电子通信系统复合式干扰智能识别技术研究

2021-11-17于红斌

计算机仿真 2021年4期

李静，于红斌

(1.河南工学院电子信息工程学院，河南新乡 453000；2.河南师范大学计算机与信息工程学院，河南新乡 453007)

1 引言

电子通信是结合现代数字技术而发展起来的技术，更因为其具有较高的安全性而受到了广泛的应用，电子通信系统因其信息信号隐蔽、抗干扰能力强等优点，在商业通信与军事上都获得了较为广泛的应用前景。但是电子通信系统的抗干扰能力会受到发送机与接收机的宽带限制，当接收信息超过干扰容限时，通信系统就会产生严重的恶化。为了解决这个问题，国内外许多研究人员进行干扰抑制的研究，并获得了很多意义重大的成果。但通过研究得出的抑制方法只能够针对某个种类干扰样式，不存在某种方法能够对多种样式进行抑制。

较为典型的干扰识别方法，为凭借短时傅立叶转换工具，依据干扰信号的时频曲线能够对单音干扰、多音干扰与线扫频进行识别，但这种算法的识别范围存在限制，其无法识别复合式干扰，同时不能实现干扰样式的自动分类识别。

针对上述问题，提出了一种电子通信系统复合式干扰智能识别技术。

2 复合式干扰智能识别

2.1 速度与距离干扰原理

速度与距离联合欺骗干扰为主要因素，依靠尺寸产生的时延函数Δtrj(t)和速度延迟产生的多普勒频率偏移量fΔ(t)，来满足一定的相应关联，使得干扰信号更为真实的模拟传输目标，

对于电子[1]通信系统内的检测目标回波信号，速度与距离联合欺骗干扰模型能够描述成

(1)

式中，多普勒频移量fΔ(t)与[2]时延函数Δtrj(t)在拖引的时候需要满足

(2)

在速度与距离联合[3]拖引干扰的流程内，距离时延Δtrj(t)与多普勒频移fΔ(t)能够分别描述成

(3)

(4)

凭借上述的拖引模型，能够看出，目标在进行拖引干扰之后，拖引的轨迹与现实传输的[4]轨迹出现了明显的变化，因此，可以依靠拖引与目标空间的态势信息进行目标识别。

2.2 系统跟踪模型构建

(5)

其中，F(k)代表状态转换矩阵，V(k)即通信流程里噪声的向量，即白色高斯或零均值噪声序列，其协方差矩阵为Q(k)，h(·)即非线性[7]观测函数向量，W(k+1)即误差向量的测量，也可以被描述成白色高斯、零均值的噪声序列，其协方差矩阵是R(k)，Z(k+1)代表系统观测向量。

由于状态向量在直角坐标系内被选用，并且状态方程在直角坐标系进行描述，因此，状态方程就是一种状态向量的线性函数，状态转换矩阵F(k)能够描述成

(6)

挑选z=[θ，γ，Vr]与z=[θ，γ，R]来代替测量向量，其中，θ，γ代表目标对应于拖引头坐标系的[8]夹角，Vr代表信息通信传输的效率，R代表通信系统信息的对应尺寸。构建的[9]非线性测量函数能够描述成

(7)

2.3 电子通信系统信号的常规时域特征分析

在瞬时频率、瞬时幅度与瞬时相位等瞬时数据的基础上，获得一些计算后的特征参数。设定归一化瞬时幅度的最大值是

(8)

拟定归一化瞬时幅度的绝对值标准偏差是

(9)

式中，acn(i)，NS的设定同上，σaa和JNR存在一定规律的关联。

通过上述能够看出，在JNR<9dB时，所有复合干扰样本σap的值不会出现太大的误差，当JNR>9dB时，速度与距离欺骗干扰的复合信号与加性复合干扰信号的值会随JNR的提升而出现快速的缩小。在JNR较大时，能够经过σap的值把上述两种复合干扰与其它几种干扰划分出来。

E为归一化[15]瞬时幅度的最大值。其用在划分存在幅度起伏信息与不存在幅度起伏信息的信号。所有干扰信号的E值与JNR的关联存在一定的规律。

通过上述能够看出，常规时域特征提取出的电子通信系统复合干扰信号特征的效果并不理想，不能完全区分较多的复合干扰信号。因此，需要再添加一种识别算法对干扰复合信号进行识别。

2.4 复合干扰信号的智能识别

通过分析电子通信系统信号的常规时域特征，明确了归一化瞬时幅度的最大值E，降低了信号的干扰程度，在此基础上，需要对复合干扰信号进行识别，干扰信号来自某个电子通信系统的输出端，A/D转换器采集样本的频率是20MHz，收集的信息以数据的形式存储在计算机内，供模式识别与特征分析训练的消耗。

对每一种干扰信号的接收端特征分析结果能够看出，干扰信号具有很多可供识别的特征，其中存在覆盖强度特征T1，平稳强度特征T2，起伏特征T3，分布特征T4，单位时间里脉冲的总量NP，谱特征β，a1，a2，脉冲展伸特性与脉冲前沿特性等。这些特征的定义如下所示

(10)

(11)

T4=Probability[x1

(12)

其中，{xi|i=1，2，…，N}代表一种样本数据段(N)，{x1|i=1，…，4}代表四种样本数据段，{y1}代表{x1}里尖峰点的值集，x(ejb)代表凭借AR模型对{xi}所做出的谱估计，a1，a2代表AR模型的参数。

在进行识别的流程内，设定a=5%。依次识别所使用的数据样本点数是4×256，收敛概率接近于100%，如果出现拒判，能够使用心得数据进行重新评测，比如，拖距干扰评测是有可能要求提升观测周期。

为了缩减规则库构建流程内的复杂性，将识别的过程分化成若干两种子划分子流程，每一种子流程都使用对应的特征，搜索对应的规则库，查询的方法是顺序检索，只需要某种规则的要求得到满足，那么就立刻停止搜索，获得识别结果。

干扰信号特征库的复杂层次架构信息是非常丰富的，比如，覆盖性干扰的T1值对比类目标型干扰的T1值要大很多，但在干扰带宽较大或中心频率瞄准时存在较大误差时，T1值就会变小，但同时随着T2的提升，存在同等T2时，无源箔条云干扰的β值比噪声调频的β值要小很多，这些层次性架构很难利用特征空间的旋转尺度转换或降阶进行剔除。

3 实验证明

实验环境为Intel(R)Core(TM)i5-3470CPU，3.20GHz，8GB内存的PC化，通过MATLAB7.6编程实现，LIBSVM为支持向量机软件。

3.1 实验参数

1)矩偏度系数

拟定X代表一种随机变量，其均值是μ，标准差是σ，那么矩偏度系数能够拟定成

(13)

其代表的是一种分布的不对称强度。矩偏度系数和干扰噪声比的关联曲线存在一定的规律，

2)矩峰度系数

拟定X代表一种随机变量，其均值是μ，标准差是σ，那么矩峰度系数能够被描述成

(14)

其代表的是分布的陡峭强度。其代表的是分布的陡峭强度。一般是对应正态分布(a4=3)的，在a4>3时，就说明存在峰尖分布，而在a4<3时，就说明存在扁峰分布。

3.2 实验分析

为了验证所提方法的可信度，验证系统信号的矩偏度系数和矩峰度系数变化情况。

如图1所示，系统信号矩峰度系数最终趋向于3，矩峰度系数变化较为规律，由于矩峰度保持在3左右，并且随着时间的延长，没有变化幅度，矩峰度系数的大小取决于速度和距离欺骗干扰信号的大小，说明该系统的干扰信号符合实验需求；系统的矩偏度呈规律变化，在零附近，复合干扰的偏度也大多在零的周围，这就证明分布大致上都是相应的。偏度系数在该区域段容易区分复合信号，即符合实验需求，可以进行仿真。