雷达有源干扰鉴别技术综述

陈赓，田波，宫健，冯存前,2

(1.空军工程大学，陕西 西安 710051;2.信息感知技术协同创新中心,陕西 西安 710077)

0 引言

随着信息化战争的快速发展，制电磁权成为作战双方在战场上抢夺的一个焦点[1-2]。为了保证雷达在复杂电磁环境下能够正常对目标进行检测与跟踪，需要具备针对不同的干扰样式自适应的采取抗干扰措施的能力。近年来雷达有源干扰技术快速发展，特别是基于数字射频存储(digital radio frequency memory,DRFM)的干扰技术，使干扰可以在极短时间内依据当前截获的信号完成调制与转发，这类干扰与目标回波之间是相干的[3]，兼备压制式干扰与欺骗式干扰的双重优势。因此，自适应抗干扰能力的提升是雷达抗干扰技术研究的一个重要方向。

雷达自适应抗干扰技术，是指雷达在有源干扰下对接收信号进行自动鉴别，并根据鉴别出干扰类型采取有效措施对抗的技术。可以看出，雷达有源干扰鉴别技术是雷达自适应抗干扰的关键，也是雷达采取有效抗干扰措施的前提。本文对雷达有源干扰鉴别技术的国内外研究现状进行综述，归纳总结了有源干扰鉴别的典型处理流程，从干扰鉴别技术的3个重点步骤对相关文献进行了梳理，并对雷达有源干扰鉴别技术的未来发展方向作出了展望。

1 雷达有源干扰鉴别的流程

当雷达接收到带有有源干扰的回波信号时，要想采取有效的抗干扰措施对夹杂的干扰信号进行抑制以提取出目标回波，需要对雷达有源干扰进行鉴别。雷达有源干扰鉴别实质上是对干扰和回波的鉴别。无论是什么类型的有源干扰，与目标回波信号或其他类型的有源干扰信号总会在某些方面存在差异[3]，这些差异是有源干扰信号产生时有意或无意的引入而造成的，可以作为进行干扰鉴别的可靠依据。目前，国内外对于有源干扰鉴别的研究大多将其看作为一个模式识别问题[3]。其主要思路是通过提取有源干扰的信号特征对有源干扰的类型进行鉴别。图1归纳了雷达有源干扰鉴别的基本流程。

信号特征提取环节主要是对信号进行非线性变换，将信号从巨量维的信号空间转换到低维的信号特征空间。实际上是对目标回波以及不同干扰信号在一些变换域下存在较大差异的特征进行选择，选取出能够鉴别目标回波与不同有源干扰的特征，去掉信号的冗余信息，实现对信号的降维处理。

信号特征选择是特征提取后的一项关键步骤。其主要工作是对提取得到的特征向量进行降维优化，选取出能够显著鉴别干扰信号的有效特征参数，特征选择的优劣也直接影响了下一环节分类器的运算性能。若对特征向量的降维不足，将增加分类器的运算复杂度。

分类器的设计是采用某种决策算法将特征向量空间转换到决策空间，使信号的特征向量对应到不同信号类别之中，从而实现对干扰信号的鉴别。分类器设计的优劣直接决定着最终的干扰鉴别结果。

2 雷达有源干扰的特征提取

目前，已公开发表的文献主要从以下几个方面对雷达有源干扰信号的特征进行提取。

2.1 DRFM干扰机指纹特征提取

DRFM干扰机对雷达信号进行转发的过程中受到干扰机内电子器件的影响，会对信号引入一些量化调制特性，如DRFM时延离散特性[4-7]、相位量化特性[8-9]、幅相量化特性[8]、干扰机内功率放大器特性等[10-12]，这些特性都可以作为特征提取时的线索。

图1 雷达有源干扰鉴别技术基本流程Fig.1 Basic flow of radar active jamming identification technology

在时延离散特性方面，文献[4]在2001年根据离散时延特性引起的谐波效应对距离拖引干扰(range gate pull off，RGPO)进行了鉴别。文献[5-6]在文献[4]基础上进一步研究了谐波效应对干扰信号频谱的影响。文献[7]基于时延离散特性，根据DRFM对脉冲多普勒(pulse-Doppler,PD)雷达进行线性距离波门拖引时引起的谐波效应，提出了一种针对PD雷达进行欺骗干扰的在线检测方法。

在幅相量化与相位量化特性方面，幅相量化能够不失真的存储信号的幅相信息，主要用于产生精确模拟雷达发射信号的干扰，而相位量化只保留了信号的相位特征，当前用于产生对典型脉冲雷达的干扰信号。文献[8]通过提取相位量化特征实现对欺骗干扰的鉴别。文献[9]则在噪声环境下根据回波与相位量化干扰的空时导引矢量，对干扰进行了鉴别。

在功放特性方面，文献[10]根据功放的记忆项、阶次和系数对干扰的影响，提取奇异谱熵等特征参数对干扰实现了鉴别。文献[2]根据功率放大器的非线性效应对信号产生的畸变，提取出双谱均值等特征参数对干扰实现了鉴别。

在DRFM欺骗式干扰机中，干扰信号在经过上下变频的二次调制后，由于本振与雷达发射机之间存在差异，调制后的信号会在相位噪声上产生细微差异。依据这些差异，可以实现对欺骗干扰的鉴别。文献[12]根据本振与发射机之间存在的微小特征差异，对信号进行围线积分双谱变换后，提取双谱变化的平均值、熵值及波形熵等特征参数对干扰实现鉴别。

然而，随着DFRM干扰机量化位数不断增加，DFRM的相位量化特性已经不易被检测与识别，依靠该线索鉴别干扰的可能性已经越来越低。因此，需要寻找其他可鉴别干扰的特征参数。

2.2 回波RCS起伏特征提取

当DFRM干扰机根据接收到的雷达发射信号产生干扰时，大部分对信号的幅度没有进行调制，而只是将其增加了3～5 dB。而对于复杂面目标，雷达接收到目标回波信号的幅值并不是固定的，这是由于目标在空中进行机动的时候，目标雷达散射面积(radar-cross section,RCS)由于其姿态变化而产生相应的变化。因此，可以根据RCS的起伏特性提取信号特征。文献[13]根据RCS起伏特性，目标回波的幅值被认为服从瑞利分布，假目标信号的振幅被认为是固定的，拖引干扰的幅值被认为两者的叠加，最后通过提取三阶中心矩等特征参数对假目标干扰与拖引干扰实现鉴别。

2.3 回波单一变换域特征提取

干扰信号与目标回波信号通过非线性变换到特定的变换域时，不同信号的某些特征会存在显著的差别，因此可以根据这些特征信息进行有源干扰鉴别。

在时域上，信号的特征主要表征了信号在时间上的变化特点，主要有信号的幅度、相位、频率等瞬时变化参数或数值大小随时间变化的包络特性，如矩偏度系数、矩峰度系数、包络起伏度、脉压后时域均峰值功率比[2,14]等。文献[14]在时域内，分别提取了波形的相关矩参数、包络起伏度等相关参数对干扰进行鉴别。

在频域上，信号的特征主要是在信号的功率谱[2]或频谱[2,15]上进行提取。文献[2]提取了功率谱上的矩偏度系数以及矩峰度系数作为干扰鉴别的特征参数。文献[15]通过提取频谱上信号的高阶累积量作为识别窄带干扰和宽频噪声干扰的特征参数。

在其他类型变换域上，文献[13]在图像域根据图像纹理特征提取的方法，建立了灰度共生矩阵，提取出同质度、主对角线能量等参数对拖引干扰的具体类型进行了有效的鉴别。文献[16]在能量域内，选择信息熵、指数熵、范数熵3个特征参数，信息熵与指数熵实现了噪声调幅干扰的鉴别，范数熵实现了对噪声干扰与欺骗干扰的区分。文献[17]在统计域内，提取其二阶与四阶累积量作为特征参数，对数字调制信号实现了鉴别。

2.4 多信息域联合特征提取

目前，随着雷达有源干扰技术向着高逼真度方向发展，特别是针对多域复合调制的雷达有源干扰，在单一变换域提取的特征参数很难对其进行鉴别，因此需要通过多信息域联合[13-14,18-20]的特征参数对其进行鉴别。

文献[13]结合信号在时域、频域与图像域内的特征参数对假目标干扰与不同拖引干扰进行了区分。文献[14]在时频域与能量域中通过提取最大奇异值、能量比分布等参数实现了对干扰的鉴别。文献[18]运用Choi-Williams时频分布图对干扰信号进行描述，提取出有效的时频域特征参数集，对雷达干扰进行鉴别。文献[19]基于深度学习算法在时频域内提取信号的有意调制信息对干扰进行鉴别。文献[20]根据欺骗干扰信号在频域—慢时域变换时得到的时频分布特征差异，实现了对拖引干扰的鉴别，但该方法需要利用多个脉冲信号，增加了运算的时间。

基于多信息域联合特征提取是根据模式识别等相关领域，将脉冲信号进行时域、频域、图像域等非线性变换后提取特征参数，该方法能提高对鉴别的准确率，但该方法的运算量较大，不利于实际应用。

3 雷达有源干扰的特征选择

特征选择是有源干扰鉴别中的一个重要步骤，通过选择可以简化后续分类器设计，节省分类器的训练时间。目前，特征选择主要是基于模式识别的方法，选取出有效的特征参数实现对特征向量的降维处理。而特征选择的关键问题是确定特征向量的评价准则与特征选择的算法实现。

3.1 特征向量的评价准则

合理有效的特征向量评价准则是特征选择的基础，只有确定合适的评价准则，才能选择出最优的特征向量。目前，研究者提出了类别可分离性准则[2]、假设检验准则[13]以及Fisher准则[21-22]等对特征向量进行评价。

对于类别可分离性准则，文献[2]采用灰色关联分析的方法，不同类型特征的灰色关联度越大表示其关联性越强，因此需要选取出灰色关联度最小的特征作为特征向量的元素。对于假设检验准则，文献[17]基于K-W检验，选用统计量较高的特征参数，实现对特征向量的降维处理。文献[21]基于Fisher准则计算不同特征参数的类间样本间隔和类内样本的紧凑程度来检验特征选择的优劣，并通过实验验证了该准则的有效性。

3.2 特征选择的算法实现

在选用合适的特征评价准则后，快速高效的特征选择算法是特征选择的工具。特征选择算法的优劣也决定了特征选择计算量的大小，影响着计算的速度。当前研究者结合其他领域提出了多种类型的特征选择的算法，如基于粒子群算法的特征选择方法[23]、Relief算法[24]、基于启发式搜索策略的遗传算法[25]等。

文献[23]提出一种改进的粒子群优化算法对特征进行了选择与分析。文献[24]基于Relief算法提出了一种干扰数据特征选择算法，称为阈值-Relief算法，改进后算法有效消除了干扰数据对分类结果的影响。文献[25]采用改进后的遗传算法对特征空间进行降维处理，实现对特征的选择。

4 雷达有源干扰的分类器设计

分类器的设计主要是对分类器内的算法进行设计。目前，常见的分类器算法有：基于神经网络的算法[2，14，26-27]、基于统计判决树的算法[2，13]、支持向量机[28-30]及其他类型算法[13，31-32]等。虽然现在提出的算法都可以实现对干扰信号的鉴别，但不同的算法适用的范围不尽相同，每种算法的性能也有差异，对分类器进行训练的时间也不相同。

4.1 基于神经网络的分类算法

神经网络算法是对于干扰鉴别的一种较为成熟的算法，目前应用较为成熟的是BP(back propagation)神经网络算法[2，14]。当其应用到干扰鉴别的时候，通过大量的数据训练找到干扰鉴别对应的最优连接权值。文献[2]仿真结果表明采用BP神经网络算法，在干噪比大于3dB的情况下，各种干扰的识别概率能达到75%以上。

文献[26]基于深度神经网络，运用栈式稀疏自编码器，实现了对有源干扰的鉴别，且鉴别概率受信噪比的影响较小。文献[27]提出了一种基于多输入单输出矢量神经网络组合的识别算法，通过实测数据验证了该算法能够准确的对雷达辐射源进行鉴别，且计算量较小。

4.2 基于统计判决树的分类算法

利用统计判决树对干扰进行分类，重点在于每个特征参数判决门限的设定，这决定了干扰正确鉴别率的高低。相比于其他的分类算法，统计判决树原理简单，不需要设计复杂的逻辑结构，仅需要根据选择后的特征参数，设计出相对应的门限，对接收到的信号进行逐级分类。一般情况下，在选择好特征参数后，通过大量的数据训练，得到该特征参数所对应的判决门限，从根节点自上而下建立统计判决树。

目前，基于统计判决树识别算法已经得到了有效应用。文献[2]采用统计判决树的方法对噪声干扰与欺骗干扰实现了有效的鉴别。文献运用[13]统计判决树对RGPO、速度拖引干扰(velocity gate pull off,VGPO)与同步拖引干扰(range-velocity gate pull off,RVGPO)实现了有效的鉴别。

4.3 基于支持向量机的分类

支持向量机分类其原理是利用核函数将样本从不可分的低维空间映射到高维空间，在高维空间中寻找一个最优超平面，要求超平面与每一类样本间的距离，即分类间隔尽可能大[28-29]，这样可以保证同类样本尽可能位于超平面的同一侧，实现对样本的分类。文献[30]将径向基核函数作为支持向量机的核函数进行训练与鉴别实验，通过实验可以验证在选择合适的径向基核函数参数后，对定频脉冲式、定频连续波式和扫频式3种有源干扰的正确鉴别率可达99%以上。

4.4 其他新型分类算法

算法的优劣直接影响着分类器的工作效率，传统的干扰鉴别算法在电磁环境复杂、信号密度增加的情况下，运算效率低下。因此有学者在其他领域不断寻找新的算法来优化分类器的设计、提高其工作效率。目前对于有源干扰鉴别，在图像识别、模式识别等相关方向都存在算法应用。文献[13]结合图像识别领域内的模板匹配算法，实现了对拖引干扰的有效分类。在模式识别领域，文献[31]基于稀疏分解算法，采用分类器实现目标鉴别。文献[32]运用了聚类算法对辐射源进行鉴别。

从现有的文献来看，目前分类器在低信噪比的环境下还不能更好的适应，并且分类器的运算速度还不能很好的匹配复杂多变的战场电磁干扰，因此对分类器需要进一步优化设计。

5 结束语

有源干扰鉴别是雷达自适应抗干扰的前提，本文从有源干扰鉴别的一般流程切入，从有源干扰信号的特征提取、特征选择与分类器设计3个方向对相关文献进行了梳理。可以看出，当前雷达有源干扰鉴别技术研究还不够系统，理论与应用还有差距。未来有源干扰鉴别应面向高逼真假目标等新型有源干扰，并结合大数据处理、机器学习、人工智能等新兴技术，向认知化方向发展。