史崇崴，張 群*，劉治東，孫鳳蓮

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安，710077；2.空軍通信士官學(xué)校，遼寧 大連，116000)

隨著微多普勒效應(yīng)[1-3]以及微動(dòng)特征提取技術(shù)[4-6]的研究與發(fā)展，利用微動(dòng)特征進(jìn)行目標(biāo)參數(shù)估計(jì)[7]以及分類識(shí)別[8]已成為一種有效的雷達(dá)識(shí)別手段。而在逆合成孔徑雷達(dá)(inverse synthetic aperture radar, ISAR)成像中，微動(dòng)調(diào)制產(chǎn)生的微多普勒效應(yīng)會(huì)導(dǎo)致ISAR二維成像的方位向上展寬，產(chǎn)生壓制條帶，將使目標(biāo)ISAR二維圖像的識(shí)別性顯著下降。利用這一性質(zhì)，在ISAR成像對(duì)抗中，干擾機(jī)對(duì)接收到的雷達(dá)發(fā)射信號(hào)進(jìn)行微多普勒調(diào)制后再轉(zhuǎn)發(fā)給雷達(dá)接收機(jī)，不僅能夠在ISAR二維圖像上產(chǎn)生壓制干擾，同時(shí)還可以形成微動(dòng)特征欺騙，增加了雷達(dá)利用微動(dòng)特征進(jìn)行目標(biāo)識(shí)別的難度[9]。例如，文獻(xiàn)[10]提出了基于合成等效微動(dòng)點(diǎn)的ISAR干擾方法，通過對(duì)雷達(dá)信號(hào)進(jìn)行正弦相位調(diào)制，改變不同干擾參數(shù)從而合成不同干擾效果的等效微動(dòng)點(diǎn)信號(hào)，實(shí)現(xiàn)對(duì)ISAR成像的干擾；文獻(xiàn)[11]提出了基于微動(dòng)調(diào)制的梳狀譜靈巧噪聲壓制干擾方法，利用雷達(dá)壓縮增益降低干擾功率，同時(shí)運(yùn)用微動(dòng)調(diào)制特性提高了靈巧噪聲干擾面積；文獻(xiàn)[12]對(duì)目前不同體制ISAR的微動(dòng)干擾方法進(jìn)行了補(bǔ)充與研究，針對(duì)單基地ISAR提出了調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾、微動(dòng)散射波干擾、脈沖卷積微動(dòng)干擾，針對(duì)多基地ISAR提出微動(dòng)散射波干擾、脈沖卷積散射波干擾，針對(duì)干涉ISAR(InISAR)提出了微動(dòng)調(diào)制干擾方法、異頻調(diào)制干擾方法。因此，微動(dòng)干擾是一種對(duì)ISAR成像識(shí)別具有高度威脅的新型干擾方法，開展針對(duì)微動(dòng)干擾樣式識(shí)別的研究對(duì)提升ISAR抗干擾能力具有重要意義。

雷達(dá)干擾樣式識(shí)別研究大多集中在傳統(tǒng)的壓制干擾和欺騙干擾上，而隨著新型干擾樣式的出現(xiàn)，針對(duì)新型干擾樣式的識(shí)別開始得到關(guān)注。文獻(xiàn)[13]針對(duì)多種噪聲靈巧干擾和間歇采樣轉(zhuǎn)發(fā)干擾，提出基于自適應(yīng)SSD算法和1.5維譜的識(shí)別方法，該方法在分離干擾信號(hào)特征具有優(yōu)勢(shì)，在低信噪比下具有較高識(shí)別率。文獻(xiàn)[14]針對(duì)傳統(tǒng)干擾樣式以及間歇采樣轉(zhuǎn)發(fā)干擾、靈巧噪聲干擾等新型干擾樣式，提出一種基于剪枝的復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行干擾樣式的識(shí)別，能有效減小運(yùn)算量，同時(shí)提高識(shí)別的速度和識(shí)別率。但是，目前尚未見針對(duì)微動(dòng)干擾樣式識(shí)別的相關(guān)研究工作。

本文針對(duì)調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾、微動(dòng)散射波干擾、脈沖卷積微動(dòng)干擾3種微動(dòng)干擾樣式，提出了一種基于灰度共生矩陣的微動(dòng)干擾分類識(shí)別方法。

1 微動(dòng)干擾信號(hào)回波模型

假設(shè)雷達(dá)發(fā)射線性調(diào)頻脈沖(Chirp)信號(hào)，則其可以表示為：

(1)

1.1 調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾

干擾機(jī)截獲ISAR發(fā)射信號(hào)后，根據(jù)需要計(jì)算虛假微動(dòng)點(diǎn)的相位調(diào)制信息與轉(zhuǎn)發(fā)延時(shí)，對(duì)雷達(dá)信號(hào)進(jìn)行包含微動(dòng)信息的相位調(diào)制后，將干擾信號(hào)轉(zhuǎn)發(fā)到ISAR接收機(jī)[12]。以旋轉(zhuǎn)微動(dòng)點(diǎn)P為分析對(duì)象，干擾機(jī)相位調(diào)制項(xiàng)可表示為：

e(tm)=σPexp (-jrPsin(ωPtm+φ))

(2)

式中：σP為P點(diǎn)散射系數(shù)；rP為P點(diǎn)旋轉(zhuǎn)半徑；ωP為P點(diǎn)旋轉(zhuǎn)角速度；tm為慢時(shí)間；φ為初相。不考慮噪聲影響，則P點(diǎn)的雷達(dá)回波可以表示為：

(3)

式中：RP表示P點(diǎn)與雷達(dá)之間的距離；c為光速；T=tm+t表示全時(shí)間。則干擾機(jī)經(jīng)過微動(dòng)調(diào)制轉(zhuǎn)發(fā)后的干擾信號(hào)可表示為：

J1(t,tm)=sP(t-Δt,tm)e(tm)=

(4)

式中：Δt表示干擾機(jī)轉(zhuǎn)發(fā)時(shí)延。通過改變干擾機(jī)轉(zhuǎn)發(fā)時(shí)延，可以控制微動(dòng)干擾條帶的位置及數(shù)量，對(duì)ISAR成像產(chǎn)生不同程度的干擾。

1.2 微動(dòng)散射波干擾

干擾機(jī)截獲ISAR發(fā)射信號(hào)后，對(duì)雷達(dá)信號(hào)進(jìn)行包含微動(dòng)信息的相位調(diào)制，然后將干擾信號(hào)轉(zhuǎn)發(fā)至目標(biāo)，由目標(biāo)將干擾信號(hào)散射至ISAR接收機(jī)[12]。假設(shè)雷達(dá)R與微動(dòng)點(diǎn)P距離為PRP(tm)，干擾機(jī)T與微動(dòng)點(diǎn)P距離為PTP(tm)，則干擾信號(hào)回波歷程可以表示為：

RTPR(tm)=RRP(tm)+RTP(tm)

(5)

故微動(dòng)散射波干擾信號(hào)可以表示為：

(6)

干擾機(jī)與ISAR可等效看作雙基地雷達(dá)的發(fā)射機(jī)與接收機(jī)。假設(shè)等效雙基角為α，由散射波信號(hào)的特性，微動(dòng)散射波干擾除了在方位向上產(chǎn)生干擾條帶外可知，還可產(chǎn)生與目標(biāo)相似的二維像，與實(shí)際目標(biāo)圖像相差α/2的夾角[15]。

1.3 脈沖卷積微動(dòng)干擾

脈沖卷積微動(dòng)干擾的干擾原理為：干擾機(jī)截獲ISAR發(fā)射信號(hào)后，利用不同延時(shí)的脈沖序列與其卷積，然后將干擾信號(hào)轉(zhuǎn)發(fā)至ISAR接收機(jī)。該方法本質(zhì)上是對(duì)選定距離單元內(nèi)的散射點(diǎn)進(jìn)行延時(shí)轉(zhuǎn)發(fā)，通過控制轉(zhuǎn)發(fā)延時(shí)參數(shù)在固定周期內(nèi)循環(huán)，以實(shí)現(xiàn)虛假微動(dòng)點(diǎn)回波的效果[12]。假設(shè)目標(biāo)上一散射點(diǎn)P，則其雷達(dá)回波可表示為：

(7)

假設(shè)干擾機(jī)轉(zhuǎn)發(fā)時(shí)延Δt在區(qū)間[t1,t2]上隨慢時(shí)間tm循環(huán)變化，則脈沖序列可以表示為：

p(t,tm)=δ(t-Δt(tm))

(8)

式中：δ(·)表示單位沖激函數(shù)。規(guī)定f(t)=f1(t)*f2(t)表示f1(t)和f2(t)的卷積。故脈沖卷積微動(dòng)干擾信號(hào)可以表示為：

J3(t,tm)=p(t,tm)*sP(t,tm)=

(9)

圖1為飛機(jī)散射點(diǎn)模型和3種微動(dòng)干擾的ISAR二維像效果圖。可以看出，3種微動(dòng)干擾樣式均能夠?qū)φ鎸?shí)目標(biāo)回波產(chǎn)生壓制干擾，顯著增加了ISAR目標(biāo)識(shí)別與跟蹤的難度，因此需要對(duì)干擾進(jìn)行分類識(shí)別，以采取相對(duì)應(yīng)的抗干擾措施。

圖1 散射點(diǎn)模型和3種微動(dòng)干擾ISAR二維像

2 干擾特征提取與識(shí)別

由于微動(dòng)干擾在不同脈沖間的調(diào)制參數(shù)不同，難以從單個(gè)脈沖信號(hào)中獲得足夠特征，本文從提取脈間特征的角度出發(fā)，從雷達(dá)接收信號(hào)矩陣的時(shí)域圖像中獲得不同微動(dòng)干擾樣式的信息進(jìn)行分類識(shí)別，采用灰度共生矩陣對(duì)雷達(dá)接收信號(hào)進(jìn)行分析。

2.1 回波數(shù)據(jù)預(yù)處理

在計(jì)算灰度共生矩陣前，首先對(duì)雷達(dá)接收信號(hào)進(jìn)行處理。由于雷達(dá)采用線性調(diào)頻脈沖信號(hào)，接收信號(hào)在|t|>τ/2的情況下值為0，因此在雷達(dá)接收信號(hào)經(jīng)過解線頻調(diào)處理后，對(duì)接收信號(hào)矩陣截取|t|≤τ/2的部分。接著對(duì)所截取的接收信號(hào)矩陣進(jìn)行灰度化處理，具體方法為：將接收信號(hào)矩陣中的復(fù)數(shù)值取模并進(jìn)行歸一化處理，接著將數(shù)值擴(kuò)展到0～255并取整，即可得到雷達(dá)接收信號(hào)矩陣的灰度圖像。為了便于后續(xù)灰度共生矩陣的構(gòu)造，減少灰度共生矩陣階數(shù)以及運(yùn)算量，同時(shí)盡可能保留灰度圖原有的紋理以保證識(shí)別率，將灰度圖像壓縮成16級(jí)。

2.2 灰度共生矩陣原理

灰度共生矩陣(gray-level co-occurrence matrix, GLCM)是一種應(yīng)用廣泛的圖像紋理分析方法。由于圖像中相隔不同距離的兩像素灰度值之間存在不同程度的關(guān)聯(lián)，對(duì)這些關(guān)聯(lián)進(jìn)行分析可以得到圖像紋理的特征?；叶裙采仃嚨幕驹砭褪峭ㄟ^研究灰度圖像的空間相關(guān)性質(zhì)來對(duì)圖像的紋理特征進(jìn)行描述[16]。

灰度共生矩陣定義為：從灰度級(jí)為i的點(diǎn)沿著θ方向，以d作間隔距離,到達(dá)灰度級(jí)為j的點(diǎn)的概率，記作Pd,θ(i,j)。假設(shè)L表示圖像的灰度級(jí)，有i,j=0,1,…,L-1；M，N分別表示圖形像素點(diǎn)的行數(shù)和列數(shù)；l(x,y)表示坐標(biāo)為(x,y)的點(diǎn)所對(duì)應(yīng)的灰度級(jí)。一般情況下，取θ={0°,45°,90°,135°}，則從l(x1,y1)=i到l(x2,y2)=j在4個(gè)方向上的灰度共生矩陣元素表達(dá)式為：

(10)

式中：#表示滿足限制條件的像素點(diǎn)對(duì)的個(gè)數(shù)。為了便于提取紋理特征參數(shù)，將矩陣歸一化處理：

(11)

式中：Pd,θ表示歸一化后的灰度共生矩陣；R表示歸一化系數(shù)，其值為灰度共生矩陣的所有元素和：

(12)

則歸一化后的灰度共生矩陣各元素可表示為：

(13)

將處理后的雷達(dá)接收信號(hào)矩陣灰度圖像依據(jù)上述方法處理，可以得到其4個(gè)方向的灰度共生矩陣，以便進(jìn)行下一步的特征提取。

2.3 紋理參數(shù)特征提取

在按照上述方法生成歸一化灰度共生矩陣的基礎(chǔ)上，可以進(jìn)一步分析二次統(tǒng)計(jì)量，提取圖形的紋理參數(shù)[17]。本文采用了以下4種紋理參數(shù)提取特征。

1)角二階矩

角二階矩(angular second moment, ASM)是灰度共生矩陣所有元素的平方和，也稱為能量，可表示為：

(14)

角二階矩反映了圖像的灰度分布均勻程度和紋理粗細(xì)度。ASM值越大，表明圖像的紋理變化越規(guī)則和均勻。因此對(duì)于雷達(dá)接收信號(hào)矩陣灰度圖，其紋理越粗，ASM越大；紋理越細(xì)，ASM越小。

2)熵

熵(entropy, ENT)能夠度量圖像包含紋理信息量的大小，是一種隨機(jī)性的度量，可表示為：

(15)

熵反映了圖像紋理的復(fù)雜程度或非均勻度。對(duì)于雷達(dá)接收信號(hào)矩陣灰度圖，當(dāng)其灰度共生矩陣中的元素取值分布不均勻時(shí)，表明圖像紋理較簡(jiǎn)單、灰度均勻，ENT取值較小；反之，ENT取值較大。

3)對(duì)比度

對(duì)比度(contrast, CON)是灰度共生矩陣主對(duì)角線附近的慣性矩，可表示為：

(16)

對(duì)比度反映了圖像的清晰度和紋理溝紋深淺的程度。對(duì)于雷達(dá)接收信號(hào)矩陣灰度圖，當(dāng)其視覺效果較清晰，紋理溝紋較深時(shí)，則CON取值較大；反之，CON取值越小。

4)相關(guān)

相關(guān)(correlation, COR)用于度量灰度共生矩陣元素在行或列方向上的相似程度，可表示為：

(17)

式中:μx、μy、σx和σy分別定義為：

(18)

(19)

(20)

(21)

對(duì)于雷達(dá)接收信號(hào)矩陣灰度圖，當(dāng)其灰度共生矩陣的元素值均勻相等時(shí)，圖像具有方向性的相似紋理區(qū)域，此時(shí)COR取值較大；反之，COR取值較小。

利用構(gòu)造的4個(gè)方向的灰度共生矩陣紋理參數(shù)求取均值和標(biāo)準(zhǔn)差，則每種紋理參數(shù)可得到2個(gè)特征參數(shù)，一共可以得到8個(gè)特征參數(shù)。

2.4 微動(dòng)干擾樣式分類識(shí)別步驟

綜上所述，本文提出的微動(dòng)干擾樣式分類識(shí)別的具體步驟如下：

步驟1對(duì)雷達(dá)接收信號(hào)矩陣進(jìn)行預(yù)處理，獲得其灰度圖像；

步驟2利用式(10)～(11)構(gòu)造灰度圖像4個(gè)方向的灰度共生矩陣；

步驟3利用式(14)～(17)計(jì)算角二階矩、熵、對(duì)比度、相關(guān)等4個(gè)紋理參數(shù)，分別求紋理參數(shù)4個(gè)方向的均值和標(biāo)準(zhǔn)差，獲得8個(gè)特征參數(shù)，并構(gòu)造特征向量；

步驟4將特征向量輸入KNN分類器，從而實(shí)現(xiàn)微動(dòng)干擾樣式的分類識(shí)別。

3 仿真結(jié)果與分析

3.1 數(shù)據(jù)集設(shè)計(jì)

本文仿真參數(shù)設(shè)置如下：假設(shè)雷達(dá)發(fā)射線性調(diào)頻脈沖信號(hào)，載頻10 GHz，帶寬400 MHz，脈寬5 μs，脈沖重復(fù)頻率200 Hz，脈沖數(shù)量512個(gè)。雷達(dá)對(duì)如圖1(a)所示的飛機(jī)散射點(diǎn)目標(biāo)發(fā)射信號(hào)，采用ISAR轉(zhuǎn)臺(tái)成像模型，假設(shè)目標(biāo)距離雷達(dá)13 km，轉(zhuǎn)動(dòng)角速度為0.02 rad/s。依據(jù)雷達(dá)是否受到干擾以及不同的微動(dòng)干擾類型，將雷達(dá)接收信號(hào)分為以下4類：

(22)

式中：s0(t,tm)為目標(biāo)回波信號(hào)；J1(t,tm)為調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾信號(hào)；J2(t,tm)為微動(dòng)散射波干擾信號(hào)；J3(t,tm)為脈沖卷積微動(dòng)干擾信號(hào)；n(t)為高斯白噪聲。針對(duì)這4類雷達(dá)接收信號(hào)進(jìn)行數(shù)據(jù)集設(shè)計(jì)，分別在信噪比(SNR)為5 dB, 0 dB, -5 dB的情況下進(jìn)行仿真。具體干擾參數(shù)范圍如表1所示，在此范圍內(nèi)每種干擾選取10組不同參數(shù)，參數(shù)取值盡量隨機(jī)分散。4種雷達(dá)接收信號(hào)分別在干信比(JSR)為-5 dB～15 dB的情況下，每組參數(shù)每隔1 dB做20次蒙特卡洛實(shí)驗(yàn)，其中前10次實(shí)驗(yàn)數(shù)據(jù)用于訓(xùn)練，后10次實(shí)驗(yàn)數(shù)據(jù)用于測(cè)試。則在每種信噪比下，4種雷達(dá)接收信號(hào)總共有4×21×10×20=16 800個(gè)樣本，其中訓(xùn)練集8 400個(gè)樣本，測(cè)試集8 400個(gè)樣本。

表1 干擾參數(shù)設(shè)置

3.2 特征參數(shù)仿真分析

選擇SNR=5 dB條件下的訓(xùn)練集作為特征參數(shù)仿真分析的對(duì)象,構(gòu)造間隔距離d為1，灰度級(jí)為16級(jí)，θ={0°,45°,90°,135°}的4個(gè)灰度共生矩陣，提取所選訓(xùn)練集在不同JSR下的角二階矩、熵、對(duì)比度和相關(guān)4個(gè)紋理參數(shù)的樣本均值，并對(duì)紋理參數(shù)的4個(gè)方向求均值和標(biāo)準(zhǔn)差，產(chǎn)生8個(gè)特征參數(shù)，仿真結(jié)果如圖2所示，圖例表示皆相同。

圖2 特征參數(shù)隨JSR變化曲線

如圖2(a)所示，4個(gè)方向紋理參數(shù)均值中，角二階矩、對(duì)比度2個(gè)特征參數(shù)能夠有效地將4種雷達(dá)接收信號(hào)分成2類，但是目標(biāo)回波和脈沖卷積微動(dòng)干擾、調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾和微動(dòng)散射波干擾卻難以區(qū)分。熵、相關(guān)這2個(gè)特征參數(shù)能夠在JSR較大的情況下實(shí)現(xiàn)目標(biāo)回波與脈沖卷積微動(dòng)干擾的有效分離。此外，熵還能夠在低JSR下區(qū)別調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾和微動(dòng)散射波干擾。

如圖2(b)所示，4個(gè)方向紋理參數(shù)標(biāo)準(zhǔn)差中，角二階矩、熵、對(duì)比度3個(gè)特征參數(shù)均能夠?qū)δ繕?biāo)回波信號(hào)與干擾信號(hào)進(jìn)行分離，相關(guān)能夠在低JSR下有效區(qū)分目標(biāo)回波信號(hào)和干擾信號(hào)。在此基礎(chǔ)上，角二階矩能夠在JSR較大的情況下，實(shí)現(xiàn)對(duì)4種雷達(dá)接收信號(hào)的分離，但是低JSR下3種干擾信號(hào)難以區(qū)分；熵能夠在JSR較大的情況下對(duì)調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾和微動(dòng)散射波干擾進(jìn)行分離；對(duì)比度能夠?qū)⒚}沖卷積微動(dòng)干擾信號(hào)與另外2種干擾信號(hào)區(qū)別開；相關(guān)能夠在低JSR下區(qū)分調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾和微動(dòng)散射波干擾。

綜合所提取的4種紋理參數(shù)的4個(gè)方向的均值和標(biāo)準(zhǔn)差共計(jì)8個(gè)特征參數(shù)，能夠?qū)δ繕?biāo)回波和3種微動(dòng)干擾信號(hào)進(jìn)行有效的區(qū)分，因此聯(lián)合這8個(gè)特征參數(shù)用于雷達(dá)接收信號(hào)的分類識(shí)別將有較好的效果。

3.3 識(shí)別結(jié)果與分析

根據(jù)上文所提取的8個(gè)特征參數(shù)，將其組成特征向量，利用分類器對(duì)SNR=5 dB, 0 dB, -5 dB情況下的雷達(dá)接收信號(hào)數(shù)據(jù)集樣本進(jìn)行分類識(shí)別，其中訓(xùn)練集用于訓(xùn)練分類器，測(cè)試集用于測(cè)試分析識(shí)別結(jié)果?？紤]到在本文數(shù)據(jù)集樣本足夠的條件下，同時(shí)存在噪聲干擾情況可能會(huì)造成樣本特征參數(shù)產(chǎn)生交叉或重疊，選擇KNN分類器相較于其他分類器例如支持向量機(jī)、決策樹等更合適且精度更高。KNN分類器的參數(shù)設(shè)置如下：K值取1，距離度量選取歐氏距離，仿真結(jié)果如圖3所示。

圖3 干擾識(shí)別率隨JSR變化曲線

由圖3可知，在SNR=5 dB的情況下，雷達(dá)接收信號(hào)識(shí)別率整體較為穩(wěn)定，在JSR的變化區(qū)間范圍內(nèi)能夠達(dá)到95%以上，目標(biāo)回波和脈沖卷積微動(dòng)干擾能夠保持100%的識(shí)別率。在JSR≥0 dB時(shí)，4種不同雷達(dá)接收信號(hào)的識(shí)別率幾乎能夠穩(wěn)定在100%。

在SNR=0 dB的情況下，調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾在JSR取-5～0 dB時(shí)識(shí)別率較SNR=5 dB情況下有一定程度的下降，但是整體來看，隨著JSR的增加，其識(shí)別率也在提升。在JSR≥5 dB時(shí)，4種不同雷達(dá)接收信號(hào)的識(shí)別率能夠穩(wěn)定在100%。

在SNR=-5 dB的情況下，識(shí)別性能出現(xiàn)了較明顯的波動(dòng)與下降，其中目標(biāo)回波和脈沖卷積微動(dòng)干擾的識(shí)別率較為穩(wěn)定，在JSR的變化區(qū)間范圍內(nèi)能保持在99%以上，而微動(dòng)散射波干擾在JSR取-1～8 dB范圍內(nèi)出現(xiàn)了較明顯的波動(dòng)，而調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾隨著JSR的增加，識(shí)別率整體在提高，最后穩(wěn)定在99%。在JSR≥8 dB時(shí)，4種不同雷達(dá)接收信號(hào)的識(shí)別率能夠保持在98%以上。

綜上所述，提高JSR能夠提高識(shí)別的準(zhǔn)確率與穩(wěn)定性。對(duì)比不同SNR下的識(shí)別率，可知該方法具備一定的抗噪能力，在SNR=-5 dB的情況下仍然具備良好的識(shí)別率。同時(shí)該方法在低JSR下也具有良好的識(shí)別性能，在SNR=-5 dB時(shí)，在低JSR變化范圍內(nèi)的最低識(shí)別率仍能夠保持90%以上，識(shí)別率較高。不同信號(hào)樣式在不同SNR下整體的識(shí)別率，如表2所示。

表2 不同SNR下信號(hào)樣式的識(shí)別率 單位：%

當(dāng)SNR分別取-5 dB，0 dB，5 dB時(shí)，每種雷達(dá)接收信號(hào)樣式在JSR取-5 dB～15 dB的變化范圍內(nèi)，總體識(shí)別率可以達(dá)到98%以上，其中目標(biāo)回波能夠穩(wěn)定在100%的識(shí)別率。當(dāng)SNR=5 dB時(shí)，每種信號(hào)樣式的識(shí)別率均在99%以上。由此可見，該方法對(duì)于目標(biāo)回波和3種微動(dòng)干擾樣式具有良好的識(shí)別性能。同時(shí)由于數(shù)據(jù)集設(shè)計(jì)時(shí)，選取各信號(hào)樣式的10組不同參數(shù)，并且兼顧參數(shù)分布范圍的分散性，因此該方法具有較好的泛化能力。

4 結(jié)語(yǔ)

針對(duì)目標(biāo)無干擾回波和調(diào)制轉(zhuǎn)發(fā)微動(dòng)干擾、微動(dòng)散射波干擾、脈沖卷積微動(dòng)干擾3種微動(dòng)干擾樣式的識(shí)別問題，本文提出一種基于灰度共生矩陣的干擾識(shí)別方法。該方法通過對(duì)雷達(dá)接收信號(hào)矩陣進(jìn)行灰度化處理，提取其4個(gè)方向灰度共生矩陣的角二階矩、熵、對(duì)比度、相關(guān)等4個(gè)紋理參數(shù)的均值和標(biāo)準(zhǔn)差作為特征參數(shù)，并采用KNN分類器實(shí)現(xiàn)對(duì)4種信號(hào)樣式的識(shí)別。仿真結(jié)果表明，該識(shí)別方法具有良好的識(shí)別準(zhǔn)確性和抗噪性能。本文僅考慮了對(duì)3種微動(dòng)干擾樣式進(jìn)行識(shí)別，下一步可針對(duì)更多微動(dòng)干擾樣式以及其他新型干擾樣式開展分類識(shí)別研究。