续的频域干扰抑制产生影响，使得干扰抑制性能变差)所以，对不同种类的干扰进行分类，并识别出干扰类型，能避免上述情况的发生。对于干扰类型的自动识别，目前研究比较多的主要是在直接序列扩频(DirectSequenceSpreadSpectrum，DSSS)或跳频扩频(Frequency-HoppingSpreadSpectrum，FHSS)系统中以及有关雷达辐射源信号的识别。宽带干扰是针对扩频和跳频系统的常见的有效干扰方式，因此，对于干扰类型识别主要是识别各种宽带干扰，如宽带噪声干扰、宽带梳状干扰、宽带扫频干扰等；在雷达辐射源信号识别中，主要是对接收到的脉冲信号的脉内调制特征和脉内个体特征进行分析并识别各自的辐射源以及对常见的欺骗干扰(距离欺骗、角度欺骗、速度欺骗)的分类。由此可见，目前干扰识别算法都是针对某一特定类型的干扰或者针对特定的应用场景，干扰类型比较少，不适合复杂的电磁干扰环境。另一方面，干扰识别包括干扰特征提取和干扰分类两个过程，其中干扰特征参数提取是干扰识别的核心，特征参数提取算法的选择上也是多种多样，比如用小波包变换提取特征参数、使用高阶累积量、使用分数阶傅里叶变换等算法，上述算法虽然能准确提取出干扰信号的特征参数，但是大大增加计算的复杂度，不利于工程的实现；在各种分类算法中，神经网络分类器分类时需要大量的训练样本，容易出现欠学习、过学习和陷入局部极值等问题，支持向量机分类器在解决高维模式识别、非线性识别以及小样本识别问题上具有很大的优势，但是也存在核函数的选择、核参数的确定等问题，复杂度也比较高。技术实现要素：本发明所要解决的，就是提供了一种适合复杂电磁干扰环境的干扰识别方法，该方法通过提取一组无需干扰先验信息并且对干噪比不敏感的分类特征参数，并使用复杂度较低的决策树分类算法，对无线通信系统中常见的干扰信号进行识别，而且具有较好的识别性能。为了方便地描述本发明的内容，首先对要识别的干扰信号进行说明：针对无线通信系统常见的干扰类型，分为三大类：1)时域干扰：脉冲噪声干扰、常见雷达脉冲信号；2)频域干扰：部分频带干扰、瞄准式干扰(AM干扰、FM干扰、BPSK干扰、BPSK干扰、QPSK干扰、CW干扰、单音干扰)多音干扰(梳状干扰、随机多音干扰)；3)扫频干扰：线性调频干扰、噪声调频干扰、单音/多音扫频干扰、锯齿波扫频干扰。本发明的技术方案是：一种干扰类型识别方法，其特征在于，包括以下步骤：a.提取信号的干扰特征参数；所述干扰特征参数至少包括：时域峰均比Rpm、时域矩峰度a4、归一化谱冲击标准差δps；b.判断提取的时域峰均比Rpm是否大于预设的时域峰均比门限值，若是，则判断信号的干扰类型为噪声脉冲干扰并结束判断过程；若否，则进入步骤c；c.对信号进行频域干扰检测，具体方法为：将信号做NFFT点的FFT变换，然后做频域干扰检测处理，得到干扰频点个数NJam和干扰频点位置干扰功率和噪声功率PNoise；d.根据步骤c的检测结果，判断NJam<1是否成立，若是，则判定当前信号没有干扰存在；若否，则进入步骤e；e.对步骤c中检测到的干扰进行分簇，如果有多个簇存在，则计算所有簇所在频点位置的标准差Cvar；f.对信号做短时傅里叶变换，提取信号的时频图，并将时频图二值化，然后计算每个时间段内二值化序列的LZ复杂度，同时标记出每个序列的新模式数量和新模式出现的对应频点的位置，最终得到信号的平均LZ复杂度和时频图干扰频点位置的标准差的平均值Var；g.根据步骤a和步骤f中提取的特征参数，使用分类方法中的决策树将频域干扰和扫频干扰进行分类。进一步的，步骤a中所述提取信号的干扰特征参数的具体方法为：a1.提取信号的包络A＝[A1,A2,…,AL]T，由小到大排序，得到矢量A′＝[A′1,A′2,…,A′L]T，其中，A′1≥A′2≥…≥A′L，设表示向下取整，取A′中前Lm个的平均值为信号的峰值包络均值为则信号的时域峰均比为a2.提取时域矩峰度；具体为取时域信号的实部或者虚部为S＝[S1,S2,…,SL]T，μ为S的均值，σ为S的标准差，信号的时域矩峰度为其中E[·]为求均值；a3.提取归一化谱冲击标准差；先对信号做NFFT点的FFT变化得到信号频谱为P(n)，则归一化谱为E[·]为求均值；在得到信号的归一化频谱后，选择长度Ln的滑动窗对频谱进行归一化处理，得到频谱的平坦部分；所述用减去频谱的平坦部分提取归一化频谱中的冲激部分Pp‾(n)=P‾(n)-12Ln+1Σi=-LnLnP‾(n+i);]]>用于区分频谱有无冲击的干扰信号，定义归一化谱冲击部分标准差δps为：δps=1NFFTΣn=1NFFT[Pp‾(n)-(P)p‾n‾]2.]]>进一步的，所述步骤f的具体方法为：f1.计算短时傅里叶变换：若输入信号长度为L，短时傅里叶变换窗长为NSTFT，LOverlap为短时傅里叶变换加窗的重叠点数，频率点数为FFT点数NSTFT，时域上分段数为：为向下取整；所以短时傅里叶变换后得到一个NSTFT×K×P的三维时频图，其中P为与时间和频率相对应的能量值组成的向量；能量二值化门限为第i个时间段内能量的最大值，Tpower值预设为10dB；通过二值化门限TH得到一个NSTFT×K的二维数组，这个二维数组就为信号的二值化时频图，其中有干扰的部分值为1，没干扰的部分值为0；f2.搜索序列新模式：[N1，N2，....，NK]为二值化时频图的K个时间段，Nk＝[c1,c2...,cN]为长度为NSTFT的0、1序列串，其中1≤k≤K，ci取0或者1，Nk中1的位置就表示第k个时间段干扰所在频点的位置；从N1开始分别对每一个时间段做如下处理：f21.把Nk序列传换成字符串形式{h(n)}，然后定义{h(n)}的子序列S和Q，SQ表示S和Q的合并序列,SQ〈D〉表示将SQ中最后一个二进制序列删除后剩余的序列，设初始复杂度C(0)＝1，S＝h(1)，Q＝h(2)，SQ＝h(1)h(2)；f22.若S＝h(1),h(2)....h(i)，Q＝h(i+1)SQ<D>＝h(1),h(2)....h(i)；判断Q是否是SQ<D>的子集，若Q属于SQ<D>，复杂度c(n)不变，S不变，Q＝h(i+1)h(i+2)，重复步骤f22直到Q取到序列{h(n)}的最后一个二进制符号；若Q不属于SQ<D>，c＝c+1，然后记录新模式频点的位置令S＝SQ＝h(1),h(2),h(3)..h(i+j)，重复步骤f22直到Q取到序列{h(n)}的最后一个二进制符号；f3.令Ck＝c；为使复杂度值与序列长度无关，Ck需要进行归一化处理；序列{h(n)}的长度是NSTFT，则归一化的复杂度为:新模式频点位置向量为f4.判断所有时间段是否都计算完毕，若没计算完，则回到步骤f21；若计算完毕，则进入步骤f5；f5.得到模式数目向量C＝[C1,C2,...,CK]，计算信号的平均LZ复杂度f6.计算干扰频点位置标准差：M＝[M1,M2,..MK]为K个时间段新模式频点的位置矩阵，由于每一个时间段得到模式数量不一定全部相等，还有部分点提取不准确，有必要剔除奇异频点，M′为剔除奇异频点后的矩阵：M′=M11M21...MK′1M12M22...MK′2.........M1c′M2c′...MK′c′]]>其中c′为C＝[C1,C2,...,CK]中最小值，K′≤K；对M′的每一行求标准差得V＝[V1,V2,...,Vc′]T，干扰频点位置标准差为进一步的，步骤g中使用分类方法中的决策树将频域干扰和扫频干扰进行分类的具体方法为：g1.判断由步骤f5中得到的复杂度lz是否大于预设的复杂度门限值Tlz＝0.06，若是，则判断干扰类型为频域干扰中部分带干扰、随机多音、梳状干扰或平稳干扰中噪声调频干扰的一种，进入步骤g2；若否，则判断干扰类型为频域干扰中瞄准式干扰或平稳干扰中线性调频干扰、单/多音扫频干扰、锯齿波扫频干扰的一种，进入步骤g3；g2.判断由步骤a3中得到的归一化谱冲击标准差是否大于预设的归一化谱冲击标准差门限值Tδps＝1.0，若是，则判断干扰类型为频域干扰中随机多音、梳状干扰，进入步骤g4；若否，则判断干扰类型为频域干扰中部分带干扰或非平稳干扰中噪声调频干扰的一种，进入步骤g5；g3.判断步骤f6中得到的时频域干扰频点位置标准差Var是否大于预设的时频域干扰频点位置标准差门限Tvar＝14，若是，则判断干扰类型为非平稳干扰中线性扫频、单/多音扫频、锯齿波扫频；若否，则判断干扰类型为频域干扰中瞄准式干扰、梳状干扰；g4.判断步骤e中得到的干扰簇频点间隔方差Cvar是否大于预设的干扰簇频点间隔方差门限值Tcvar＝5，若是，则判断干扰类型为频域干扰中随机多音；若否，则判断干扰类型为频域干扰中梳状干扰；g5判断步骤a2得到的时域矩峰度是否大于预设的时域矩峰度门限Ta4＝2.85，若是，则判断干扰类型为频域干扰中部分带干扰，若否，则判断干扰类型为非平稳干扰中噪声调频干扰。本发明的有益效果为，本发明可以对处于复杂电磁环境的无线通信系统中的敌意干扰做干扰检测和识别，然后联合决策出当前电磁环境的状况，并对有干扰环境下的干扰类型进行分类；干扰检测主要从时域和频域两个方面来确定干扰的存在性；干扰识别主要是从时域、频域、时频域提取特征参数并使用决策树来将干扰分成时域干扰、频域干扰、扫频三大类并将部分干扰做了详细识别；本发明提取的干扰特征参数具有较好的鲁棒性并且对干噪比不太敏感，在使用算法复杂度较低的决策树判决方法的情况下也能具有较好的干扰识别性能。附图说明图1是本发明干扰类型识别的详细流程图；图2是步骤a中干扰特征参数的提取流程图；图3是步骤f中干扰特征参数的提取流程图；图4是决策树判决流程图；图5是本发明干扰识别仿真的关于各种干扰类型识别性能图。具体实施方式下面结合附图和实施例，详细描述本发明的技术方案：本实施方案是在静默期内对数据长度为L＝30720×20的信号进行干扰检测和识别，系统中对信号加了窗长NFFT为2048的汉明窗，因此FFT长度NFFT为2048；频域FCME干扰检测功率累加长度Nsum为64，由此计算得到干扰检测门限因子Tfactor为1.64，系统中其他干扰特征参数所用的门限均为仿真分析后取的经验值。S1、参数的设置：根据系统参数和各种干扰检测及识别算法的理论和仿真分析确定干扰检测门限因子Tfactor为1.64、时域峰均比门限Trpm为3.5、LZ复杂度门限Tlz为0.06、时频域干扰频点位置的标准差门限Tvar为14、归一化冲击标准差门限Tδps为1.0、时域矩峰度门限Ta4为2.85、干扰簇频点间隔的标准差门限Tcvar为5；S2、干扰特征参数提取a：提取信号的时域峰均比Rpm、时域矩峰度a4、归一化谱冲击标准差δps；S21、提取时域峰均比：处理信号总长度为L首先提取信号的包络A＝[A1,A2,…,AL]T，由小到大排序，得到矢量A′＝[A′1,A′2,…,A′L]T，其中，A′1≥A′2≥…≥A′L，设表示向下取整，取A′中前Lm个的平均值为信号的峰值包络均值为则将信号的时域峰均比为S22、提取时域矩峰度：取时域信号的实部或者虚部为S＝[S1,S2,…,SL]T，为S的均值，为S的标准差，信号的时域矩峰度为S23、提取归一化谱冲击标准差：先对信号分成k＝300段每段长度为NFFT＝2048，分段后数据为r＝[r0,r1,…,rk-1]，其中，第m段时域数据为对各段时域数据分别进行FFT变换，得到k段频域数据R＝[R0,R1,…,Rk-1]，其中，第m段频域数据为然后对各段的相同频点数据进行模方求均值运算，得到的平均功率其中，第n个频点的平均功率为将功率求开方运算得到信号的幅度谱为P(n)＝[P(1),P(2)....P(NFFT)]，信号归一化谱为E[·]为求均值。在得到信号的归一化频谱后，选择长度Ln(取为)的滑动窗对频谱进行归一化处理，得到频谱的平坦部分。用减去频谱的平坦部分就可以提取归一化频谱中的冲激部分Pp‾(n)=P‾(n)-12Ln+1Σi=-LnLnP‾(n+i);]]>由就能很好区分频谱有无冲击的干扰信号，为了提取出这一参数，定义归一化谱冲击部分标准方差δps：δps=1NFFTΣn=1NFFT[Pp‾(n)-(P)p‾n‾]2;]]>S3、判断时域峰均比是否大与门限：将S2中提取的时域峰均比Rpm与门限值作比较，如果大于门限则判定为噪声脉冲干扰；否则S4；S4、频域干扰检测：取接收数据的一部分，连续NFFT＝2048个采样点为一段，共分为k＝64段r＝[r0,r1,…,rk-1]，其中，第m段时域数据为对各段时域数据分别进行FFT变换，得到k段频域数据R＝[R0,R1,…,Rk-1]，其中，第m段频域数据为然后对各段的相同频点数据进行模方求均值运算，得到各个频点的平均功率其中，第n个频点的平均功率为然后根据自适应门限检测算法原理计算在分组长度为64虚警概率为Pfa＝5e-6的情况下检测门限因子Tfactor＝1.64。然后对频域信号做频域FCME干扰检测处理，得到干扰频点个数NJam和干扰频点位置干扰功率噪声功率PNoise等干扰信息；S5、判断频域是否检测到干扰：根据S4中检测结果，如果NJam<1则判定当前系统中没有干扰存在，否则转S6；S6、干扰信号处理：对S4中检测到的干扰频点位置前后相减得到频点间隔向量将频点间隔ΔPi小于6的当成同一个簇，分簇个数为NCluster，每一个簇中心频点位置为如果NCluster>1，则计算所有簇所在频点位置的标准差其中S7、干扰特征参数提取b：对信号做短时傅里叶变换，提取信号的时频图，并将时频图二值化，然后计算每个时间段内二值化序列的LZ复杂度，同时标记出每个序列的新模式数量和新模式出现的对应频点的位置，最终得到信号的平均LZ复杂度和时频图干扰频点位置的标准差的平均值Var，转S8；S71、初始化参数：设置二值化能量相对门限Tpower值为10dB、初始复杂度值lz＝0、模式初始值c＝1等；S72、计算短时傅里叶变换：输入信号长度为L＝30720×20，短时傅里叶变换窗长为NSTFT＝1024，LOverlap＝512为短时傅里叶变换加窗的重叠点数，取1/2重叠加窗；由此计算时域上分段数为：为向下取整。所以短时傅里叶变换后得到一个NSTFT×K×P的三维时频图，其中P为与时间和频率相对应的能量值组成的三维向量。能量二值化门限为第i个时间段内能量的最大值。通过二值化门限TH就得到一个NSTFT×K的二维数组，这个二维数组就为信号的二值化时频图，每一个分段中有干扰的频点值为1，没干扰的部分值为0；S72、搜索序列新模式：[N1，N2，....，NK]为二值化时频图的K个时间段，Nk＝[c1,c2...,cN]为长度为N的0、1序列串，其中1≤k≤K，ci取0或者1，Nk中1的位置就表示第k个时间段干扰所在频点的位置。从N1开始分别对每一个时间段做如下处理：S721、把Nk序列传换成字符串形式{h(n)}，然后定义{h(n)}的子序列S和Q，SQ表示S和Q的合并序列,SQ〈D〉表示将SQ中最后一个二进制序列删除后剩余的序列，设初始复杂度C(0)＝1，S＝h(1)，Q＝h(2)，SQ＝h(1)h(2)S722、若S＝h(1),h(2)....h(i)，Q＝h(i+1)SQ<D>＝h(1),h(2)....h(i)判断Q是否是SQ<D>的子集S723、若Q属于SQ<D＞，复杂度c(n)不变，S不变，Q＝h(i+1)h(i+2)，继续S722。S724、若Q不属于SQ<D＞，c＝c+1，然后记录新模式频点的位置Mkc，令S＝SQ＝h(1),h(2),h(3)..h(i+j)，继续S722S73、上述过程直到Q取到序列{h(n)}的最后一个二进制符号，然后令Ck＝c。为使复杂度值与序列长度无关，Ck需要进行归一化处理。序列{h(n)}的长度是NSTFT，则归一化的复杂度可写为:新模式频点位置向量为表示第k个时间段标记的第c个模式的频点位置；S74、判断所有时间段是否都计算完毕，若没计算完，则转S721；若计算完毕，转步S75；S75、由上述步骤得到模式数目向量C＝[C1,C2,...,CK]，Ck表示第k个时间段内搜索到的模式数量，然后计算信号的平均LZ复杂度S76、计算干扰频点位置标准差：M＝[M1,M2,..MK]为K个时间段新模式频点的位置矩阵，由于每一个时间段得到模式数量不一定全部相等，还有部分点提取不准确，有必要剔除奇异频点，M′为剔除奇异频点后的矩阵：M′=M11M21...MK′1M12M22...MK′2.........M1c′M2c′...MK′c′]]>其中c′为C＝[C1,C2,...,CK]中最小值，K′≤K；对M′的每一行求标准差得V＝[V1,V2,...,Vc′]T，干扰频点位置标准差为S8、决策树判决：根据S2和S7种提取的特征参数，使用分类方法中的决策树将频域干扰和非平稳干扰进行详细分类；S81、判断由S75计算的复杂度lz是否大于门限值Tlz＝0.06，如果大于门限则干扰类型可能是频域干扰(部分带干扰、随机多音、梳状干扰)或平稳干扰(噪声调频干扰)中的一种，转S82；如果小于门限则干扰类型可能为频域干扰(瞄准式干扰)或平稳干扰(线性调频干扰、单/多音扫频干扰、锯齿波扫频干扰)的一种，转S83；S82、判断由S23计算的归一化谱冲击标准差是否大于门限Tδps＝1.0，如果大于门限则干扰类型可能是频域干扰(随机多音、梳状干扰)，转S84；如果小于门限则干扰类型可能为频域干扰(部分带干扰)或非平稳干扰(噪声调频干扰)的一种，转S85；S83、判断由S76计算的时频域干扰频点位置标准差Var是否大于门限Tvar＝14，如果大于门限则干扰类型为非平稳干扰(线性扫频、单/多音扫频、锯齿波扫频)；如果小于门限则干扰类型为频域干扰(瞄准式干扰、梳状干扰)；S84、判断由S6计算的干扰簇频点间隔方差Cvar是否大于门限值Tcvar＝5，如果大与门限干扰类型为频域干扰(随机多音)，否则干扰类型为频域干扰(梳状干扰)；S85、判断由S22计算的时域矩峰度是否大于门限Ta4＝2.85，如果大于门限则干扰类型为频域干扰(部分带干扰)，否则干扰类型为非平稳干扰(噪声调频干扰)；图5为本实施方案的干扰类型识别的仿真性能。干扰类型为脉冲噪声干扰、部分频带噪声干扰、梳状干扰、随机多音干扰、噪声调频干扰、瞄准式干扰(BPSK干扰)、扫频干扰(宽带锯齿波干扰)，其中瞄准式干扰和扫频干扰各自只取了其中一种，干扰具体参数见表1。信道为标准的AWGN信道，干扰识别过程是在静默期进行的，即仅接收到干扰和噪声，由系统帧格式可知一个业务子帧采样数据量为30720，其中静默期时间为20个业务子帧，因此总的采样点数为30720×20。在进行频域干扰检测时，只取其中一部分数据，每次处理的采样数据块长度为L＝2048×64，频域上做NFFT＝2048点的FFT，并作Nsum＝64点的功率累加，计算得到的频域干扰检测门限因子为Tfactor＝1.64；在短时傅里叶计算中加窗长度为NSTFT＝1024，加窗类型为汉明窗，重叠加窗点数LOverlap为512；表1干扰仿真参数在图5中，JNR从-10dB至50dB，以3dB为间隔取值，每个JNR值仿真100次得到不同干扰类型的干扰识别性能，其中，图5中红色线表示的是时域干扰(脉冲噪声干扰)的识别性能，在JNR≥-7dB时基本都能正确识别出来；蓝色线表示的是频域干扰识别性能，部分频带噪声干扰和瞄准式干扰(BPSK)在JNR≥-3dB时，基本能准确识别出来，而梳状干扰和随机多音干扰在JNR≥5dB时识别率在95％以上；黑色线表示的是扫频干扰的识别性能，在JNR≥1dB时，基本上都能准确识别出来。总体上讲，在JNR≥5dB时，所有干扰识别性能都在95％以上，具有较好的识别性能，并且高信噪比情况下识别性能基本不受干噪比的影响，具有较好的鲁棒性。因此，本发明对不同干扰类型具有较好的分类效果，具有较好的应用价值。当前第1页1 2 3