CN112213698B - 一种基于稀疏表示分类的欺骗干扰识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示分类的欺骗干扰识别方法，针对目前雷达欺骗干扰信号识别困难的现状，提出利用欺骗干扰信号参数的变化差异，实现对几种常见欺骗干扰信号的识别，通过划分频段，接收不同慢时域的信号形成信号集合；对不同频段每个慢时域时刻的信号进行三阶累积量计算，提取累积量切片特征，进而降低噪声的影响，提取稳定的信号特征；利用奇异值分解对特征进行降维，提取主要分量，最后利用稀疏表示分类对信号在不同频段上进行分类识别，利用决策融合的方法对分类结果进行整合。本发明能够充分利用不同欺骗干扰信号在拖引期参数的变化信息，有效的识别几种常见的欺骗干扰信号。

Description

一种基于稀疏表示分类的欺骗干扰识别方法

技术领域

本发明涉及雷达欺骗干扰识别技术领域，尤其涉及一种基于稀疏表示分类的欺骗干扰识别方法。

背景技术

随着数字射频存储(Digital Radio Frequency Memories，DRFM)技术的应用，DRFM干扰机可以快速地捕获雷达发射信号，内部有高频率的采样设备，可以高保真地恢复雷达发射信号并进行调制，产生具有欺骗性质的干扰信号，欺骗干扰信号和雷达回波信号高度相干，因此进入雷达接收机时与雷达回波信号获得相同的脉压增益，使得雷达无法辨别真假信号，现已成为雷达的主要威胁。

目前大多数的雷达欺骗干扰识别算法没有利用信号在慢时域参数的变化信息，并且受噪声的影响很大，很难在低信噪比下保持较高的识别率；部分欺骗干扰识别方法只能检测雷达是否受到欺骗干扰，并不能检测出所受的干扰属于具体属于哪种。

发明内容

根据上述内容，本发明的主要技术目的是提出一种基于稀疏表示分类的欺骗干扰识别方法，提出利用欺骗干扰信号参数的变化差异，通过提取信号在不同慢时域的参数变化规律，从而对信号的具体类型进行识别，从本质上提取不同种信号的特征。

一种基于稀疏表示分类的欺骗干扰识别方法，包括以下步骤：

步骤1，通过接收多个慢时域时刻的信号组成信号集合，对组成的信号集合进行频段划分并对信号进行重构，利用不同频段上信号参数的变化方式的不同，对欺骗干扰信号进行识别，再利用不同频段上信号之间的信息差异，在不同频段上对接收信号进行分类识别；

步骤2，对所述不同频段的信号集合在每个慢时域上进行信号处理，提取稳定信号特征，减少噪声对识别***的影响，并凸显不同种类信号之间的差异，在每个频段上构建用于识别的特征矩阵；

步骤3，对每个频段上的特征矩阵进行降维处理，用少量的特征向量代替整个特征矩阵的信息，以减少后续识别过程中的特征参数数量；

步骤4，利用稀疏表示分类的方法对不同的欺骗干扰信号进行识别，通过采取大量样本数据，将降维后的特征向量作为原子，构建超完备字典，再将样本在字典上展开，在所划分的不同频段上进行欺骗干扰识别，对不同频段上的分类结果，利用决策融合的方法进行整合，得到最终的识别结果。

优选的，所述步骤1中，慢时域时刻的信号为线性调频信号，信号的发射信号形式为：

式中：其中f₀为中频频率，k为调制斜率，/>为发射信号初始相位，τ为脉冲宽度。

优选的，所述步骤1中，欺骗干扰信号包括有距离拖引干扰、速度拖引干扰以及距离-速度联合拖引干扰的信号形式，其中距离拖引干扰形式如下：

式中：A_R为距离拖引干扰的幅度，Δt_J为干扰机对雷达信号进行接收、存储、处理、转发所需的固有延迟，Δt_J(t)为距离拖引干扰的调制时延，为干扰机干扰信号初始相位；

速度拖引干扰形式如下：

式中：A_V为速度拖引干扰的幅度，Δf_dJ(t)为速度拖引干扰调制的多普勒频移；

距离-速度联合拖引干扰形式如下：

式中：A_R-V为距离-速度联合拖引干扰的幅度。

优选的，所述步骤1中，不同频段的划分方法采用小波包重构，经过频段划分后，所得到的信号集合采用以下形式：

S_i＝[x_i(t,η₀),x_i(t,η₁),…,x_i(t,η_n),…x_i(t,η_N)]^T

雷达接收机在第i个频段上慢时域η_n时刻接收到的信号x_i(t,η_n)有以下几种情况：

式中，F表示傅里叶变换，R₀(η_n)为慢时域η_n时刻对应的瞬时距离，Δt_J(t,η_n)为慢时域η_n时刻距离欺骗干扰的延时量，Δf_dJ(t,η_n)为慢时域η_n时刻对应的数字射频存储干扰机产生的速度拖引干扰信号的多普勒频移，H_i(ω)表示第i个频段上对应的带通滤波器。

优选的，所述步骤2中，信号特征的处理方法采用三阶累积量，提取累积量对角切片，其中三阶累积量采用以下形式：

其中τ₁、τ₂分别为延时量，E表示数学期望；

对角切片采用以下形式：

优选的，所述步骤3中，特征矩阵的降维处理方法采用奇异值分解的方法，通过提取奇异值所对应的左右奇异向量作为特征向量，用于后续识别。

优选的，所述步骤4中，用于稀疏表示分类的原子为奇异向量，决策融合采用以下形式：

y_t＝argmax([y₁,y₂,y₃,y₄])

其中，y₁、y₂、y₃、y₄分别表示识别为目标回波、欺骗干扰信号的字典数目，分类的最终结果表示为各个字典识别后分类次数最多的信号类型。

本发明与现有技术相比的有益效果为：

(1)提供了一种新的欺骗干扰识别方法，能够识别常见的几种欺骗干扰信号，识别效果稳定，在低信噪比下依然具有较高的识别率。

(2)充分利用不同慢时域的信号参数信息，利用欺骗干扰信号参数的变化差异，从本质上对欺骗干扰信号进行识别。

附图说明

图1是一种基于稀疏表示分类的欺骗干扰识别方法的分步骤说明图；

图2是一种基于稀疏表示分类的欺骗干扰识别方法的算法流程图。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

实施例

参照图1-2，本发明提出的一种基于稀疏表示分类的欺骗干扰识别方法，包括以下步骤：

(1)对接收到的信号进行频段划分，结合慢时域，形成不同频段的信号集合，其中信号的建模如下：

所述雷达发射信号为线性调频信号，发射信号形式为：

式中：f₀为中频频率，k为调制斜率，/>为发射信号初始相位，τ为脉冲宽度。

所述的欺骗干扰信号有距离拖引干扰、速度拖引欺骗干扰以及距离-速度联合拖引干扰信号形式，其中距离拖引干扰形式如下：

式中：A_R为距离拖引干扰的幅度，Δt_J为干扰机对雷达信号进行接收、存储、处理、转发所需的固有延迟，Δt_J(t)为距离拖引干扰的调制时延，为干扰机干扰信号初始相位。

速度拖引干扰形式如下：

式中：A_V为速度拖引干扰的幅度，Δf_dJ(t)为速度拖引干扰调制的多普勒频移。

距离-速度联合拖引干扰形式如下：

式中：A_R-V为距离-速度联合拖引干扰的幅度。

对接收信号进行小波包分解重构，得到不同频段上的信号集合，信号集合采用以下形式：

S_i＝[x_i(t,η₀),x_i(t,η₁),…,x_i(t,η_n),…x_i(t,η_N)]^T

其中S_i表示第i个小波分解频段上的信号集合，i＝1,2,…,8，η_n表示慢时域，n＝1,2,…,N，x_i(t,η_n)为第i个频段上慢时域η_n时刻所接收到的信号向量，对应不同的欺骗干扰信号，接收信号x_i(t,η_n)有以下几种情况：

(2)对不同频段的信号进行特征提取，得到不同频段的特征矩阵，具体过程为：

对每个频段上不同慢时域时刻的信号进行三阶累积量运算，三阶累积量运算定义如下：

其中τ₁、τ₂分别为延时量，E表示数学期望。

经过三阶累积量运算后，提取累积量对角切片，所得到的特征可以表示为：

对于第i个频段上接收到的信号集合S_i，对每一个慢时域时刻进行三阶累积量计算，则可以得到在第i个频段上信号的稳定变化特征，所得到的特征矩阵可以写成以下形式：

A_i＝[f_i(τ′,η₀),f_i(τ′,η₁),…,f_i(τ′,η_n),…f_i(τ′,η_N)]^T

(3)对特征矩阵进行降维，减少特征冗余度，提取每一频段的特征向量，具体过程为：

对每一个频段上大小为m×n的特征矩阵A_i，其中m表示慢时域的长度，n为接收到的累积量切片长度。根据奇异值分解，有

A_i＝U_iΣ_iV_i ^T

其中，U_i＝[u_i1,u_i2,u_i3,…,u_ik,…,u_im]为A_i的左奇异矩阵，u_ik为m×1的左奇异向量，k＝1,2,3,…,m。V_i＝[v_i1,v_i2,v_i3,…,v_il,…,v_in]为矩阵A_i的右奇异矩阵，v_il为n×1的右奇异向量，l＝1,2,3,…,n。

σ_ij表示矩阵A_i的奇异值，反应了矩阵的固有特征，其中j＝1,2,3,…,min(m,n)，且满足σ_i1＞σ_i2＞σ_i3＞…＞σ_imin(m,n)。因此A_i可以写为

由于目标回波信号属于单分量信号，且目标回波和欺骗干扰信号结构具有相似性，因此其特征矩阵的奇异值分布中第一个奇异值在数值上远远大于其他奇异值。通过提取最大奇异值以及其对应的奇异向量，即可把握特征矩阵A_i整体信息。

(4)将样本在对应频段上的超完备字典上展开，得到对应频段上的分类结果，通过决策融合的方法对结果进行整合，得到样本最终的识别结果，具体过程为：

通过采集大量样本，提取对应频段上的特征向量作为字典的原子，构建过完备字典，根据稀疏表示分类原理，同类的样本间线性关系强，而不同类的样本间线性关系较差，因此使用过完备字典去表示一个未知样本时，其结果往往容易被表示为字典中的同类原子的线性组合。设D_i＝[d_i,1,d_i,2,…,d_i,j,…,d_i,mi]是由第i类样本组成的一个集合，其中d_i,j∈Rⁿ，n表示向量的维度，m_i表示第i类样本的数量。若集合D_i是过完备的，则任意一个不属于集合D_i的第i类样本y_i都可以用D_i中的元素进行表示：

因此，y_i可以通过集合D_i来表示，即y_i＝D_ix_i，其中是样本y_i在集合D_i形成的线性表示系数。现有D＝[D₁,D₂,…,D_i,…,D_M]，其中M表示总类别数目，D是各类别样本的过完备集合，称为字典。给定一待测样本y∈Rⁿ并假定其属于第i类，则样本可在D上展开：

y＝Dx₀

式中，是样本y在字典D上形成的稀疏表示。x₀的非零项字典D中第i类原子相对应，为得到x₀的非零项系数，可通过求解l¹正则式的最小值，将问题转化为求解最优化问题：

||·||₁表示l¹范数，ε表示误差上限。实际情况中，样本数据往往存在噪声的影响，的非零项系数的位置并不会全部集中在字典第i类原子上。为了进行分类，需要计算样本与每个类别子字典上重构的样本的误差量，误差最少的即为最后的分类结果：

式中，表示样本y在稀疏表示系数/>中第i类原子上表示的系数，将其余的系数置零，得到每一个子字典重构出的样本与真实样本之间的误差。最后的分类结果如下：

对于每一个频段上的分类结果，需要用决策融合的方式进行整合，最终的结果可以表示为：

y_t＝argmax([y₁,y₂,y₃,y₄])

式中，y₁、y₂、y₃、y₄分别表示识别为目标回波、RGPO、VGPO以及R-VGPO的字典数目，整合后的识别结果为各个字典识别后出现次数最多的信号类型。

整个识别算法的流程图如图2所示。识别流程可以表示为一个线性分解的过程，当样本的参数变化规律与字典中的原子相匹配时，证明这两个信号的参数变化规律相似，而最终的识别结果往往是与其模式最匹配的信号类别。因此，该识别方法能够从信号参数的变化规律这一角度出发，完成各种欺骗干扰信号的分类识别，具有很高的适用性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于稀疏表示分类的欺骗干扰识别方法，其特征在于，包括以下步骤：

步骤1，通过接收多个慢时域时刻的信号组成信号集合，对组成的信号集合进行频段划分并对信号进行重构，利用不同频段上信号参数的变化方式的不同，对欺骗干扰信号进行识别，再利用不同频段上信号之间的信息差异，在不同频段上对接收信号进行分类识别；

步骤2，对所述不同频段的信号集合在每个慢时域上进行信号处理，提取稳定信号特征，减少噪声对识别***的影响，并凸显不同种类信号之间的差异，在每个频段上构建用于识别的特征矩阵；

步骤3，对每个频段上的特征矩阵进行降维处理，用少量的特征向量代替整个特征矩阵的信息，以减少后续识别过程中的特征参数数量；

步骤4，利用稀疏表示分类的方法对不同的欺骗干扰信号进行识别，通过采取大量样本数据，将降维后的特征向量作为原子，构建超完备字典，再将样本在字典上展开，在所划分的不同频段上进行欺骗干扰识别，对不同频段上的分类结果，利用决策融合的方法进行整合，得到最终的识别结果；

所述步骤1中，慢时域时刻的信号为线性调频信号，信号的发射信号形式为：

式中：其中f₀为中频频率，k为调制斜率，/>为发射信号初始相位，τ为脉冲宽度；

所述步骤1中，欺骗干扰信号包括有距离拖引干扰、速度拖引干扰以及距离-速度联合拖引干扰的信号形式，其中距离拖引干扰形式如下：

式中：A_R为距离拖引干扰的幅度，Δt_J为干扰机对雷达信号进行接收、存储、处理、转发所需的固有延迟，Δt_J(t)为距离拖引干扰的调制时延，为干扰机干扰信号初始相位；

速度拖引干扰形式如下：

式中：A_V为速度拖引干扰的幅度，Δf_dJ(t)为速度拖引干扰调制的多普勒频移；

距离-速度联合拖引干扰形式如下：

式中：A_R-V为距离-速度联合拖引干扰的幅度；

所述步骤1中，不同频段的划分方法采用小波包重构，经过频段划分后，所得到的信号集合采用以下形式：

S_i＝[x_i(t,η₀),x_i(t,η₁),…,x_i(t,η_n),…x_i(t,η_N)]^T

雷达接收机在第i个频段上慢时域η_n时刻接收到的信号x_i(t,η_n)有以下几种情况：

式中，F表示傅里叶变换，R₀(η_n)为慢时域η_n时刻对应的瞬时距离，Δt_J(t,η_n)为慢时域η_n时刻距离欺骗干扰的延时量，Δf_dJ(t,η_n)为慢时域η_n时刻对应的数字射频存储干扰机产生的速度拖引干扰信号的多普勒频移，H_i(ω)表示第i个频段上对应的带通滤波器；

所述步骤2中，信号特征的处理方法采用三阶累积量，提取累积量对角切片，其中三阶累积量采用以下形式：

其中τ₁、τ₂分别为延时量，E表示数学期望；

对角切片采用以下形式：

所述步骤3中，特征矩阵的降维处理方法采用奇异值分解的方法，通过提取奇异值所对应的左右奇异向量作为特征向量，用于后续识别；

所述步骤4中，用于稀疏表示分类的原子为奇异向量，决策融合采用以下形式：

y_t＝arg max([y₁,y₂,y₃,y₄])

其中，y₁、y₂、y₃、y₄分别表示识别为目标回波、欺骗干扰信号的字典数目，分类的最终结果表示为各个字典识别后分类次数最多的信号类型。