应用决策树的航天测控干扰识别方法*

操礼长,汪筱阳,刘军锋,朱 琳,张 宇,李先友,辛 鑫

(1.中国人民解放军63769部队,西安 710043;2.空军工程大学 防空反导学院,西安 710051)

0 引 言

目前,空间电磁环境越来越复杂,多种电磁信号给航天测控造成极大威胁,无论是来自复杂空间环境的无意电磁信号,还是来自有意的攻击信号,甚至是系统自身因设计不合理而导致的信号间干扰等,都将影响航天器与地面测控设备之间的通信,轻则导致航天器、地面测控设备失能[1-2],重则导致其被毁伤。

对于干扰信号的识别一直是国内外研究的热点[3-6]。文献[7]分析了干扰信号的运作流程,通过构建系统跟踪模型,添加规则库,提出了一种电子通信系统复合式干扰智能识别技术,但该方式需要获得一定的先验信息。文献[8]采用天牛须搜索算法优化混合蛙跳算法的子种群的局部搜索能力,结合反向传播(Back Propagation,BP)神经网络提出了一种改进混合蛙跳算法,提高了干扰信号的识别率,但该方式对于多类型干扰会造成网络层数增多,识别效率下降。文献[9]分析了噪声干扰、密集假目标干扰、组合干扰的时域、频域特性,选取相关特征参数,通过构建组合支持向量机(Support Vector Machine,SVM)识别器,对3种干扰信号进行了分类识别,但该方式对于特征参数的选取提出了较高的要求。

针对不同的干扰信号,识别的方式大不相同。就航天测控链路来说,受到的干扰有宽带噪声干扰、单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、随机二元码调制干扰等各种类型。为了有效应对这些来自空间、地面的不同干扰,必须要对测控上、下行链路及星间链路的干扰进行分析。由于干扰类型较多,且没有干扰信号的先验信息,因此,本文提出了采用决策树方法研究航天测控干扰信号识别,在无需较多先验知识的情况下,采用“从属性到结论”的方式,通过计算时域峰平比、归一化频谱的3 dB带宽、归一化频谱峰度系数等特征因子,对航天测控链路受到的未知干扰信号进行识别。该方法需要对各种干扰信号提取其区别度较强的特征参数,这里采取时域频域的处理方法,提取某些辨别能力较强的特征因子;然后,依据提取的特征因子构建高效的级联分类器,对干扰进行分类识别,区分单音、梳状、脉冲、窄带、宽带等干扰的信号类型、调制方式等。

1 干扰识别规则及特征因子选取

1.1 干扰识别规则

决策树是一种以事例为基础的归纳学习算法,它着眼于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则,以形成分类器和预测模型,从而对未知数据进行分类、预测、数据挖掘等。采用决策树进行分类,首先,利用训练集建立决策树模型。实际上,这是一个从数据中获取知识进行机器学习的过程。然后,利用生成且训练完毕的决策树模型,对未知数据样本进行分类。采取自上而下的递归方式,在决策树的内部结点,进行属性比较,根据不同的门限来判断自该结点向下的分支,最后在决策树的叶结点处得出结论。可以看出,从决策树的根结点到叶结点的每一条路径都对应着一条选取规则,整棵决策树对应着一组表达规则。

根据贪婪算法,从根结点开始,对每一个非叶结点找出其对应的属性,对样本集进行测试,并根据测试结果的不同,将样本集划分成若干样本子集。每个样本子集又构成了一个新的叶结点,再对新的叶结点重复进行测试、划分。这样不断循环,直到达到特定的终止条件。为了对未知的样本进行分类,样本的门限需要在决策树上测试。

借鉴上述决策树的思想,构建基于决策树的航天测控干扰识别规则:首先,利用干扰信号的特征因子值,作为每个结点的属性值,来与预设的门限进行比较判决,大于门限的为类别集A,小于门限的则为类别集B;然后,再分别在类别集A、B中再次进行比较判决,形成新的类别集C、D或类别集E、F;多次循环,直至每个类别集中仅有一个元素,即只有一种干扰类型为止,这样就可对干扰信号进行识别。

1.2 特征因子选取

(1)时域峰平比

对干扰信号进行时域采样,记干扰信号的幅度为A(i),i∈[1,N]为采样时刻,记Apeak为幅度最大值,为幅度平均值,则时域峰平比Rpm为

该参数用于区分脉冲干扰(PulseInterference,PI)与其他干扰信号。

(2)归一化频谱的3 dB带宽

计算干扰信号频谱的模值S(n)=,信号采样长度为N。将其进行归一化处理,得到信号归一化频谱值

则归一化频谱的3 dB带宽Buw为

该参数用于区分宽带干扰与窄带干扰信号。

(3)归一化频谱峰度系数

Bpeak为频谱归一化后幅度的最大值,Bmean为频谱按幅度大小降序排列后,前K(K＜N)个幅度值取平均,则归一化频谱峰度系数为

该参数用于区分单频窄带干扰(Continuous Wave Interference,CWI)与调制窄带干扰信号。

(4)归一化频谱平坦度

提取归一化频谱中的冲激部分Rp(n):

式中:L为平滑滤波的窗口长度,一般取0.03N。归一化频谱平坦度δpns为Rp(n)的标准差,即

该参数用于区分宽带梳状干扰(Comb Spectrum Interference,CSI)与其他宽带干扰信号。

(5)分数阶傅里叶域能量聚集度

离散分数阶傅里叶变换:

式中:uk是离散值;p为离散傅里叶阶数,p∈[0,2];x(n)为干扰的时域表达式。计算分数阶傅里叶变换域幅度谱的最大值和平均值之比Rfr(p)为

式中:

则分数阶傅里叶域能量聚集度Rfr为

该参数用于区分线性调频干扰(Linear Frequecy Modulation,LFM)与其他宽带干扰信号。

(6)时域矩峰度系数

计算干扰信号均值μ=E[x(n)],标准差σ=,则时域矩峰度系数Kurt为

该参数用于区分噪声与调制干扰信号。

(7)零中心归一化瞬时幅度谱密度的最大值

该参数能够反映干扰信号是否存在幅度调制,具体计算公式为

其中,Ns表示截取的信号长度;acn(i)=an(i)-1是时间点t=i/fs(i=1,2,…,Ns)的零中心归一化瞬时幅度;an(i)=a(i)/ma是归一化瞬时幅度,ma是瞬时幅度的均值。

该参数用于区分2FSK、4FSK等幅度保持不变的信号与ASK、PSK等幅度调制的信号。

(8)强信号段零中心归一化瞬时频率绝对值的标准差

具体计算公式为

式中:C是在{fN(i)}中对应的归一化幅度an(i)＞at的样本数;fN(i)=fm(i)/rs,rs表示数字信号的符号速率,fm(i)=f(i)-mf,f(i)表示瞬时频率,mf=表示瞬时频率的均值。

该参数用于区分2FSK与4FSK干扰信号。

(9)高阶累积量

这里采用文献[10]中的高阶累积量对MPSK信号进行识别。

(10)零中心归一化瞬时幅度绝对值的标准差

具体计算公式为

该参数用于区分2ASK与4ASK干扰信号。

2 干扰识别的流程

2.1 干扰识别的基本流程

航天测控干扰的决策树识别方法由三部分组成,分别是信号预处理、特征因子选取和决策树设计,其结构示意图如图1所示。

图1 航天测控干扰的决策树识别方法示意图

信号预处理的作用是预先准备好后续部分所需要的数据,主要对信号进行存在性检测、盲源分离、下变频处理、关键参数估计等。

特征因子选取是通过多方面分析信号时域或变换域信息而进行的特征因子选取操作,这些具有表征信号特点的特征因子是算法的核心内容,特征区分度明显与否直接决定干扰识别效果。

决策树设计的作用是建立合适的识别规则,确定待识别信号集的调制类型。决策树分类器的树形结构一目了然,灵活性较强,易于扩展。

2.2 决策树设计流程

在对干扰信号整理后,首先,判定干扰的类型,区分干扰属于脉冲、单音、梳状、窄带、宽带等类型;然后,再判定其调制方式,区分干扰属于ASK、PSK、FSK等方式。基于决策树的干扰识别原理框图如图2所示。

图2 决策树设计流程图

干扰信号的具体识别流程如下:

Step 1计算干扰信号的时域峰平比Rpm,并与门限ThRpm比较,当Rpm≤ThRpm时,判决为脉冲干扰,记为类别集A;反之,则记为类别集B。

Step 2计算类别集B中干扰的归一化频谱的3 dB带宽Buw,并与门限ThBuw比较,若Buw＜ThBuw时,判决为窄带干扰,记为类别集C;反之,则为宽带干扰,并记为类别集D。

Step 3计算类别集C中干扰的归一化频谱峰度系数KS,并与门限ThKS相比较,当KS≥ThKS时,判决为单音干扰;反之,则为非单音的窄带干扰。

Step4计算类别集D中干扰信号的归一化频谱平坦度δpns,并与门限Thδpns相比较,当δpns≥Thδpns时,判决为梳状干扰;反之,则为非梳状的宽带干扰,并记为类别集E。

Step5计算类别集E中干扰信号的分数阶傅里叶域能量聚集度Rfr,并与门限ThRfr相比较,当Rfr≥ThRfr时,判决为LFM干扰;反之,则为非LFM的宽带干扰,并记为类别集F。

Step6计算类别集F中干扰信号的时域矩峰度系数Kurt,并与门限ThKurt相比较,当Kurt＜ThKurt时,则为噪声干扰;反之,则为其他调制干扰,并记为类别集G。

在上述识别的基础上,继续对干扰信号进行调制方式分类。

Step7计算类别集G中干扰信号的零中心归一化瞬时幅度谱密度的最大值γmax,并与门限Thγmax相比较,若γmax＜Thγmax,判决为FSK类干扰,并记为类别集H;反之,则为非FSK类干扰,主要包含ASK、PSK,并记为类别集I。

Step 8若为FSK类干扰,计算类别集H中干扰的强信号段零中心归一化瞬时频率绝对值的标准差σaf,并与门限Thσaf相比较,若σaf＞Thσaf,则为4FSK类干扰;反之,则为2FSK类干扰。

Step9在非FSK类干扰类别集I中,计算高阶累积量特征因子F,若F=4则为BPSK类干扰,F=2则为QPSK类干扰,F=0则为8PSK类干扰;反之,则为其他干扰,并记为类别集J。

Step 10计算在类别集J中干扰的零中心归一化瞬时幅度绝对值的标准差σaa,并与门限Thσaa相比较,若σaa＞Thσaa,则为4ASK类干扰;反之,则为2ASK类干扰。

至此,利用树状结构,通过层层分解、反复比较,即可识别干扰。

3 仿真与分析

由上述干扰识别机理与流程可知,本文的干扰识别方法仅针对单一类型干扰进行识别,因此,针对不同类型的干扰信号需分别分析本文方法在不同干信比条件下的识别概率。设置干信比范围为-10～25 dB,在单一干扰类型信号条件下,分别建立Eb/N0=0 dB时典型脉冲干扰(PI)、单频窄带干扰(CWI)、窄带BPSK干扰、宽带BPSK干扰、宽带梳状干扰(CSI)、线性调频干扰(LFM)、宽带噪声干扰等干扰模型,利用本文所提方法对不同类型干扰信号进行识别。由于产生的干扰信号中带有噪声,所以每个类型干扰信号的识别结果为100次仿真实验取平均。不同类型干扰信号识别的仿真结果如图3所示。

图3 不同干信比时干扰识别概率

从图3的仿真结果可以看出,干扰信号识别的概率随着干信比增大而提高,在干信比为0 dB以上时,各类干扰信号均可实现90%以上的识别概率。

对于调制类干扰信号,分别建立ASK、FSK、PSK信号模型,设置Eb/N0=-5～25 dB,在单一干扰类型信号条件下分别对不同信噪比下的各类调制类干扰进行识别仿真,其中每个类型干扰信号的识别结果为100次仿真实验取平均。仿真结果如图4所示。

图4 不同信噪比时调制类干扰识别概率

从图4的仿真结果可以看出,在Eb/N0＞0 dB时,FSK类干扰识别概率大部分在90%以上;而当Eb/N0＞5 dB时,各类调制信号成功识别的概率则可高达95%以上。

此外,图3和图4的仿真实验结果同时也表明了实验中特征因子及门限值选取的合理性。干扰识别的关键在于比较判决,也就是决策树内部的时域峰平比门限ThRpm、归一化频谱的3 dB带宽门限ThBuw、归一化频谱峰度系数门限ThKS、归一化频谱平坦度门限Thδpns、分数阶傅里叶域能量聚集度门限ThRfr、时域矩峰度系数门限ThKurt、零中心归一化瞬时幅度谱密度的最大值门限Thγmax、强信号段零中心归一化瞬时频率绝对值的标准差门限Thσaf、高阶累积量、零中心归一化瞬时幅度绝对值的标准差门限Thσaa等各种门限的选取。不同的特征因子有不同的门限,有时特征因子的门限还会因为其在流程中的位置的不同而不同,甚至会根据不同的电磁环境、不同的频率而设置不同的门限,因此,门限的选取一般依据实际情况或经验而定。针对不同的干扰信号,已有许多研究成果可供借鉴,且有不少学者仍在研究。随着后续研究的深入,针对不同的信号干扰,各类门限的设置将会更加科学、更加合理。

4 结 论

本文针对航天测控链路受到的干扰信号类型及调制方式,通过选取不同干扰信号在时域、频域或变换域的典型特征因子,应用决策树的分类方法,在无需获取干扰先验信息的情况下,设计了一种航天测控干扰信号识别方法。通过仿真验证,该方法能够有效识别航天测控链路面临的十余种不同类型及调制方式的干扰信号,具有工程实践性。应用决策树的干扰信号识别方法的准确性取决于各节点的门限选取,这些门限需根据新的干扰信号进行不断训练和更新。