基于多域特征提取和RVM的有源压制干扰识别方法
2021-06-16李大超翁永祥王明君
蔡 潇,李大超,翁永祥,王明君
(1.海军驻上海地区第十军事代表室,上海 201800;2.中国电子科技集团公司第五十一研究所,上海 201802)
0 引 言
有源压制干扰通过向敌方雷达发射干扰信号达到压制真实目标回波的目的,由于干扰效果好,适用性强,使用灵活等优点,成为电子战中使用最为广泛的一种干扰方式。常用的压制干扰信号包括噪声干扰、密集假目标干扰、间歇采样转发干扰以及组合干扰。压制干扰对现代雷达系统在复杂电磁环境下的作战能力提出了更高的要求,要求雷达具备干扰环境智能感知能力,其中的关键就是对干扰信号进行分类识别,获取当前干扰场景,为系统自动决策提供依据[1-3]。
目前国内外学者对有源压制干扰信号识别的研究主要包括基于时域特征的识别方法、基于频域特征的识别方法、基于变换域特征的识别方法和基于多域联合特征的识别方法。文献[4]对噪声干扰信号的时域特性进行分析,利用神经网络分类器对提取的3维时域特征进行识别,在干噪比(JNR)较高时能够获得较为理想的分类结果;文献[5]将3种噪声干扰信号转换至频域,提出3维频域特征并采用径向基函数(RBF)神经网络进行分类,在JNR高于-6 dB时可以获得优于90%的正确识别结果;文献[6]、[7]在上述时域特征和频域特征的基础上,分别采用短时傅里叶变换(STFT)和分数阶傅里叶变换(FRFT)等方法将干扰信号转换至变换域,根据目标回波和干扰信号在变换域的差异提取特征进行分类识别,相对于时域、频域特征体现出了一定优势;为了拓展信息提取维度,文献[8]将上述单一维度特征提取方法结合,分别从时域、频域和变换域提取特征,构成多维特征向量,并利用决策树和支撑向量机(SVM)分类器进行分类识别,采用6种干扰信号的仿真实验验证了所提方法的有效性。
上述方法在各自实验中虽然能够获得较好的性能,但实际应用过程中都存在或多或少的限制条件,例如时域特征在JNR较低时识别性能会出现明显下降;基于频域特征的RBF分类方法需要较多的训练样本,并且RBF分类器参数的设置对识别性能影响较大;时频域和分数域特征提取需要消耗较多的运算资源;联合使用多域特征的识别方法需要根据经验选择合适的特征组合,不同特征组合得到的结果存在较大差异。
在前述研究的基础上,针对噪声干扰、密集假目标干扰、间歇采样转发干扰和组合干扰的信号识别问题,提出一种基于多域特征提取和相关向量机(RVM)分类器的识别方法,分别从时域、频域和变换域提取多维特征构成特征向量,然后利用RVM分类器进行特征选择和分类识别,自动确定最优组合特征的同时提升算法在低JNR条件下的稳健性,最后采用仿真数据对所提方法的有效性进行验证。
1 有源压制干扰模型
1.1 噪声干扰
压制干扰中采用的噪声干扰包括噪声调幅、噪声调频、灵巧噪声等多种类型,其中噪声调幅是最常见的一种样式,其理论模型为:
J1(t)=[U0+Un(t)]cos(ωJt+φ(t))
(1)
式中:U0为载波的电压值;Un(t)为0均值高斯白噪声;ωJ为载波中心频率;φ(t)为[0,2π]范围内均匀分布的相位函数。
噪声压制干扰可以使雷达接收机的信噪比在短时间内迅速下降,降低雷达对目标的检测概率。但是现代雷达采用相参信号,噪声干扰信号由于无法进行相参积累,功率损失较大,因此常用于瞄准式干扰,将噪声频段设置在雷达工作频率附近较小范围内,以提升压制效果,或者将噪声干扰与其他干扰样式组合形成组合干扰。
1.2 密集假目标干扰
不同于噪声干扰,密集假目标干扰采用数字射频存储器(DRFM)在短时间内转发大量的假目标信号,对真实目标回波进行压制。由于这些假目标信号与雷达信号相参,功率损失较小,因此密集假目标干扰对干扰功率的要求要远远低于噪声干扰,密集假目标干扰的理论模型为:
(2)
式中:HJ(t)为截获到的雷达信号,HJ(t-τn)为第n个假目标信号;τn为对应的延时;An和φn(t)分别为第n个假目标信号的幅度和相位,n=1,2,…,N,N为产生密集假目标的个数。
密集假目标干扰信号与雷达信号相参,脉冲压缩后能够得到积累,使雷达将假目标信号作为真实目标信号进行处理,短时间内消耗雷达大量的检测和处理资源,降低对真实目标的检测能力。
1.3 间歇采样转发干扰
间歇采样转发干扰是在密集假目标干扰和DRFM基础上发展起来的一种新的干扰样式,巧妙地利用了雷达线性调频信号的匹配滤波和天线收发分时的特点,通过对截获的雷达信号进行间歇采样和转发,经雷达脉冲压缩后形成多个逼真假目标,降低雷达的探测和跟踪能力,达到压制效果。
间歇采样干扰的实现是利用脉宽为τ、重复周期为Ts的矩形包络脉冲串p(t)与截获到的雷达信号HJ(t)相乘得到,即:
J3(t)=p(t)×HJ(t)
(3)
与密集假目标干扰相同,间歇采样转发干扰信号保持了与雷达信号的相参性,能够得到积累增益,同时间歇采样转发干扰信号带内起伏更加明显,波形更加复杂。
1.4 组合干扰
本文研究的组合干扰将噪声干扰和间歇采样转发目标干扰结合在一起,即:
J4(t)=aJ1(t)+bJ3(t)
(4)
式中:a,b为2种干扰信号的功率比例系数。
2 多域特征提取
特征提取的目的是从信号中提取反映不同类别干扰信号的差异信息,这种差异信息可能存在于时域,频域或者变换域等,因此特征提取时要包含尽量多的维度,避免信息丢失。本文在已有研究的基础上,从时域、频域和变换域提取19维特征构成特征向量对4种干扰信号的差异信息进行描述。
2.1 时域特征
(1) 特征1:时域二阶中心矩
二阶中心矩描述的是信号时域波形相对于其质心的分布特性,对于给定信号y(t),t=1,…,M,其二阶中心矩定义为:
(5)
(2) 特征2:时域矩偏度[9]
作为一种三阶统计量,时域矩偏度描述的是信号时域波形的不对称程度,其计算公式为:
(6)
式中:u和σ分别表示y(t)的均值和标准差。
(3) 特征3:时域矩峰度[9]
作为一种四阶统计量,时域矩峰度描述的是信号时域波形的尖偏程度,其计算公式为:
(7)
(4) 特征4:时域波形起伏度[10]
将信号方差和均值的比值定义为波形起伏度特征,即:
(8)
(5) 特征5:时域波形熵
熵是一种描述信号不确定性的物理量,不确定性越大,熵越大,其定义为:
(9)
(6) 特征6:时域归一化幅度绝对值标准差[10]
时域归一化幅度绝对值标准差定义为:
(10)
(7) 特征7:时域波形相关比参数
对于信号y(t),其瞬时自相关矩阵可以表示为B(t,τ)=y(t)×y(t-τ),时域波形相关比参数定义为:
(11)
式中:L为B(t,τ)中大于0的元素个数;P为B(t,τ)中小于0的元素个数。
2.2 频域特征
对时域信号y(t),t=1,…,M进行快速傅里叶变换(FFT)可以得到对应频谱Y(f),f=1,…,M,对Y(f)分别按式(5)~式(11)可以计算得到对应的频域特征F8~F14。
2.3 变换域特征
(1) 特征15:分数域最大阶次归一化方差
不同于FFT只能将信号整体变换到频域,FRFT作为一种广义FFT,具备对信号时频双域信息的融合处理能力,是一种分析非线性、非平稳信号的有力工具。对于时域信号y(t),t=1,…,M,对其进行p阶FRFT后得到分数域信号为fp(u),则最大阶次归一化方差可以表示为:
(12)
(2) 特征16:分数域最小阶次归一化方差
同理,我们可以得到分数域最小阶次归一化方差为:
(13)
(3) 特征17:分数域归一化方差比
分数域归一化方差比为分数域最大阶次归一化方差与分数域最小阶次归一化方差之间的比值,即:
(14)
(4) 特征18:盒维数特征
压制干扰信号是一种典型的复杂不规则信号,可以采用分形理论进行分析,盒维数是应用最为广泛的分形维数,其计算方法为:
(15)
N(p)=
(16)
(5) 特征19:时频图像域Renyi熵特征[11]
利用平滑伪魏格纳-维尔分布对时域信号y(t),t=1,…,M时频分析得到时频二维图像G(t,f),根据式(17)对其提取3阶Renyi熵特征:
(17)
至此得到7维时域特征、7维频域特征和5维变换域特征,总共19维特征构成多域特征向量F=[F1,F2,…,F19]。
3 基于RVM的特征选择和分类
典型的分类识别系统在完成特征提取后,需要进行特征选择并设计合适的分类器进行分类判决。其中特征选择的目的是对提取的特征进行择优排列,剔除对识别性能影响较小或有负面影响的冗余特征,降低后续分类识别的运算复杂度,目前常用的序列浮动前向选择法存在运算量大和人为设定期望特征个数等问题,并且特征选择和分类器设计的优化准则不一致会导致分类效果不理想。因此,本文选用RVM分类器对上述19维特征进行选择和分类,不仅能够自动确定最优的特征组合,同时基于相同准则的特征选择和分类器设计能够提升算法的识别性能和鲁棒性。
对于容量为N的训练样本集{xn,tn},n=1,…,N,tn={t1,t2,…,tK}为类别标号,K为总类别数,RVM特征选择和分类模型可以表示为:
(18)
式中:K(x,xn)为核函数,通常为高斯核;w=[w1,w2,…,wn]T,为权向量,服从0均值、协方差矩阵为α-1I高斯分布;ε为噪声分量,通常假设其为0均值,协方差矩阵为γ-1I的高斯白噪声;为了实现特征的自动选择,RVM进一步假设α和γ服从超参数为a0,b0,c0和d0的伽马分布构建完整的分层贝叶斯模型。
4 试验及结果分析
4.1 实验数据
采用仿真实验对所提方法的识别性能进行验证,仿真参数设置为:雷达发射线性调频信号(LFM),带宽为5 MHz,脉冲宽度为20 μs,脉冲重复周期为500 μs,峰值功率为60 kW,工作频率为5 GHz。实验中JNR变化范围为-8 dB~8 dB,间隔2 dB,在每种JNR条件下对仿真参数增加均值为0、方差为1的随机扰动并重复进行200次蒙特卡洛试验,将结果的平均值作为最终的实验结果。在实验过程中对数据进行划分,取其中一半作为训练样本,另一半作为测试样本。
4.2 RVM特征选择结果
对训练样本提取19维多域特征,并利用RVM分类器进行特征选择,迭代终止时对应的权值向量如图1所示,可以看出F2,F5,F10,F14,F17,F19对应的权值不为0,即为RVM最终选择得到的特征,其中F2和F5为时域特征,F10和F14为频域特征,F17为分数域特征,F19为二维时频图像特征。结果表明,RVM自动选择的6维特征包含了时域、频域、分数域和时频域等多维度信息,体现了信息提取多元化的原则。
图1 RVM特征选择结果
4.3 单一维度特征和多域特征对比
为了验证RVM自动选择的6维多域特征向量是否最优,表1给出了在σJ/N=8 dB条件下,分别单独采用7维时域特征、7维频域特征、5维变换域特征和全部19维多域特征并利用SVM分类器进行识别的正确识别率和识别结果方差两项指标。SVM分类器选用高斯核,核参数在[0,5]范围内寻优。
从表1所示结果可以看出,所提多域特征(6维)相对于单一维度时域特征的正确识别率提升了7.8%,相对于单一维度频域特征的正确识别率提升了5.6%,相对于变换域特征的正确识别率提升了4.2%,同时采用6维多域特征与直接采用19维多域特征得到的识别结果接近,但是方差更小,表明RVM选择的6维特征对识别性能的贡献率要远高于其余13维特征,并且对数据中的随机扰动更加鲁棒。
表1 不同特征的正确识别率
4.4 不同JNR条件下算法性能分析
在实际工程实践中,噪声信号是不可避免的,噪声的存在会对干扰信号特征提取产生影响,当JNR较低时,干扰信号会被噪声淹没,此时提取的特征向量会被噪声污染,因此需要识别方法在低JNR条件下仍能有效实现对4种干扰信号的分类识别,即需要识别算法具备噪声稳健性。
图2给出了所提方法对4种干扰信号的正确识别率随JNR变化的曲线。可以看出,当JNR高于0 dB时,所提方法对4种干扰信号的正确识别率均较为稳定并且高于93%,当JNR低于0 dB时,随着JNR的下降,对4种干扰信号的正确识别率也都呈现出下降趋势,但是当JNR高于-4 dB时,对4种干扰信号的正确识别率都高于90%,表明所提方法具有较高的噪声鲁棒性。
图2 识别性能随JNR变化曲线
5 结束语
本文对噪声干扰、密集假目标干扰、间歇采样转发干扰和组合干扰这4种常见的压制干扰样式进行建模与分析,分别从时域、频域和变换域提取19种多域特征构成特征向量,对4种干扰信号的差异性进行描述和表征,采用RVM分类器进行特征选择和分类识别,基于仿真数据的试验结果表明,所提方法可以自动确定最优的特征组合,相对于单一维度特征提取方法的正确识别率更高,并且在低JNR条件下(JNR≥-4 dB)能够获得优于90%的识别结果,鲁棒性更好。