基于頻響特性的大起伏密集假目標(biāo)干擾識(shí)別技術(shù)

韋文斌, 彭銳暉,2*, 孫殿星,3, 張家林, 王向偉

(1.哈爾濱工程大學(xué) 青島創(chuàng)新發(fā)展基地, 山東 青島 266000; 2.哈爾濱工程大學(xué) 信息與通信工程學(xué)院, 黑龍江 哈爾濱 150001;3.海軍航空大學(xué), 山東 煙臺(tái) 264001)

0 引言

轉(zhuǎn)發(fā)式密集假目標(biāo)干擾是一種極具威脅的干擾樣式,干擾機(jī)通過大量復(fù)制轉(zhuǎn)發(fā)虛假回波,使其與真實(shí)目標(biāo)回波具有高度的相干性,很難被有效識(shí)別,會(huì)產(chǎn)生大量的虛假點(diǎn)跡,嚴(yán)重影響雷達(dá)對(duì)目標(biāo)的探測(cè)與跟蹤[1-4]。其中,功率動(dòng)態(tài)范圍較大的密集假目標(biāo)干擾(簡(jiǎn)稱為大起伏密集假目標(biāo)干擾)是指實(shí)際對(duì)抗中干擾機(jī)發(fā)射或雷達(dá)接收過程作用于天線主、副瓣等不同通道,導(dǎo)致干擾信號(hào)存在較大功率起伏,使得干擾信號(hào)具有干噪比變化大、特征提取不穩(wěn)定等特點(diǎn),給干擾識(shí)別帶來了極大的挑戰(zhàn)。目前國內(nèi)外學(xué)者的研究主要是關(guān)注干擾功率相對(duì)穩(wěn)定情況下的干擾信號(hào)識(shí)別,對(duì)大起伏密集假目標(biāo)干擾信號(hào)識(shí)別的研究很少。文獻(xiàn)[5-8]利用目標(biāo)與干擾信號(hào)在時(shí)、空、頻等域內(nèi)的可分離性,對(duì)干擾進(jìn)行了有效的識(shí)別與抑制,其中文獻(xiàn)[5]利用干擾多普勒分布于有限范圍內(nèi)的規(guī)律特性,實(shí)現(xiàn)了干擾的識(shí)別與抑制,文獻(xiàn)[6-7]利用自適應(yīng)旁瓣對(duì)消的方法實(shí)現(xiàn)了干擾抑制,文獻(xiàn)[8]利用幀間非相參累積和空域?yàn)V波實(shí)現(xiàn)了干擾抑制。經(jīng)綜合分析,上述文獻(xiàn)均利用了目前干擾機(jī)計(jì)算資源和調(diào)制能力有限的特性,但隨著干擾機(jī)計(jì)算資源與調(diào)制能力的日漸提升,密集假目標(biāo)干擾與真實(shí)目標(biāo)回波相似度不斷提高,這些方法對(duì)目標(biāo)和干擾的分離能力相對(duì)有限。文獻(xiàn)[9-11]以特定體制雷達(dá)為工程應(yīng)用背景,提出對(duì)抗密集假目標(biāo)干擾的思路,其中文獻(xiàn)[9]以陣列天線雷達(dá)為應(yīng)用背景,提出基于盲源分離的方法實(shí)現(xiàn)密集假目標(biāo)干擾的抑制,文獻(xiàn)[10-11]以捷變頻雷達(dá)為應(yīng)用背景,分別聯(lián)合Hough變換和波形熵對(duì)目標(biāo)信息進(jìn)行重構(gòu),其中Hough變換對(duì)計(jì)算資源要求較高。文獻(xiàn)[12]通過設(shè)計(jì)調(diào)頻斜率捷變線性調(diào)頻(LFM)波形,對(duì)干擾參數(shù)進(jìn)行重構(gòu),但其對(duì)該方法受信/干噪比影響程度沒有進(jìn)行明確的評(píng)估。近年來機(jī)器學(xué)習(xí)算法也被廣泛引入于雷達(dá)干擾識(shí)別領(lǐng)域。文獻(xiàn)[13]通過提取多維特征實(shí)現(xiàn)對(duì)密集假目標(biāo)干擾的識(shí)別。文獻(xiàn)[14-15]通過提取時(shí)頻圖作為特征,利用圖像處理方法實(shí)現(xiàn)對(duì)密集假目標(biāo)在內(nèi)的多種干擾進(jìn)行識(shí)別,其中文獻(xiàn)[14]采用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)對(duì)干擾進(jìn)行識(shí)別,文獻(xiàn)[15]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)干擾進(jìn)行識(shí)別,二者僅能對(duì)綜合的干擾態(tài)勢(shì)進(jìn)行判別。文獻(xiàn)[16]同樣基于時(shí)頻圖特征,采用支持向量機(jī)(SVM)實(shí)現(xiàn)了對(duì)真、假目標(biāo)的識(shí)別。文獻(xiàn)[17]聯(lián)合時(shí)頻圖與時(shí)相圖,采用雙分支卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)包括密集假目標(biāo)干擾在內(nèi)的多種干擾類型識(shí)別,然而實(shí)際相位特征對(duì)傳播鏈路等因素變化極為敏感,可能導(dǎo)致性能不穩(wěn)定現(xiàn)象。通過綜合分析,文獻(xiàn)[13-17]在信/干噪比較高條件下取得了良好效果,對(duì)于信/干噪比較低時(shí),其性能退化比較明顯。經(jīng)對(duì)上述文獻(xiàn)綜合分析,針對(duì)密集假目標(biāo)干擾的識(shí)別主要存在如下問題:欺騙干擾信號(hào)與目標(biāo)回波高度相關(guān),細(xì)微差異特征提取困難,難以對(duì)真、假目標(biāo)有效識(shí)別;尤其現(xiàn)有干擾信號(hào)識(shí)別方法基本都是針對(duì)某個(gè)相對(duì)固定信/干噪比的情況,或某一相對(duì)較小的信噪比區(qū)間,而實(shí)際雷達(dá)接收到的回波(目標(biāo)/干擾)強(qiáng)度通常具有較大的動(dòng)態(tài)范圍,尤其干擾信號(hào)從雷達(dá)不同的主/副瓣進(jìn)入時(shí),信/干噪比通常會(huì)具有較大的動(dòng)態(tài)范圍,針對(duì)該情況現(xiàn)有方法大多存在識(shí)別性能不穩(wěn)定的問題。

針對(duì)上述問題,本文從密集假目標(biāo)干擾產(chǎn)生機(jī)理和射頻鏈路物理特性出發(fā),提出基于雷達(dá)與干擾機(jī)頻率響應(yīng)特性(簡(jiǎn)稱頻響特性)差異的密集假目標(biāo)干擾智能識(shí)別方法。首先,系統(tǒng)研究并提出了雷達(dá)與干擾機(jī)的頻響特性差異及其對(duì)真、假目標(biāo)回波信號(hào)幅頻響應(yīng)的影響機(jī)制模型;然后,構(gòu)建多個(gè)相對(duì)獨(dú)立的雙通道特征融合一維卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(E-ODCNN-LSTM)算法作為基分類器,以實(shí)現(xiàn)信號(hào)特征的差異化提取,該算法通過一維卷積神經(jīng)網(wǎng)絡(luò)(ODCNN)上通道和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)下通道分別提取信號(hào)特征,將上下雙通道所提取特征在特征融合層進(jìn)行信息融合,實(shí)現(xiàn)信號(hào)特征的充分利用;最后,通過M/N邏輯準(zhǔn)則綜合集成,實(shí)現(xiàn)目標(biāo)回波和密集假目標(biāo)干擾信號(hào)的準(zhǔn)確識(shí)別。仿真和實(shí)測(cè)數(shù)據(jù)測(cè)試,驗(yàn)證了該方法在較大信/干噪比動(dòng)態(tài)范圍下能夠?qū)Ω蓴_和回波進(jìn)行有效和穩(wěn)定的識(shí)別。

1 目標(biāo)-干擾頻響特征影響機(jī)制模型

1.1 DRFM干擾機(jī)與雷達(dá)頻響特性分析

DRFM干擾機(jī)[18]系統(tǒng)通常包括上/下變頻、模數(shù)轉(zhuǎn)換(ADC)和數(shù)模轉(zhuǎn)換(DAC)、功率放大、本振、控制等模塊。以干擾信號(hào)產(chǎn)生為例,DRFM干擾機(jī)對(duì)雷達(dá)射頻信號(hào)進(jìn)行截獲,經(jīng)過下變頻變換至中頻后進(jìn)行ADC,利用控制單元進(jìn)行合適的干擾參數(shù)調(diào)制,經(jīng)過數(shù)字濾波后經(jīng)過DAC模塊轉(zhuǎn)換為模擬信號(hào),最終經(jīng)過中頻放大、上變頻、射頻放大、發(fā)射天線等多個(gè)單元組成的發(fā)射鏈路,實(shí)現(xiàn)針對(duì)雷達(dá)信號(hào)參數(shù)的干擾信號(hào)產(chǎn)生。通過上述對(duì)干擾信號(hào)的產(chǎn)生機(jī)理進(jìn)行分析可知:干擾信號(hào)的產(chǎn)生需要經(jīng)過多個(gè)數(shù)字和模擬濾波以及多級(jí)功率放大環(huán)節(jié),每一個(gè)環(huán)節(jié)物理器件的個(gè)性特征[19-21](本文主要是指頻率響應(yīng)特征,簡(jiǎn)稱頻響特征)都會(huì)對(duì)干擾信號(hào)產(chǎn)生不可忽略的影響,因此干擾信號(hào)上都會(huì)留下干擾機(jī)特有的烙印。特別地,對(duì)于一些模擬器件(濾波器和功率放大器等),由于制作工藝的限制,即使通過校準(zhǔn)也不可能實(shí)現(xiàn)在其帶內(nèi)的絕對(duì)平坦,反而往往攜帶有顯著而穩(wěn)定的起伏特征,這些特征都會(huì)被由之產(chǎn)生的干擾信號(hào)所攜帶,從而為進(jìn)行干擾信號(hào)識(shí)別研究提供穩(wěn)定而可靠的信息。

與干擾機(jī)類似,雷達(dá)同樣具備其特定的頻響特性[22],但其工作體制與變頻鏈路與干擾機(jī)存在一定差異,二者收發(fā)通道及其組成的物理器件頻響特性必然存在差異,因此雷達(dá)與干擾機(jī)系統(tǒng)的綜合頻響特征必然存在較為鮮明的差異,這種內(nèi)在的機(jī)理關(guān)系必然導(dǎo)致干擾機(jī)產(chǎn)生的密集假目標(biāo)干擾與目標(biāo)回波的頻率響應(yīng)特征(包括幅頻響應(yīng)特征和相頻響應(yīng)特征)存在較為鮮明的差異,從而為干擾識(shí)別提供可靠的理論依據(jù)[23-24]。

本文以LFM體制的S波段預(yù)警雷達(dá)為研究對(duì)象,在雷達(dá)發(fā)射信號(hào)調(diào)制帶寬范圍內(nèi),大氣頻響特性對(duì)信號(hào)傳輸過程中的幅頻響應(yīng)影響較小,且雷達(dá)工作頻帶通常選擇在大氣窗口內(nèi),因此LFM信號(hào)不同頻率成分受大氣幅頻響應(yīng)的影響可以忽略;而相位特征影響因素較多,如傳輸鏈路、距離變化等對(duì)相位特征的影響都不可忽略,基于相頻響應(yīng)特征的識(shí)別方法目前難以有效應(yīng)用,因此本文主要從目標(biāo)回波與干擾信號(hào)的幅頻響應(yīng)起伏特征差異對(duì)二者進(jìn)行識(shí)別。

1.2 目標(biāo)回波幅頻響應(yīng)影響機(jī)制模型

雷達(dá)系統(tǒng)可劃分為收、發(fā)兩個(gè)通道,如圖1所示,為方便分析,將圖中雷達(dá)收發(fā)通道內(nèi)功率放大模塊稱為功率放大模塊,其余模塊統(tǒng)一稱為通道電路模塊?？梢钥闯瞿繕?biāo)信號(hào)在入射前(以下簡(jiǎn)稱目標(biāo)入射信號(hào),是指雷達(dá)發(fā)射信號(hào)輻射到目標(biāo)上的信號(hào))都需要經(jīng)過濾波、DAC、上變頻、功率放大、大氣傳輸?shù)榷鄠€(gè)環(huán)節(jié)的調(diào)制,每個(gè)環(huán)節(jié)都有其個(gè)性的頻響特性。設(shè)圖1中目標(biāo)入射過程的濾波、DAC、上變頻模塊的組合頻響為Hc1(f)(f表示頻率),功率放大模塊的頻響為Hp1(f),大氣傳輸?shù)念l響為Ha1(f);同理目標(biāo)回波傳播過程中也同樣需要經(jīng)過這些環(huán)節(jié)的調(diào)制,同樣具備其特定的頻響特性,假設(shè)Hc2(f)為該過程雷達(dá)濾波、ADC、下變頻模塊的組合頻響,Hp2(f)為該過程雷達(dá)功率放大模塊的頻響,Ha2(f)為該過程大氣傳輸?shù)念l響。圖1中Hrc(f)表示雷達(dá)射頻通道電路模塊的頻率響應(yīng),Hrc(f)=Hc1(f)Hc2(f),Hrp(f)表示雷達(dá)功率放大電路的頻率響應(yīng),Hrp(f)=Hp1(f)Hp2(f)。

圖1 目標(biāo)回波頻響特性物理模型Fig.1 Physical model of target echo frequency response characteristics

由上述分析及系統(tǒng)的級(jí)聯(lián)特性可知,可將雷達(dá)系統(tǒng)各部分器件的頻率響應(yīng)表示為

Hr(f)=Hrc(f)Hrp(f)=Hc1(f)Hc2(f)Hp1(f)Hp2(f)

(1)

濾波器、功率放大器等器件的頻率響應(yīng)[20-21]可以表示為

H(f)=G(f)A(f)ejφ(f)

(2)

式中:G(f)為系統(tǒng)理想的頻率響應(yīng);A(f)為幅頻響應(yīng)的非線性函數(shù),A(f)=a0+ancos (2παnf),a0表示線性增益,an、αn表示起伏波動(dòng)增益;φ(f)為相頻響應(yīng)的非線性函數(shù)。本文主要考慮幅頻響應(yīng)對(duì)信號(hào)的影響,為更好地?cái)M合多器件綜合情況下的高度非線性幅頻響應(yīng)特性,對(duì)A(f)進(jìn)行重新定義[20-21]如下,使其能夠適應(yīng)較為復(fù)雜的情況:

A(f)=a0+ancos (2παnf)+bnsin (2πβnf)

(3)

式中:bn和βn表示起伏波動(dòng)增益。則可將雷達(dá)系統(tǒng)的頻率響應(yīng)表示為

Hr(f)=Gr(f)Ar(f)ejφr(f)=Gr(f)[a0+ancos (2παnf)+bnsin (2πβnf)]ejφr(f)

(4)

式中:Gr(f)為雷達(dá)系統(tǒng)理想的頻率響應(yīng);Ar(f)為雷達(dá)系統(tǒng)幅頻響應(yīng)的非線性函數(shù);φr(f)為雷達(dá)系統(tǒng)相頻響應(yīng)的非線性函數(shù)。設(shè)雷達(dá)發(fā)射信號(hào)的頻譜為S(f),目標(biāo)回波信號(hào)傳輸過程的能量衰減系數(shù)為a,則回波信號(hào)頻響St(f)可表示為

St(f)=aAtS(f)Hr(f)+Nt(f)

(5)

式中:At為目標(biāo)回波強(qiáng)度系數(shù);Nt(f)為噪聲頻譜。(5)式表明目標(biāo)回波信噪比取決于At的大小,當(dāng)At動(dòng)態(tài)范圍較大時(shí),目標(biāo)回波的信噪比動(dòng)態(tài)范圍也較大,設(shè)目標(biāo)回波的幅頻響應(yīng)為At(f):

At(f)=|St(f)|=|aAtS(f)Hr(f)+Nt(f)|= |aAtS(f)Gr(f)Ar(f)ejφr(f)+Nt(f)|= |aAtS(f)Gr(f)[a0+ancos (2παnf)+bnsin (2πβnf)]ejφr(f)+Nt(f)|

(6)

1.3 干擾信號(hào)幅頻響應(yīng)影響機(jī)制模型

與目標(biāo)回波頻響分析過程類似,但干擾信號(hào)疊加了干擾機(jī)特有的頻響特征,如圖2所示,干擾機(jī)系統(tǒng)同樣具有收發(fā)兩通道。為方便分析,圖中給出了各個(gè)模塊頻響及組合頻響,Hp3(f)為干擾機(jī)接收通道功率放大模塊的頻響,Hc3(f)為干擾機(jī)接收通道濾波、ADC、下變頻模塊的組合頻響,Hp4(f)為干擾機(jī)發(fā)射通道功率放大模塊的頻響,Hc4(f)為干擾機(jī)發(fā)射通道濾波、DAC、上變頻模塊的組合頻響,Hjc(f)表示干擾機(jī)通道電路模塊的頻率響應(yīng),Hjp(f)表示干擾機(jī)功率放大電路的頻率響應(yīng)。

圖2 干擾信號(hào)頻響特性物理模型Fig.2 Physical model of jamming signal frequency response characteristics

如圖2所示,由系統(tǒng)級(jí)聯(lián)特性可將干擾機(jī)系統(tǒng)各器件的頻率響應(yīng)表示為

Hj(f)=Hjp(f)Hjc(f)=

Hc3(f)Hc4(f)Hp3(f)Hp4(f)

(7)

式中:Hjp(f)=Hp3(f)Hp4(f);Hjc(f)=Hc3(f)Hc4(f)。

由于干擾信號(hào)同時(shí)受到雷達(dá)與干擾機(jī)系統(tǒng)頻率響應(yīng)的影響,可將二者復(fù)合系統(tǒng)的頻率響應(yīng)表示為

Hrj(f)=Hrc(f)Hrp(f)Hjc(f)Hjp(f)=Hc1(f)Hc2(f)Hc3(f)Hc4(f)Hp1(f)·Hp2(f)Hp3(f)Hp4(f)

(8)

考慮系統(tǒng)內(nèi)各器件的非線性特性,也可將Hrj(f)近似建模為三角函數(shù)[20-21],即

Hrj(f)=Grj(f)Arj(f)ejφrj(f)=Grj(f)[a0+ancos (2παnf)+bnsin (2πβnf)]ejφrj(f)

(9)

式中:Grj(f)為復(fù)合系統(tǒng)理想的頻率響應(yīng);Arj(f)為復(fù)合系統(tǒng)幅頻響應(yīng)的非線性函數(shù);φrj(f)為復(fù)合系統(tǒng)相頻響應(yīng)的非線性函數(shù)。假設(shè)干擾信號(hào)傳輸過程能量衰減系數(shù)為b,則干擾信號(hào)頻響可表示為

Sj(f)=bAjS(f)Hrj(f)+Nj(f)

(10)

式中:Aj為干擾信號(hào)強(qiáng)度系數(shù);Nj(f)為噪聲頻譜。在干擾過程中由于雷達(dá)-干擾天線對(duì)準(zhǔn)、功率控制、位置關(guān)系等多種因素的動(dòng)態(tài)變化會(huì)使干擾信號(hào)存在較大的起伏,即導(dǎo)致干噪比的動(dòng)態(tài)范圍較大。最后,可將干擾信號(hào)的幅頻響應(yīng)Aj(f)表示為

Aj(f)=|Sj(f)|=|bAjS(f)Hrj(f)+Nj(f)|= |bAjS(f)Grj(f)Arj(f)ejφrj(f)+Nj(f)|= |bAjS(f)Grj(f)[a0+ancos (2παnf)+bnsin (2πβnf)]ejφrj(f)+Nj(f)|

(11)

與At(f)相比,Aj(f)還受到干擾機(jī)兩個(gè)模塊頻響Hjc(f)和Hjp(f)的調(diào)制,因此其起伏特性必然與目標(biāo)回波的幅頻響應(yīng)存在較大差異,此特征差異為進(jìn)行目標(biāo)-干擾的辨識(shí)提供了現(xiàn)實(shí)可行的依據(jù)。

2 目標(biāo)-干擾特征提取與識(shí)別方法

2.1 目標(biāo)回波幅頻響應(yīng)起伏特征提取

根據(jù)1.2節(jié)所述過程,對(duì)目標(biāo)回波幅頻響應(yīng)特征進(jìn)行提取,假設(shè)LFM信號(hào)載頻為f0,調(diào)頻斜率為μ,脈沖寬度為T,則雷達(dá)發(fā)射信號(hào)模型為

(12)

根據(jù)式(12),LFM信號(hào)復(fù)包絡(luò)為

(13)

故雷達(dá)發(fā)射信號(hào)的頻譜為

(14)

(15)

c(-v)=-c(v),s(-v)=-s(v)

(16)

將式(14)化簡(jiǎn),得到雷達(dá)發(fā)射信號(hào)頻譜為

(17)

以上均為理想的分析過程,但如1.1節(jié)所述,由于雷達(dá)系統(tǒng)特性,雷達(dá)發(fā)射信號(hào)頻譜不可能做到理想狀態(tài),因而以下對(duì)實(shí)際情況進(jìn)行分析,為了具有實(shí)際泛化意義,對(duì)式(12)中LFM信號(hào)進(jìn)行快速傅里葉變換,求取其離散頻譜S(fn),得

S(fn)=FFT[s(t)]=[V(f1),V(f2),…,V(fM)]

(18)

式中:V(fn)表示頻率為fn時(shí)的頻譜樣本分量,n=1,2,…,M,M為快速傅里葉變換的點(diǎn)數(shù)。依據(jù)式(4)所建立雷達(dá)系統(tǒng)頻響模型,對(duì)其進(jìn)行離散處理得到Hr(fn),即

Hr(fn)=[Wr(f1),Wr(f2), …,Wr(fM)]

(19)

式中:Wr(fn)表示頻率為fn時(shí)雷達(dá)系統(tǒng)的頻響分量。則目標(biāo)回波信號(hào)頻譜在經(jīng)過雷達(dá)系統(tǒng)頻響調(diào)制后,其頻譜樣本向量St(fn)為

St(fn)=aAtS(fn)⊙Hr(fn)+Nt(fn)=aAt[V(f1)Wr(f1),V(f2)Wr(f2),…,V(fM)Wr(fM)]+Nt(fn)

(20)

式中:⊙為哈達(dá)瑪積運(yùn)算符號(hào)。因此目標(biāo)回波的幅頻響應(yīng)Ar(fn)為

Ar(fn)=|St(fn)|=|aAtS(fn)⊙Hr(fn)+Nt(fn)|= |aAt[V(f1)Wr(f1),V(f2)Wr(f2),…,V(fM)Wr(fM)]+Nt(fn)|

(21)

At(fn)蘊(yùn)含了目標(biāo)回波由于雷達(dá)系統(tǒng)頻響調(diào)制所產(chǎn)生的幅頻響應(yīng)起伏特征。由于實(shí)際中回波信號(hào)受雷達(dá)天線方向圖,目標(biāo)雷達(dá)散射截面(RCS)起伏等因素影響,都會(huì)使得目標(biāo)回波具有較大的功率動(dòng)態(tài)范圍。為消除功率絕對(duì)大小對(duì)識(shí)別性能的影響,需要對(duì)接收的目標(biāo)回波進(jìn)行最大值歸一化處理,首先采用峰值搜索,查找目標(biāo)回波幅頻響應(yīng)的最大分量At(fmax),則目標(biāo)回波幅頻響應(yīng)最大值歸一化結(jié)果為

(22)

基于式(22),便得到了目標(biāo)回波幅頻響應(yīng)特征模型,由于噪聲強(qiáng)度相對(duì)固定,當(dāng)Ar取值不同時(shí),目標(biāo)回波信噪比也不同,其幅頻響應(yīng)特征中蘊(yùn)含的信號(hào)和噪聲特征成分比例也不同,因此即使對(duì)于目標(biāo)回波而言,其幅頻響應(yīng)特征在不同信噪比下也存在較大差異,故當(dāng)At動(dòng)態(tài)范圍較大時(shí),目標(biāo)/干擾的信(干)噪比動(dòng)態(tài)范圍較大,對(duì)于目標(biāo)-干擾信號(hào)的識(shí)別難度也大大增加。

2.2 干擾信號(hào)幅頻響應(yīng)起伏特征提取

本文所提取的幅頻響應(yīng)起伏特征不受干擾信號(hào)多普勒、時(shí)延調(diào)制的影響,由于假目標(biāo)干擾信號(hào)由干擾機(jī)對(duì)截獲的雷達(dá)信號(hào)進(jìn)行幅度、時(shí)延和多普勒調(diào)制-轉(zhuǎn)發(fā)形成,根據(jù)傅里葉變換性質(zhì),干擾信號(hào)理想狀態(tài)下的頻譜可由雷達(dá)發(fā)射信號(hào)的頻譜得到,即

Sj(f)=AmS(f-fm)e-j2πftm

(23)

式中:Am、tm、fm分別為第m個(gè)干擾的幅度、時(shí)延和多普勒調(diào)制系數(shù)。與目標(biāo)回波類似,對(duì)式(9)所建立的雷達(dá)與干擾機(jī)系統(tǒng)復(fù)合頻響進(jìn)行離散處理,得

Hrj(fn)=[Wrj(f1),Wrj(f2),…,Wrj(fM)]

(24)

式中:Wrj(fn)為頻率為fn時(shí)雷達(dá)與干擾機(jī)系統(tǒng)幅頻響應(yīng)分量。故干擾信號(hào)的頻譜樣本向量為

Sj(fn)=bAjS(fn)⊙Hrj(fn)+Nj(fn)=bAj[V(f1)Wrj(f1),V(f2)Wrj(f2),…,V(fM)Wrj(fM)]+Nj(fn)

(25)

則干擾信號(hào)的幅頻響應(yīng)Aj(fn)為

Aj(fn)=|Sj(fn)|=|bAjS(fn)⊙Hrj(fn)+Nj(fn)|= |bAj[V(f1)Wrj(f1),V(f2)Wrj(f2),…,V(fM)Wrj(fM)]+Nj(fn)|

(26)

同理,Aj(fn)中即蘊(yùn)含了干擾信號(hào)由于雷達(dá)與干擾機(jī)頻響調(diào)制所產(chǎn)生的幅頻響應(yīng)起伏特征,采用峰值搜索算法,求取其最大分量Aj(fmax),得到最大值歸一化結(jié)果為

(27)

基于式(27),便得到了干擾信號(hào)幅頻響應(yīng)特征模型。同理,當(dāng)Aj大小不同時(shí),干擾信號(hào)的干噪比不同,其幅頻響應(yīng)特征中蘊(yùn)含的噪聲特征比例成分也不同,由于干擾信號(hào)可能從雷達(dá)的不同主/副瓣進(jìn)入接收機(jī),Aj通常具有較大的動(dòng)態(tài)范圍,從而使干擾信號(hào)具有不同的干噪比特征,因此實(shí)際干擾信號(hào)的幅頻響應(yīng)特征受噪聲特征影響程度差異也較大。因而對(duì)于干擾信號(hào)而言,其不同干噪比下的幅頻響應(yīng)特征也存在較大差異,導(dǎo)致了信/干噪比動(dòng)態(tài)范圍較大情況下目標(biāo)-干擾信號(hào)的識(shí)別難度較大。

2.3 目標(biāo)-干擾識(shí)別算法

基于2.2節(jié)和2.3節(jié)的分析,提出一種E-ODCNN-LSTM雙通道特征融合算法,其中單個(gè)算法主要包括3個(gè)部分:上通道層、下通道層和特征融合層。上通道層由ODCNN構(gòu)成,ODCNN[26]常用于解決一維序列問題,能夠很好地適應(yīng)本文一維幅頻響應(yīng)特征提取;下通道由LSTM構(gòu)成,LSTM是一種改進(jìn)的RNN,其通過遺忘門、輸入門和輸出門,實(shí)現(xiàn)對(duì)隱含層輸入、輸出等狀態(tài)信息的有效控制,可以很好提取信號(hào)脈沖幅頻響應(yīng)信息;特征融合層主要由全連接層和激活函數(shù)構(gòu)成,將上通道和下通道所提取的信號(hào)特征進(jìn)行Flatten處理后,在全連接層進(jìn)行Concatenate拼接,進(jìn)而利用激活函數(shù)實(shí)現(xiàn)融合特征的非線性映射,對(duì)信號(hào)兩個(gè)維度特征進(jìn)行充分利用,最后對(duì)融合特征進(jìn)行分類。同時(shí),本文考慮在信/干噪比動(dòng)態(tài)范圍較大情況下的目標(biāo)-干擾識(shí)別問題,由于不同信/干噪比條件下,目標(biāo)回波與干擾信號(hào)的幅頻響應(yīng)特征受噪聲特征影響程度不同,樣本具有多樣性,僅依靠單一分類器不能完全將所有樣本特征進(jìn)行合理映射,容易陷入局部最優(yōu)解的情況,無法保證識(shí)別的準(zhǔn)確性和穩(wěn)定性。因此,本文考慮將雙通道ODCNN-LSTM作為基礎(chǔ)分類器,通過將多個(gè)基分類器集成,構(gòu)建E-ODCNN-LSTM算法,利用各個(gè)基分類器在訓(xùn)練過程中所具有的相對(duì)獨(dú)立性,以及對(duì)不同信/干噪比樣本的側(cè)重性,較好的解決了陷入局部最優(yōu)解的困境,做到信息的補(bǔ)償和強(qiáng)化,通過M/N邏輯準(zhǔn)則集成的方式提高識(shí)別的準(zhǔn)確性和穩(wěn)定性。經(jīng)過仿真與實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證,隨著基分類器個(gè)數(shù)越多,集成算法的識(shí)別性能越高,但當(dāng)基分類器個(gè)數(shù)達(dá)到一定數(shù)量后,算法的識(shí)別性能趨于穩(wěn)定,但此時(shí)伴隨著時(shí)耗增大的問題,因此綜合考慮算法的識(shí)別性能與計(jì)算資源開銷,將基分類器個(gè)數(shù)確定為9個(gè)?？紤]本文所提取的特征維數(shù)以及訓(xùn)練樣本數(shù)量不大,選擇深度網(wǎng)絡(luò)可能導(dǎo)致梯度發(fā)散或消失問題,同時(shí)結(jié)合時(shí)效性能考慮,本文在對(duì)每一個(gè)基分類器的參數(shù)選擇上較為保守。

綜合以上分析,本文的干擾識(shí)別算法流程如圖3所示,圖中S1～S9分別表示9個(gè)基ODCNN-LSTM分類器,具體步驟如下:

1)雷達(dá)接收信號(hào)快速傅里葉變換計(jì)算;

2)求取雷達(dá)接收信號(hào)幅頻響應(yīng);

3)峰值搜索,求取雷達(dá)接收信號(hào)幅頻響應(yīng)最大分量;

4)雷達(dá)接收信號(hào)幅頻響應(yīng)最大值歸一化處理;

5)基分類器網(wǎng)絡(luò)參數(shù)設(shè)置,綜合考慮算法的識(shí)別性能和計(jì)算資源開銷,選擇9個(gè)基分類器進(jìn)行集成,網(wǎng)絡(luò)參數(shù)設(shè)置如下:為實(shí)現(xiàn)不同感受野和提取不同分辨率情況下的頻響特征,9個(gè)上通道ODCNN算法中,其中3個(gè)算法卷積核長(zhǎng)度為6,3個(gè)算法的卷積核長(zhǎng)度為8,剩余3個(gè)算法的卷積核長(zhǎng)度為10,同時(shí)各個(gè)算法均采用3層卷積層和池化層提取特征,卷積步長(zhǎng)均為1,padding=‘same’,Flatten層數(shù)為1;下通道LSTM算法層數(shù)為4,輸入特征維數(shù)為 1 024,隱含特征維數(shù)為128,特征融合層后特征維數(shù)為640,Flatten層數(shù)為1,全連接層1輸入特征維數(shù)為640,全連接層數(shù)2輸入特征維數(shù)為64,激活函數(shù)選擇ReLU。

6)將待預(yù)測(cè)的雷達(dá)接收信號(hào)幅頻響應(yīng)特征作為基分類器輸入特征,基分類器間并行完成特征提取與融合處理,保證各基分類器所提取特征具有相對(duì)獨(dú)立性,最后實(shí)現(xiàn)各個(gè)基分類器識(shí)別;

7)將9個(gè)基分類器采用M/N邏輯準(zhǔn)則的方式集成,實(shí)現(xiàn)最終目標(biāo)-干擾分類識(shí)別。

圖3 目標(biāo)-干擾信號(hào)識(shí)別算法流程Fig.3 Target-jamming signal recognition algorithm

3 實(shí)驗(yàn)與分析

為驗(yàn)證本文方法的有效性,設(shè)置以下仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證,為方便對(duì)后續(xù)識(shí)別實(shí)驗(yàn)進(jìn)行定量分析,首先對(duì)雷達(dá)與干擾機(jī)的幅頻響應(yīng)曲線的模型進(jìn)行仿真;其次設(shè)置單一信/干噪比條件下識(shí)別效果仿真實(shí)驗(yàn),其中包括3個(gè)子實(shí)驗(yàn),分別測(cè)試3種干信比條件下本文方法在單一信/干噪比情況下的識(shí)別結(jié)果;設(shè)置大起伏密集假目標(biāo)干擾信號(hào)識(shí)別效果仿真實(shí)驗(yàn),測(cè)試本文方法對(duì)大起伏密集假目標(biāo)干擾的識(shí)別效果;設(shè)置不同網(wǎng)絡(luò)模型識(shí)別效果仿真對(duì)比實(shí)驗(yàn),測(cè)試本文模型方法在不同信噪比中心值情況下對(duì)大起伏密集假目標(biāo)干擾的識(shí)別效果,同時(shí)對(duì)最佳分類器個(gè)數(shù)進(jìn)行驗(yàn)證和描述;設(shè)置實(shí)測(cè)數(shù)據(jù)驗(yàn)證實(shí)驗(yàn),對(duì)本文方法進(jìn)行有效性驗(yàn)證;最后設(shè)置3組對(duì)比實(shí)驗(yàn),其中單一信/干噪比條件下仿真對(duì)比實(shí)驗(yàn)包含兩個(gè)子實(shí)驗(yàn),主要驗(yàn)證單一信/干噪比情況下本文方法的優(yōu)越性,大起伏密集假目標(biāo)干擾仿真對(duì)比實(shí)驗(yàn),驗(yàn)證大起伏信/干噪比條件下本文方法的優(yōu)越性。仿真實(shí)驗(yàn)所用的目標(biāo)回波和干擾信號(hào)的參數(shù)如表1所示。

表1 仿真參數(shù)設(shè)置Table 1 Parameter setting for simulation

3.1 雷達(dá)與干擾機(jī)綜合幅頻響應(yīng)仿真

為方便定量分析,首先需要對(duì)雷達(dá)和干擾機(jī)的幅頻響應(yīng)曲線進(jìn)行仿真。選取式(3)三角函數(shù)模型對(duì)雷達(dá)與干擾機(jī)的幅頻響應(yīng)A(f)進(jìn)行仿真建模,由于物理器件的差異,不同物理器件的幅頻響應(yīng)存在差異,其可以用不同的系數(shù)進(jìn)行模擬,對(duì)于本文方法驗(yàn)證,不失一般性分別設(shè)置兩組[a0,an,αn,bn,βn]系數(shù)為[10,0.6,6,0.4,4]和[10,0.3,9,0.7,5]代表雷達(dá)與干擾機(jī)的幅頻響應(yīng)特性[20-21]。幅頻響應(yīng)離散點(diǎn)數(shù)為1 024,起伏中心均為20 dB,起伏范圍均為±0.8 dB。幅頻響應(yīng)仿真結(jié)果如圖4所示,可以看出:雷達(dá)與干擾機(jī)綜合幅頻響應(yīng)曲線的起伏趨勢(shì)存在較為明顯的差異,如2.1節(jié)所述,這種差異是由收發(fā)通道物理特性所決定的,本文即基于此特性差異對(duì)目標(biāo)回波和欺騙干擾信號(hào)進(jìn)行識(shí)別。

圖4 幅頻響應(yīng)曲線仿真模型Fig.4 Simulation model of amplitude frequency response curves

3.2 單一信/干噪比條件下識(shí)別效果仿真實(shí)驗(yàn)

鑒于目前國內(nèi)外學(xué)者主要集中于單一信/干噪比條件下對(duì)干擾進(jìn)行識(shí)別研究,本文首先仿真測(cè)試基于本文提出的真-假目標(biāo)頻響特征差異,利用 E-ODCNN-LSTM算法在單一信/干噪比條件下的識(shí)別性能,并與單一算法識(shí)別結(jié)果進(jìn)行比較,考慮通常情況下干擾信號(hào)通常具有較高的干信比,本文實(shí)驗(yàn)主要針對(duì)3種不同干信比的情況進(jìn)行測(cè)試?；?3.1節(jié)對(duì)雷達(dá)與干擾機(jī)綜合幅頻響應(yīng)的仿真算法,以及式(22)和式(27)建立的目標(biāo)回波和密集假目標(biāo)干擾信號(hào)幅頻響應(yīng)特征提取算法,分別對(duì)目標(biāo)回波與干擾信號(hào)進(jìn)行2 400次蒙特卡洛仿真實(shí)驗(yàn),其中2 000次結(jié)果用于網(wǎng)絡(luò)訓(xùn)練,通過調(diào)整式(21)和式(26)中目標(biāo)回波和干擾信號(hào)強(qiáng)度系數(shù),3種干信比依次為0 dB、3 dB、5 dB,對(duì)應(yīng)的仿真結(jié)果分別如圖5、圖6、圖7所示。圖5～圖7中整體正確識(shí)別率為 400個(gè)目標(biāo)和400個(gè)干擾樣本的整體正確識(shí)別率,即800個(gè)樣本的正確識(shí)別率;目標(biāo)錯(cuò)誤識(shí)別率為400個(gè)目標(biāo)樣本中被誤識(shí)別為干擾信號(hào)所占比例;干擾錯(cuò)誤識(shí)別率則為400個(gè)干擾樣本中被誤識(shí)別為目標(biāo)回波所占比例?？紤]到不同干信比條件下,識(shí)別難度不同,因而每次仿真測(cè)試中信噪比范圍存在一定變化,3次測(cè)試結(jié)果的信噪比跨度范圍為-14～20 dB,每次測(cè)試中信噪比每隔2 dB進(jìn)行一次識(shí)別效果實(shí)驗(yàn),取50次識(shí)別結(jié)果平均值作為最終識(shí)別結(jié)果。

圖6 干信比為3 dB仿真識(shí)別結(jié)果Fig.6 Simulation recognition results with JSR=3 dB

圖7 干信比為5 dB仿真識(shí)別結(jié)果Fig.7 Simulation recognition results with JSR=5 dB

如圖5所示,在干信比為0 dB時(shí),當(dāng)信噪比大于0 dB后E-ODCNN-LSTM算法的正確識(shí)別率達(dá)到82%以上,并且相對(duì)單一的ODCNN或是LSTM算法優(yōu)勢(shì)較為明顯。當(dāng)信噪比小于6 dB時(shí),E-ODCNN-LSTM算法相對(duì)ODCNN而言,在各個(gè)信噪比條件下正確識(shí)別率有約2.0%～4.5%的提升,而相對(duì)于LSTM其性能提升更為明顯,正確識(shí)別率有約4.5%～9%的提升,并且信噪比越低,其識(shí)別性能提升越明顯。同時(shí)E-ODCNN-LSTM算法對(duì)目標(biāo)和干擾的錯(cuò)誤識(shí)別率,相對(duì)其他兩種算法而言,也有一定程度的下降。由于當(dāng)干信比為0 dB時(shí),干擾信號(hào)與目標(biāo)回波的功率相同,二者的幅頻響應(yīng)特征受噪聲影響程度相當(dāng),此時(shí)相關(guān)程度最高,當(dāng)信噪比較低時(shí),噪聲成分所占比重較大,其識(shí)別難度最高。

如圖6所示,當(dāng)干信比提升為3 dB后,干擾與回波的頻響特性差異能夠更好地凸顯出來,因此 3種網(wǎng)絡(luò)算法的識(shí)別性能均顯著提升。當(dāng)信噪比等于-8 dB時(shí),E-ODCNN-LSTM算法的正確識(shí)別率達(dá)到90%以上,同時(shí)在各個(gè)信噪比條件下,相對(duì)于單個(gè)ODCNN算法均有提升,尤其當(dāng)信噪比小于-6 dB時(shí),性能提升最為明顯,提升效果約為1.5%～4%;相較于LSTM有約2.5%～5%的提升。

如圖7所示,當(dāng)干信比提升為5 dB后,3種網(wǎng)絡(luò)算法的識(shí)別性能進(jìn)一步提升,對(duì)于E-ODCNN-LSTM算法,在信噪比等于-10 dB時(shí),正確識(shí)別率大于97%,相較其他兩種算法存在較為明顯的優(yōu)勢(shì),特別地,在低信噪比情況下,相較單個(gè)ODCNN算法和LSTM算法,正確識(shí)別率分別有1.5%～4%和4%～7%的提升。綜合以上測(cè)試,可以看出:在信噪比較低時(shí),E-ODCNN-LSTM算法所表現(xiàn)的性能相對(duì)單個(gè)ODCNN算法和LSTM算法而言更為優(yōu)越。這主要是因?yàn)?在信噪比較低時(shí),目標(biāo)回波與干擾信號(hào)的幅頻響應(yīng)特征包含的噪聲特征成分較多,識(shí)別難度增大,單個(gè)算法識(shí)別穩(wěn)定性較差,而結(jié)合雙通道特征融合算法后,可以充分利用ODCNN和LSTM提取的信號(hào)頻響特征信息,更好地挖掘信號(hào)之間的差異;其次將基分類器進(jìn)行集成,利用多個(gè)基分類器實(shí)現(xiàn)決策融合,一定程度上實(shí)現(xiàn)信息的補(bǔ)充和強(qiáng)化,可以實(shí)現(xiàn)識(shí)別穩(wěn)定性的提升;最后由于單個(gè)算法在訓(xùn)練時(shí)容易陷入局部最優(yōu)的情況,多個(gè)算法集成后使得陷入局部最優(yōu)的情況有所改善,從而實(shí)現(xiàn)更為優(yōu)越性能。

3.3 大起伏密集假目標(biāo)干擾信號(hào)識(shí)別效果仿真實(shí)驗(yàn)

考慮目前缺少針對(duì)大起伏密集假目標(biāo)干擾信號(hào)進(jìn)行識(shí)別的研究成果,而實(shí)際情況中,目標(biāo)回波和干擾信號(hào)的功率通常具有較大的動(dòng)態(tài)范圍,即現(xiàn)實(shí)中目標(biāo)回波和干擾信號(hào)的信/干噪比具有較大的動(dòng)態(tài)范圍,使得目標(biāo)-干擾信號(hào)的幅頻響應(yīng)起伏特征中噪聲特征比重也存在較大差異,使得真、假目標(biāo)的識(shí)別難度大大增加。針對(duì)這一現(xiàn)實(shí)難題,本實(shí)驗(yàn)結(jié)合E-ODCNN-LSTM算法的優(yōu)勢(shì),針對(duì)大起伏密集假目標(biāo)干擾的情況進(jìn)行仿真驗(yàn)證,并與單個(gè)ODCNN算法以及LSTM算法的識(shí)別情況進(jìn)行比較。改變 3.2節(jié)中仿真條件,生成信噪比均勻分布于-10～10 dB之間的2 400個(gè)目標(biāo)回波樣本,信噪比跨度范圍為20 dB,信噪比中心值為0 dB,其中2 000個(gè)樣本用于訓(xùn)練,其余400個(gè)樣本用于測(cè)試;同時(shí)生成干噪比均勻分布于-10 ～10 dB之間的2 400個(gè)干擾信號(hào)樣本,干噪比跨度范圍為20 dB,干噪比中心也為0 dB,其訓(xùn)練集和測(cè)試的劃分方式與目標(biāo)回波相同。改變干擾信號(hào)的強(qiáng)度系數(shù),使干擾信號(hào)的干噪比中心逐漸增大(如干噪比中心為2 dB時(shí),代表干擾信號(hào)樣本的干噪比均勻分布于-8～12 dB之間),針對(duì)不同整體干信比(整體干信比定義為干擾信號(hào)的干噪比中心與目標(biāo)回波的信噪比中心值的差值)情況進(jìn)行仿真測(cè)試,仿真結(jié)果如圖8所示。

圖8 信噪比為-10～10 dB動(dòng)態(tài)范圍情況仿真識(shí)別結(jié)果Fig.8 Simulation and recognition results of dynamic range with SNR=-10-10 dB

由圖8可知,相對(duì)單一信/干噪比情況下的識(shí)別問題,大起伏信/干噪情況下的識(shí)別難度明顯增大,尤其在整體干信比小于4 dB時(shí),單個(gè)ODCNN算法和LSTM算法的性能下降較為明顯,而E-ODCNN-LSTM算法相對(duì)還能保持較高的識(shí)別率。尤其當(dāng)整體干信比小于10 dB時(shí),E-ODCNN-LSTM算法的性能優(yōu)勢(shì)相對(duì)較為明顯,相對(duì)單個(gè)ODCNN算法和LSTM算法,正確識(shí)別率分別有約1%～5%和1%～6%的提升,即整體干信比越低,識(shí)別難度越大時(shí),E-ODCNN-LSTM算法的性能優(yōu)勢(shì)越明顯。

3.4 不同網(wǎng)絡(luò)模型識(shí)別效果仿真對(duì)比實(shí)驗(yàn)

本實(shí)驗(yàn)主要針對(duì)不同信噪比動(dòng)態(tài)中心值的情況將3種集成算法以及ODCNN和LSTM算法的性能進(jìn)行對(duì)比,主要測(cè)試基分類器個(gè)數(shù)對(duì)集成算法性能的影響。3種集成算法的基分類器個(gè)數(shù)不同,其中E-ODCNN-LSTM1為本文所設(shè)計(jì)的采用9個(gè)基礎(chǔ)分類器算法,而E-ODCNN-LSTM2和E-ODCNN-LSTM3算法分別采用15個(gè)和5個(gè)基礎(chǔ)分類器。本次試驗(yàn)樣本數(shù)量與劃分情況與3.3節(jié)相同,設(shè)置整體干信比為6 dB,信噪比動(dòng)態(tài)范圍中心值依次選擇-5 dB、0 dB、5 dB,信/干噪比動(dòng)態(tài)范圍為20 dB,仿真結(jié)果如圖9所示。

圖9 不同信噪比動(dòng)態(tài)范圍中心值下5種算法性能對(duì)比Fig.9 Performance comparison of five algorithms with SNR dynamic ranges of different center values

從仿真結(jié)果中可見:在各個(gè)信噪比中心值,采用15個(gè)基礎(chǔ)分類器的E-ODCNN-LSTM2算法的識(shí)別性能最高,本文所設(shè)計(jì)的E-ODCNN-LSTM1算法次之,而采用5個(gè)基礎(chǔ)分類器的E-ODCNN-LSTM3算法在3種集成算法中效果最差。此外在3種集成算法中,9個(gè)分類器的E-ODCNN-LSTM1算法相對(duì)5個(gè)分類器的E-ODCNN-LSTM3算法性能提升相對(duì)較大,而15個(gè)分類器的E-ODCNN-LSTM2算法相對(duì) 9個(gè)分類器的E-ODCNN-LSTM1算法性能提升相對(duì)較小。這說明當(dāng)基分類器個(gè)數(shù)達(dá)到一定數(shù)量后,繼續(xù)增加基分類器個(gè)數(shù)對(duì)于提升算法性能有限,而當(dāng)基分類器個(gè)數(shù)較大時(shí),算法的計(jì)算量增大,會(huì)占用較多的計(jì)算資源,增加了計(jì)算成本,因此綜合考慮算法的識(shí)別性能和開銷成本,本文采用9個(gè)基分類器的集成E-ODCNN-LSTM1算法較為合適。并且其性能相對(duì)其他兩種單獨(dú)分類器算法而言性能都有較大提升,尤其當(dāng)信噪比動(dòng)態(tài)范圍中心為-5和0 dB時(shí),E-ODCNN-LSTM1算法相對(duì)其他兩種單獨(dú)分類器算法均有3%以上的提升,效果較為明顯。

綜合3.3節(jié)仿真實(shí)驗(yàn)2和本節(jié)仿真實(shí)驗(yàn)結(jié)果,可以看出:E-ODCNN-LSTM算法相對(duì)單個(gè)算法而言,無論正確識(shí)別概率,還是目標(biāo)/干擾的錯(cuò)誤識(shí)別概率都有較大的改善,這主要是因?yàn)?首先,由于雙通道特征融合E-ODCNN-LSTM算法的上下通道能夠分別提取信號(hào)的頻響信息,相對(duì)單一算法而言,能夠進(jìn)一步挖掘信號(hào)的細(xì)節(jié)信息,因此相對(duì)單一算法具有更高的識(shí)別率;其次,對(duì)于集成算法,各個(gè)基分類器在訓(xùn)練過程中具有一定的獨(dú)立性,可以實(shí)現(xiàn)特征的差異化映射,從而作出不同的判決效果,將各個(gè)基分類器進(jìn)行決策融合后,其作出的判決結(jié)果更為可靠,可以糾正部分誤判結(jié)果,因此其識(shí)別率有所提升;最后,是因?yàn)闃颖局械男?干噪比動(dòng)態(tài)范圍較大,即樣本具有多樣性,各個(gè)基分類器在訓(xùn)練時(shí)會(huì)各有側(cè)重地傾向于某一個(gè)信/干噪比范圍內(nèi)的樣本,從而在最終投票時(shí),將各個(gè)分類器的優(yōu)勢(shì)綜合,實(shí)現(xiàn)信息的補(bǔ)償和強(qiáng)化,最終實(shí)現(xiàn)比單個(gè)分類器更好的效果。雖然通過基分類器集成能夠?qū)崿F(xiàn)性能的提升,但是并不意味著,可以通過增加基分類器個(gè)數(shù)無限提升集成算法的性能,這主要是因?yàn)榛诸惼鳙@取的信息終是有限的,當(dāng)基分類器個(gè)數(shù)達(dá)到一定數(shù)量后,信息挖掘和強(qiáng)化的效果已經(jīng)達(dá)到上限,無法繼續(xù)上升。

3.5 實(shí)測(cè)數(shù)據(jù)驗(yàn)證實(shí)驗(yàn)

利用某型雷達(dá)的實(shí)測(cè)數(shù)據(jù)對(duì)本文方法進(jìn)行測(cè)試,其頻點(diǎn)處于X波段,帶寬為20 MHz,隨機(jī)選取干擾和回波脈沖各1 280個(gè),訓(xùn)練集與測(cè)試集劃分比例為3∶1,經(jīng)估算采集的目標(biāo)回波和干擾信號(hào)的信/干噪比大致分布于-12.6～10.5 dB之間。本次識(shí)別結(jié)果如下:整體正確識(shí)別率為94.7%,目標(biāo)正確識(shí)別率約為95%,干擾正確識(shí)別率約為94.4%。由于在實(shí)測(cè)數(shù)據(jù)中,雷達(dá)與干擾機(jī)的頻響曲線起伏差異較大,因此其識(shí)別效果要優(yōu)于仿真實(shí)驗(yàn)。這也進(jìn)一步驗(yàn)證了:在雷達(dá)與干擾機(jī)的頻響曲線起伏特征更鮮明時(shí),識(shí)別難度會(huì)降低。由于實(shí)測(cè)數(shù)據(jù)的敏感性,在本文中只展示部分樣本,圖10為近似相同信/干噪比情況下目標(biāo)回波和干擾信號(hào)的歸一化幅頻響應(yīng),可以看出二者的起伏趨勢(shì)明顯不同,其中干擾信號(hào)的頻響由于受到干擾機(jī)的調(diào)制,幅頻響應(yīng)起伏更為明顯,這表現(xiàn)為具有更多毛刺。

圖10 實(shí)測(cè)樣本幅頻響應(yīng)Fig.10 Amplitude frequency response of the measured sample

3.6 單一信/干噪比條件下仿真對(duì)比實(shí)驗(yàn)

本節(jié)包括兩個(gè)子實(shí)驗(yàn),首先,將本文方法與目前國內(nèi)外多數(shù)學(xué)者關(guān)注的單一信/干噪比條件下的干擾識(shí)別成果進(jìn)行對(duì)比。由于3.2節(jié)～3.4節(jié)仿真實(shí)驗(yàn)采用的訓(xùn)練樣本數(shù)量與文獻(xiàn)[16]不同,故單獨(dú)進(jìn)行仿真對(duì)比測(cè)試。保持3.2節(jié)仿真實(shí)驗(yàn)1(干信比為0 dB時(shí))其他條件不變,僅改變蒙特卡洛仿真次數(shù),使目標(biāo)與干擾訓(xùn)練樣本個(gè)數(shù)各為100個(gè),使本次對(duì)比實(shí)驗(yàn)的仿真條件與文獻(xiàn)[16]相同。測(cè)試結(jié)果如圖11,從圖中可以看出,本文方法在信噪比較低時(shí),識(shí)別性能遠(yuǎn)遠(yuǎn)高于文獻(xiàn)[16],充分說明本文提取的幅頻響應(yīng)起伏特征在目標(biāo)回波與干擾信號(hào)功率相當(dāng)、脈內(nèi)特征相似時(shí),對(duì)干擾信號(hào)的識(shí)別性能更好,低信噪比條件下的穩(wěn)定性也更高;同時(shí)本文所用的E-ODCNN-LSTM算法也比經(jīng)典的SVM算法更具優(yōu)勢(shì),能夠更深層次的提取信號(hào)特征。另外,與 3.2節(jié) 2 000個(gè)訓(xùn)練樣本結(jié)果相比,本次實(shí)驗(yàn)識(shí)別效果下降并不大,說明本文算法在樣本較少時(shí),也具有一定的穩(wěn)定性。

圖11 本文方法與文獻(xiàn)[16]方法對(duì)比結(jié)果Fig.11 Comparison between our method and the method in Ref.[16]

文獻(xiàn)[17]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)干擾進(jìn)行識(shí)別,將本文方法與文獻(xiàn)[17]進(jìn)行對(duì)比,保持3.2節(jié)仿真實(shí)驗(yàn)1其他條件不變,使本次實(shí)驗(yàn)中干信比為6 dB,以及目標(biāo)回波和干擾信號(hào)訓(xùn)練樣本個(gè)數(shù)各為600個(gè)。對(duì)比結(jié)果如圖12所示,可以看出本文方法在文獻(xiàn)[17]仿真條件下,無論目標(biāo)正確識(shí)別率還是干擾正確識(shí)別率,在各個(gè)信噪比條件下均能實(shí)現(xiàn)100%的正確識(shí)別率,相較于文獻(xiàn)[17]更具優(yōu)勢(shì)。

圖12 本文方法與文獻(xiàn)[17]方法對(duì)比結(jié)果Fig.12 Comparison between our method and the method in Ref.[17]

3.7 大起伏密集假目標(biāo)干擾仿真對(duì)比實(shí)驗(yàn)

為說明在大起伏密集假目標(biāo)情況下本文所提方法的優(yōu)勢(shì),本實(shí)驗(yàn)通過提取文獻(xiàn)[27]所用的時(shí)域偏度、峰度、包絡(luò)起伏度等特征,將其用于大起伏密集假目標(biāo)干擾的識(shí)別。保持3.3節(jié)仿真實(shí)驗(yàn)2條件不變,使信/干噪比跨度范圍為20 dB,對(duì)比結(jié)果如表2所示。由表2可以看出,文獻(xiàn)[27]方法的識(shí)別率僅能維持在65%左右,并且隨著信噪比中心值的提高,其識(shí)別性能提升也較為緩慢;而本文所提方法,在各個(gè)信噪比中心值下的正確識(shí)別率均遠(yuǎn)高于對(duì)比文獻(xiàn)[27]方法的識(shí)別率,并且隨著信噪比中心值的提高,本文方法的正確識(shí)別率顯著提升,說明本文方法相對(duì)傳統(tǒng)方法而言,在針對(duì)大起伏密集假目標(biāo)干擾的情況時(shí)具有較大優(yōu)勢(shì)。

4 結(jié)論

本文從雷達(dá)與干擾機(jī)的射頻鏈路物理特性出發(fā),通過建立目標(biāo)回波和干擾信號(hào)頻響機(jī)制影響算法,進(jìn)而提出了基于雷達(dá)與干擾機(jī)頻率響應(yīng)特性差異的信/干噪比大動(dòng)態(tài)范圍變化條件下的密集假目標(biāo)干擾識(shí)別方法。通過幅頻響應(yīng)特征的提取和 E-ODCNN-LSTM網(wǎng)絡(luò)算法的構(gòu)建實(shí)現(xiàn)干擾-回波信號(hào)的有效識(shí)別,實(shí)現(xiàn)了密集假目標(biāo)干擾與目標(biāo)回波信號(hào)的細(xì)微特征提取,信/干噪比大范圍動(dòng)態(tài)變化條件下目標(biāo)/干擾信號(hào)特征起伏敏感、識(shí)別性能不穩(wěn)定的難題。實(shí)現(xiàn)了干信比為0 dB、3 dB、5 dB共3種下對(duì)干擾的穩(wěn)定識(shí)別,當(dāng)信噪比大于10 dB時(shí),均能實(shí)現(xiàn)100%正確識(shí)別;信噪比-10～10 dB動(dòng)態(tài)范圍下,對(duì)全體目標(biāo)-干擾信號(hào)的穩(wěn)定識(shí)別,當(dāng)整體干信比大于6 dB時(shí),整體識(shí)別率高于91%;當(dāng)實(shí)測(cè)數(shù)據(jù)信/干噪比動(dòng)態(tài)大致分布于-12.6～10.5 dB時(shí),正確識(shí)別率高于94.5%;最后與經(jīng)典文獻(xiàn)方法進(jìn)行對(duì)比,體現(xiàn)了本文方法的優(yōu)越性。

表2 大起伏條件下識(shí)別結(jié)果對(duì)比Table 2 Comparison of recognition results under large fluctuation conditions %