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

0 引言

轉發(fā)式密集假目標干擾是一種極具威脅的干擾樣式,干擾機通過大量復制轉發(fā)虛假回波,使其與真實目標回波具有高度的相干性,很難被有效識別,會產生大量的虛假點跡,嚴重影響雷達對目標的探測與跟蹤[1-4]。其中,功率動態(tài)范圍較大的密集假目標干擾(簡稱為大起伏密集假目標干擾)是指實際對抗中干擾機發(fā)射或雷達接收過程作用于天線主、副瓣等不同通道,導致干擾信號存在較大功率起伏,使得干擾信號具有干噪比變化大、特征提取不穩(wěn)定等特點,給干擾識別帶來了極大的挑戰(zhàn)。目前國內外學者的研究主要是關注干擾功率相對穩(wěn)定情況下的干擾信號識別,對大起伏密集假目標干擾信號識別的研究很少。文獻[5-8]利用目標與干擾信號在時、空、頻等域內的可分離性,對干擾進行了有效的識別與抑制,其中文獻[5]利用干擾多普勒分布于有限范圍內的規(guī)律特性,實現了干擾的識別與抑制,文獻[6-7]利用自適應旁瓣對消的方法實現了干擾抑制,文獻[8]利用幀間非相參累積和空域濾波實現了干擾抑制。經綜合分析,上述文獻均利用了目前干擾機計算資源和調制能力有限的特性,但隨著干擾機計算資源與調制能力的日漸提升,密集假目標干擾與真實目標回波相似度不斷提高,這些方法對目標和干擾的分離能力相對有限。文獻[9-11]以特定體制雷達為工程應用背景,提出對抗密集假目標干擾的思路,其中文獻[9]以陣列天線雷達為應用背景,提出基于盲源分離的方法實現密集假目標干擾的抑制,文獻[10-11]以捷變頻雷達為應用背景,分別聯合Hough變換和波形熵對目標信息進行重構,其中Hough變換對計算資源要求較高。文獻[12]通過設計調頻斜率捷變線性調頻(LFM)波形,對干擾參數進行重構,但其對該方法受信/干噪比影響程度沒有進行明確的評估。近年來機器學習算法也被廣泛引入于雷達干擾識別領域。文獻[13]通過提取多維特征實現對密集假目標干擾的識別。文獻[14-15]通過提取時頻圖作為特征,利用圖像處理方法實現對密集假目標在內的多種干擾進行識別,其中文獻[14]采用反向傳播(BP)神經網絡對干擾進行識別,文獻[15]采用卷積神經網絡對干擾進行識別,二者僅能對綜合的干擾態(tài)勢進行判別。文獻[16]同樣基于時頻圖特征,采用支持向量機(SVM)實現了對真、假目標的識別。文獻[17]聯合時頻圖與時相圖,采用雙分支卷積神經網絡實現包括密集假目標干擾在內的多種干擾類型識別,然而實際相位特征對傳播鏈路等因素變化極為敏感,可能導致性能不穩(wěn)定現象。通過綜合分析,文獻[13-17]在信/干噪比較高條件下取得了良好效果,對于信/干噪比較低時,其性能退化比較明顯。經對上述文獻綜合分析,針對密集假目標干擾的識別主要存在如下問題:欺騙干擾信號與目標回波高度相關,細微差異特征提取困難,難以對真、假目標有效識別;尤其現有干擾信號識別方法基本都是針對某個相對固定信/干噪比的情況,或某一相對較小的信噪比區(qū)間,而實際雷達接收到的回波(目標/干擾)強度通常具有較大的動態(tài)范圍,尤其干擾信號從雷達不同的主/副瓣進入時,信/干噪比通常會具有較大的動態(tài)范圍,針對該情況現有方法大多存在識別性能不穩(wěn)定的問題。

針對上述問題,本文從密集假目標干擾產生機理和射頻鏈路物理特性出發(fā),提出基于雷達與干擾機頻率響應特性(簡稱頻響特性)差異的密集假目標干擾智能識別方法。首先,系統(tǒng)研究并提出了雷達與干擾機的頻響特性差異及其對真、假目標回波信號幅頻響應的影響機制模型;然后,構建多個相對獨立的雙通道特征融合一維卷積神經網絡-長短時記憶網絡(E-ODCNN-LSTM)算法作為基分類器,以實現信號特征的差異化提取,該算法通過一維卷積神經網絡(ODCNN)上通道和長短時記憶網絡(LSTM)下通道分別提取信號特征,將上下雙通道所提取特征在特征融合層進行信息融合,實現信號特征的充分利用;最后,通過M/N邏輯準則綜合集成,實現目標回波和密集假目標干擾信號的準確識別。仿真和實測數據測試,驗證了該方法在較大信/干噪比動態(tài)范圍下能夠對干擾和回波進行有效和穩(wěn)定的識別。

1 目標-干擾頻響特征影響機制模型

1.1 DRFM干擾機與雷達頻響特性分析

DRFM干擾機[18]系統(tǒng)通常包括上/下變頻、模數轉換(ADC)和數模轉換(DAC)、功率放大、本振、控制等模塊。以干擾信號產生為例,DRFM干擾機對雷達射頻信號進行截獲,經過下變頻變換至中頻后進行ADC,利用控制單元進行合適的干擾參數調制,經過數字濾波后經過DAC模塊轉換為模擬信號,最終經過中頻放大、上變頻、射頻放大、發(fā)射天線等多個單元組成的發(fā)射鏈路,實現針對雷達信號參數的干擾信號產生。通過上述對干擾信號的產生機理進行分析可知:干擾信號的產生需要經過多個數字和模擬濾波以及多級功率放大環(huán)節(jié),每一個環(huán)節(jié)物理器件的個性特征[19-21](本文主要是指頻率響應特征,簡稱頻響特征)都會對干擾信號產生不可忽略的影響,因此干擾信號上都會留下干擾機特有的烙印。特別地,對于一些模擬器件(濾波器和功率放大器等),由于制作工藝的限制,即使通過校準也不可能實現在其帶內的絕對平坦,反而往往攜帶有顯著而穩(wěn)定的起伏特征,這些特征都會被由之產生的干擾信號所攜帶,從而為進行干擾信號識別研究提供穩(wěn)定而可靠的信息。

與干擾機類似,雷達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,因此雷達與干擾機系統(tǒng)的綜合頻響特征必然存在較為鮮明的差異,這種內在的機理關系必然導致干擾機產生的密集假目標干擾與目標回波的頻率響應特征(包括幅頻響應特征和相頻響應特征)存在較為鮮明的差異,從而為干擾識別提供可靠的理論依據[23-24]。

本文以LFM體制的S波段預警雷達為研究對象,在雷達發(fā)射信號調制帶寬范圍內,大氣頻響特性對信號傳輸過程中的幅頻響應影響較小,且雷達工作頻帶通常選擇在大氣窗口內,因此LFM信號不同頻率成分受大氣幅頻響應的影響可以忽略;而相位特征影響因素較多,如傳輸鏈路、距離變化等對相位特征的影響都不可忽略,基于相頻響應特征的識別方法目前難以有效應用,因此本文主要從目標回波與干擾信號的幅頻響應起伏特征差異對二者進行識別。

1.2 目標回波幅頻響應影響機制模型

雷達系統(tǒng)可劃分為收、發(fā)兩個通道,如圖1所示,為方便分析,將圖中雷達收發(fā)通道內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?？梢钥闯瞿繕诵盘栐谌肷淝?以下簡稱目標入射信號,是指雷達發(fā)射信號輻射到目標上的信號)都需要經過濾波、DAC、上變頻、功率放大、大氣傳輸等多個環(huán)節(jié)的調制,每個環(huán)節(jié)都有其個性的頻響特性。設圖1中目標入射過程的濾波、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),大氣傳輸的頻響為Ha1(f);同理目標回波傳播過程中也同樣需要經過這些環(huán)節(jié)的調制,同樣具備其特定的頻響特性,假設Hc2(f)為該過程雷達濾波、ADC、下變頻模塊的組合頻響,Hp2(f)為該過程雷達功率放大模塊的頻響,Ha2(f)為該過程大氣傳輸的頻響。圖1中Hrc(f)表示雷達射頻通道電路模塊的頻率響應,Hrc(f)=Hc1(f)Hc2(f),Hrp(f)表示雷達功率放大電路的頻率響應,Hrp(f)=Hp1(f)Hp2(f)。

圖1 目標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)的級聯特性可知,可將雷達系統(tǒng)各部分器件的頻率響應表示為

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[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;A(f)為幅頻響應的非線性函數,A(f)=a0+ancos (2παnf),a0表示線性增益,an、αn表示起伏波動增益;φ(f)為相頻響應的非線性函數。本文主要考慮幅頻響應對信號的影響,為更好地擬合多器件綜合情況下的高度非線性幅頻響應特性,對A(f)進行重新定義[20-21]如下,使其能夠適應較為復雜的情況:

A(f)=a0+ancos (2παnf)+bnsin (2πβnf)

(3)

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

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

(4)

式中:Gr(f)為雷達系統(tǒng)理想的頻率響應;Ar(f)為雷達系統(tǒng)幅頻響應的非線性函數;φr(f)為雷達系統(tǒng)相頻響應的非線性函數。設雷達發(fā)射信號的頻譜為S(f),目標回波信號傳輸過程的能量衰減系數為a,則回波信號頻響St(f)可表示為

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

(5)

式中:At為目標回波強度系數;Nt(f)為噪聲頻譜。(5)式表明目標回波信噪比取決于At的大小,當At動態(tài)范圍較大時,目標回波的信噪比動態(tài)范圍也較大,設目標回波的幅頻響應為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 干擾信號幅頻響應影響機制模型

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

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

如圖2所示,由系統(tǒng)級聯特性可將干擾機系統(tǒng)各器件的頻率響應表示為

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)。

由于干擾信號同時受到雷達與干擾機系統(tǒng)頻率響應的影響,可將二者復合系統(tǒng)的頻率響應表示為

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)內各器件的非線性特性,也可將Hrj(f)近似建模為三角函數[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)為復合系統(tǒng)理想的頻率響應;Arj(f)為復合系統(tǒng)幅頻響應的非線性函數;φrj(f)為復合系統(tǒng)相頻響應的非線性函數。假設干擾信號傳輸過程能量衰減系數為b,則干擾信號頻響可表示為

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

(10)

式中:Aj為干擾信號強度系數;Nj(f)為噪聲頻譜。在干擾過程中由于雷達-干擾天線對準、功率控制、位置關系等多種因素的動態(tài)變化會使干擾信號存在較大的起伏,即導致干噪比的動態(tài)范圍較大。最后,可將干擾信號的幅頻響應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)還受到干擾機兩個模塊頻響Hjc(f)和Hjp(f)的調制,因此其起伏特性必然與目標回波的幅頻響應存在較大差異,此特征差異為進行目標-干擾的辨識提供了現實可行的依據。

2 目標-干擾特征提取與識別方法

2.1 目標回波幅頻響應起伏特征提取

根據1.2節(jié)所述過程,對目標回波幅頻響應特征進行提取,假設LFM信號載頻為f0,調頻斜率為μ,脈沖寬度為T,則雷達發(fā)射信號模型為

(12)

根據式(12),LFM信號復包絡為

(13)

故雷達發(fā)射信號的頻譜為

(14)

(15)

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

(16)

將式(14)化簡,得到雷達發(fā)射信號頻譜為

(17)

以上均為理想的分析過程,但如1.1節(jié)所述,由于雷達系統(tǒng)特性,雷達發(fā)射信號頻譜不可能做到理想狀態(tài),因而以下對實際情況進行分析,為了具有實際泛化意義,對式(12)中LFM信號進行快速傅里葉變換,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時的頻譜樣本分量,n=1,2,…,M,M為快速傅里葉變換的點數。依據式(4)所建立雷達系統(tǒng)頻響模型,對其進行離散處理得到Hr(fn),即

Hr(fn)=[Wr(f1),Wr(f2), …,Wr(fM)]

(19)

式中:Wr(fn)表示頻率為fn時雷達系統(tǒng)的頻響分量。則目標回波信號頻譜在經過雷達系統(tǒng)頻響調制后,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:⊙為哈達瑪積運算符號。因此目標回波的幅頻響應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)蘊含了目標回波由于雷達系統(tǒng)頻響調制所產生的幅頻響應起伏特征。由于實際中回波信號受雷達天線方向圖,目標雷達散射截面(RCS)起伏等因素影響,都會使得目標回波具有較大的功率動態(tài)范圍。為消除功率絕對大小對識別性能的影響,需要對接收的目標回波進行最大值歸一化處理,首先采用峰值搜索,查找目標回波幅頻響應的最大分量At(fmax),則目標回波幅頻響應最大值歸一化結果為

(22)

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

2.2 干擾信號幅頻響應起伏特征提取

本文所提取的幅頻響應起伏特征不受干擾信號多普勒、時延調制的影響,由于假目標干擾信號由干擾機對截獲的雷達信號進行幅度、時延和多普勒調制-轉發(fā)形成,根據傅里葉變換性質,干擾信號理想狀態(tài)下的頻譜可由雷達發(fā)射信號的頻譜得到,即

Sj(f)=AmS(f-fm)e-j2πftm

(23)

式中:Am、tm、fm分別為第m個干擾的幅度、時延和多普勒調制系數。與目標回波類似,對式(9)所建立的雷達與干擾機系統(tǒng)復合頻響進行離散處理,得

Hrj(fn)=[Wrj(f1),Wrj(f2),…,Wrj(fM)]

(24)

式中:Wrj(fn)為頻率為fn時雷達與干擾機系統(tǒng)幅頻響應分量。故干擾信號的頻譜樣本向量為

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

(25)

則干擾信號的幅頻響應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)中即蘊含了干擾信號由于雷達與干擾機頻響調制所產生的幅頻響應起伏特征,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果為

(27)

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

2.3 目標-干擾識別算法

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,其中單個算法主要包括3個部分:上通道層、下通道層和特征融合層。上通道層由ODCNN構成,ODCNN[26]常用于解決一維序列問題,能夠很好地適應本文一維幅頻響應特征提取;下通道由LSTM構成,LSTM是一種改進的RNN,其通過遺忘門、輸入門和輸出門,實現對隱含層輸入、輸出等狀態(tài)信息的有效控制,可以很好提取信號脈沖幅頻響應信息;特征融合層主要由全連接層和激活函數構成,將上通道和下通道所提取的信號特征進行Flatten處理后,在全連接層進行Concatenate拼接,進而利用激活函數實現融合特征的非線性映射,對信號兩個維度特征進行充分利用,最后對融合特征進行分類。同時,本文考慮在信/干噪比動態(tài)范圍較大情況下的目標-干擾識別問題,由于不同信/干噪比條件下,目標回波與干擾信號的幅頻響應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行合理映射,容易陷入局部最優(yōu)解的情況,無法保證識別的準確性和穩(wěn)定性。因此,本文考慮將雙通道ODCNN-LSTM作為基礎分類器,通過將多個基分類器集成,構建E-ODCNN-LSTM算法,利用各個基分類器在訓練過程中所具有的相對獨立性,以及對不同信/干噪比樣本的側重性,較好的解決了陷入局部最優(yōu)解的困境,做到信息的補償和強化,通過M/N邏輯準則集成的方式提高識別的準確性和穩(wěn)定性。經過仿真與實測數據實驗驗證,隨著基分類器個數越多,集成算法的識別性能越高,但當基分類器個數達到一定數量后,算法的識別性能趨于穩(wěn)定,但此時伴隨著時耗增大的問題,因此綜合考慮算法的識別性能與計算資源開銷,將基分類器個數確定為9個?？紤]本文所提取的特征維數以及訓練樣本數量不大,選擇深度網絡可能導致梯度發(fā)散或消失問題,同時結合時效性能考慮,本文在對每一個基分類器的參數選擇上較為保守。

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

1)雷達接收信號快速傅里葉變換計算;

2)求取雷達接收信號幅頻響應;

3)峰值搜索,求取雷達接收信號幅頻響應最大分量;

4)雷達接收信號幅頻響應最大值歸一化處理;

5)基分類器網絡參數設置,綜合考慮算法的識別性能和計算資源開銷,選擇9個基分類器進行集成,網絡參數設置如下:為實現不同感受野和提取不同分辨率情況下的頻響特征,9個上通道ODCNN算法中,其中3個算法卷積核長度為6,3個算法的卷積核長度為8,剩余3個算法的卷積核長度為10,同時各個算法均采用3層卷積層和池化層提取特征,卷積步長均為1,padding=‘same’,Flatten層數為1;下通道LSTM算法層數為4,輸入特征維數為 1 024,隱含特征維數為128,特征融合層后特征維數為640,Flatten層數為1,全連接層1輸入特征維數為640,全連接層數2輸入特征維數為64,激活函數選擇ReLU。

6)將待預測的雷達接收信號幅頻響應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獨立性,最后實現各個基分類器識別;

7)將9個基分類器采用M/N邏輯準則的方式集成,實現最終目標-干擾分類識別。

圖3 目標-干擾信號識別算法流程Fig.3 Target-jamming signal recognition algorithm

3 實驗與分析

為驗證本文方法的有效性,設置以下仿真實驗進行驗證,為方便對后續(xù)識別實驗進行定量分析,首先對雷達與干擾機的幅頻響應曲線的模型進行仿真;其次設置單一信/干噪比條件下識別效果仿真實驗,其中包括3個子實驗,分別測試3種干信比條件下本文方法在單一信/干噪比情況下的識別結果;設置大起伏密集假目標干擾信號識別效果仿真實驗,測試本文方法對大起伏密集假目標干擾的識別效果;設置不同網絡模型識別效果仿真對比實驗,測試本文模型方法在不同信噪比中心值情況下對大起伏密集假目標干擾的識別效果,同時對最佳分類器個數進行驗證和描述;設置實測數據驗證實驗,對本文方法進行有效性驗證;最后設置3組對比實驗,其中單一信/干噪比條件下仿真對比實驗包含兩個子實驗,主要驗證單一信/干噪比情況下本文方法的優(yōu)越性,大起伏密集假目標干擾仿真對比實驗,驗證大起伏信/干噪比條件下本文方法的優(yōu)越性。仿真實驗所用的目標回波和干擾信號的參數如表1所示。

表1 仿真參數設置Table 1 Parameter setting for simulation

3.1 雷達與干擾機綜合幅頻響應仿真

為方便定量分析,首先需要對雷達和干擾機的幅頻響應曲線進行仿真。選取式(3)三角函數模型對雷達與干擾機的幅頻響應A(f)進行仿真建模,由于物理器件的差異,不同物理器件的幅頻響應存在差異,其可以用不同的系數進行模擬,對于本文方法驗證,不失一般性分別設置兩組[a0,an,αn,bn,βn]系數為[10,0.6,6,0.4,4]和[10,0.3,9,0.7,5]代表雷達與干擾機的幅頻響應特性[20-21]。幅頻響應離散點數為1 024,起伏中心均為20 dB,起伏范圍均為±0.8 dB。幅頻響應仿真結果如圖4所示,可以看出:雷達與干擾機綜合幅頻響應曲線的起伏趨勢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目標回波和欺騙干擾信號進行識別。

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

3.2 單一信/干噪比條件下識別效果仿真實驗

鑒于目前國內外學者主要集中于單一信/干噪比條件下對干擾進行識別研究,本文首先仿真測試基于本文提出的真-假目標頻響特征差異,利用 E-ODCNN-LSTM算法在單一信/干噪比條件下的識別性能,并與單一算法識別結果進行比較,考慮通常情況下干擾信號通常具有較高的干信比,本文實驗主要針對3種不同干信比的情況進行測試?；?3.1節(jié)對雷達與干擾機綜合幅頻響應的仿真算法,以及式(22)和式(27)建立的目標回波和密集假目標干擾信號幅頻響應特征提取算法,分別對目標回波與干擾信號進行2 400次蒙特卡洛仿真實驗,其中2 000次結果用于網絡訓練,通過調整式(21)和式(26)中目標回波和干擾信號強度系數,3種干信比依次為0 dB、3 dB、5 dB,對應的仿真結果分別如圖5、圖6、圖7所示。圖5～圖7中整體正確識別率為 400個目標和400個干擾樣本的整體正確識別率,即800個樣本的正確識別率;目標錯誤識別率為400個目標樣本中被誤識別為干擾信號所占比例;干擾錯誤識別率則為400個干擾樣本中被誤識別為目標回波所占比例?？紤]到不同干信比條件下,識別難度不同,因而每次仿真測試中信噪比范圍存在一定變化,3次測試結果的信噪比跨度范圍為-14～20 dB,每次測試中信噪比每隔2 dB進行一次識別效果實驗,取50次識別結果平均值作為最終識別結果。

圖6 干信比為3 dB仿真識別結果Fig.6 Simulation recognition results with JSR=3 dB

圖7 干信比為5 dB仿真識別結果Fig.7 Simulation recognition results with JSR=5 dB

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

如圖6所示,當干信比提升為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種網絡算法的識別性能均顯著提升。當信噪比等于-8 dB時,E-ODCNN-LSTM算法的正確識別率達到90%以上,同時在各個信噪比條件下,相對于單個ODCNN算法均有提升,尤其當信噪比小于-6 dB時,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,當干信比提升為5 dB后,3種網絡算法的識別性能進一步提升,對于E-ODCNN-LSTM算法,在信噪比等于-10 dB時,正確識別率大于97%,相較其他兩種算法存在較為明顯的優(yōu)勢,特別地,在低信噪比情況下,相較單個ODCNN算法和LSTM算法,正確識別率分別有1.5%～4%和4%～7%的提升。綜合以上測試,可以看出:在信噪比較低時,E-ODCNN-LSTM算法所表現的性能相對單個ODCNN算法和LSTM算法而言更為優(yōu)越。這主要是因為:在信噪比較低時,目標回波與干擾信號的幅頻響應特征包含的噪聲特征成分較多,識別難度增大,單個算法識別穩(wěn)定性較差,而結合雙通道特征融合算法后,可以充分利用ODCNN和LSTM提取的信號頻響特征信息,更好地挖掘信號之間的差異;其次將基分類器進行集成,利用多個基分類器實現決策融合,一定程度上實現信息的補充和強化,可以實現識別穩(wěn)定性的提升;最后由于單個算法在訓練時容易陷入局部最優(yōu)的情況,多個算法集成后使得陷入局部最優(yōu)的情況有所改善,從而實現更為優(yōu)越性能。

3.3 大起伏密集假目標干擾信號識別效果仿真實驗

考慮目前缺少針對大起伏密集假目標干擾信號進行識別的研究成果,而實際情況中,目標回波和干擾信號的功率通常具有較大的動態(tài)范圍,即現實中目標回波和干擾信號的信/干噪比具有較大的動態(tài)范圍,使得目標-干擾信號的幅頻響應起伏特征中噪聲特征比重也存在較大差異,使得真、假目標的識別難度大大增加。針對這一現實難題,本實驗結合E-ODCNN-LSTM算法的優(yōu)勢,針對大起伏密集假目標干擾的情況進行仿真驗證,并與單個ODCNN算法以及LSTM算法的識別情況進行比較。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個目標回波樣本,信噪比跨度范圍為20 dB,信噪比中心值為0 dB,其中2 000個樣本用于訓練,其余400個樣本用于測試;同時生成干噪比均勻分布于-10 ～10 dB之間的2 400個干擾信號樣本,干噪比跨度范圍為20 dB,干噪比中心也為0 dB,其訓練集和測試的劃分方式與目標回波相同。改變干擾信號的強度系數,使干擾信號的干噪比中心逐漸增大(如干噪比中心為2 dB時,代表干擾信號樣本的干噪比均勻分布于-8～12 dB之間),針對不同整體干信比(整體干信比定義為干擾信號的干噪比中心與目標回波的信噪比中心值的差值)情況進行仿真測試,仿真結果如圖8所示。

圖8 信噪比為-10～10 dB動態(tài)范圍情況仿真識別結果Fig.8 Simulation and recognition results of dynamic range with SNR=-10-10 dB

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

3.4 不同網絡模型識別效果仿真對比實驗

本實驗主要針對不同信噪比動態(tài)中心值的情況將3種集成算法以及ODCNN和LSTM算法的性能進行對比,主要測試基分類器個數對集成算法性能的影響。3種集成算法的基分類器個數不同,其中E-ODCNN-LSTM1為本文所設計的采用9個基礎分類器算法,而E-ODCNN-LSTM2和E-ODCNN-LSTM3算法分別采用15個和5個基礎分類器。本次試驗樣本數量與劃分情況與3.3節(jié)相同,設置整體干信比為6 dB,信噪比動態(tài)范圍中心值依次選擇-5 dB、0 dB、5 dB,信/干噪比動態(tài)范圍為20 dB,仿真結果如圖9所示。

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

從仿真結果中可見:在各個信噪比中心值,采用15個基礎分類器的E-ODCNN-LSTM2算法的識別性能最高,本文所設計的E-ODCNN-LSTM1算法次之,而采用5個基礎分類器的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個分類器的E-ODCNN-LSTM1算法相對5個分類器的E-ODCNN-LSTM3算法性能提升相對較大,而15個分類器的E-ODCNN-LSTM2算法相對 9個分類器的E-ODCNN-LSTM1算法性能提升相對較小。這說明當基分類器個數達到一定數量后,繼續(xù)增加基分類器個數對于提升算法性能有限,而當基分類器個數較大時,算法的計算量增大,會占用較多的計算資源,增加了計算成本,因此綜合考慮算法的識別性能和開銷成本,本文采用9個基分類器的集成E-ODCNN-LSTM1算法較為合適。并且其性能相對其他兩種單獨分類器算法而言性能都有較大提升,尤其當信噪比動態(tài)范圍中心為-5和0 dB時,E-ODCNN-LSTM1算法相對其他兩種單獨分類器算法均有3%以上的提升,效果較為明顯。

綜合3.3節(jié)仿真實驗2和本節(jié)仿真實驗結果,可以看出:E-ODCNN-LSTM算法相對單個算法而言,無論正確識別概率,還是目標/干擾的錯誤識別概率都有較大的改善,這主要是因為: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的頻響信息,相對單一算法而言,能夠進一步挖掘信號的細節(jié)信息,因此相對單一算法具有更高的識別率;其次,對于集成算法,各個基分類器在訓練過程中具有一定的獨立性,可以實現特征的差異化映射,從而作出不同的判決效果,將各個基分類器進行決策融合后,其作出的判決結果更為可靠,可以糾正部分誤判結果,因此其識別率有所提升;最后,是因為樣本中的信/干噪比動態(tài)范圍較大,即樣本具有多樣性,各個基分類器在訓練時會各有側重地傾向于某一個信/干噪比范圍內的樣本,從而在最終投票時,將各個分類器的優(yōu)勢綜合,實現信息的補償和強化,最終實現比單個分類器更好的效果。雖然通過基分類器集成能夠實現性能的提升,但是并不意味著,可以通過增加基分類器個數無限提升集成算法的性能,這主要是因為基分類器獲取的信息終是有限的,當基分類器個數達到一定數量后,信息挖掘和強化的效果已經達到上限,無法繼續(xù)上升。

3.5 實測數據驗證實驗

利用某型雷達的實測數據對本文方法進行測試,其頻點處于X波段,帶寬為20 MHz,隨機選取干擾和回波脈沖各1 280個,訓練集與測試集劃分比例為3∶1,經估算采集的目標回波和干擾信號的信/干噪比大致分布于-12.6～10.5 dB之間。本次識別結果如下:整體正確識別率為94.7%,目標正確識別率約為95%,干擾正確識別率約為94.4%。由于在實測數據中,雷達與干擾機的頻響曲線起伏差異較大,因此其識別效果要優(yōu)于仿真實驗。這也進一步驗證了:在雷達與干擾機的頻響曲線起伏特征更鮮明時,識別難度會降低。由于實測數據的敏感性,在本文中只展示部分樣本,圖10為近似相同信/干噪比情況下目標回波和干擾信號的歸一化幅頻響應,可以看出二者的起伏趨勢明顯不同,其中干擾信號的頻響由于受到干擾機的調制,幅頻響應起伏更為明顯,這表現為具有更多毛刺。

圖10 實測樣本幅頻響應Fig.10 Amplitude frequency response of the measured sample

3.6 單一信/干噪比條件下仿真對比實驗

本節(jié)包括兩個子實驗,首先,將本文方法與目前國內外多數學者關注的單一信/干噪比條件下的干擾識別成果進行對比。由于3.2節(jié)～3.4節(jié)仿真實驗采用的訓練樣本數量與文獻[16]不同,故單獨進行仿真對比測試。保持3.2節(jié)仿真實驗1(干信比為0 dB時)其他條件不變,僅改變蒙特卡洛仿真次數,使目標與干擾訓練樣本個數各為100個,使本次對比實驗的仿真條件與文獻[16]相同。測試結果如圖11,從圖中可以看出,本文方法在信噪比較低時,識別性能遠遠高于文獻[16],充分說明本文提取的幅頻響應起伏特征在目標回波與干擾信號功率相當、脈內特征相似時,對干擾信號的識別性能更好,低信噪比條件下的穩(wěn)定性也更高;同時本文所用的E-ODCNN-LSTM算法也比經典的SVM算法更具優(yōu)勢,能夠更深層次的提取信號特征。另外,與 3.2節(jié) 2 000個訓練樣本結果相比,本次實驗識別效果下降并不大,說明本文算法在樣本較少時,也具有一定的穩(wěn)定性。

圖11 本文方法與文獻[16]方法對比結果Fig.11 Comparison between our method and the method in Ref.[16]

文獻[17]采用卷積神經網絡對干擾進行識別,將本文方法與文獻[17]進行對比,保持3.2節(jié)仿真實驗1其他條件不變,使本次實驗中干信比為6 dB,以及目標回波和干擾信號訓練樣本個數各為600個。對比結果如圖12所示,可以看出本文方法在文獻[17]仿真條件下,無論目標正確識別率還是干擾正確識別率,在各個信噪比條件下均能實現100%的正確識別率,相較于文獻[17]更具優(yōu)勢。

圖12 本文方法與文獻[17]方法對比結果Fig.12 Comparison between our method and the method in Ref.[17]

3.7 大起伏密集假目標干擾仿真對比實驗

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

4 結論

本文從雷達與干擾機的射頻鏈路物理特性出發(fā),通過建立目標回波和干擾信號頻響機制影響算法,進而提出了基于雷達與干擾機頻率響應特性差異的信/干噪比大動態(tài)范圍變化條件下的密集假目標干擾識別方法。通過幅頻響應特征的提取和 E-ODCNN-LSTM網絡算法的構建實現干擾-回波信號的有效識別,實現了密集假目標干擾與目標回波信號的細微特征提取,信/干噪比大范圍動態(tài)變化條件下目標/干擾信號特征起伏敏感、識別性能不穩(wěn)定的難題。實現了干信比為0 dB、3 dB、5 dB共3種下對干擾的穩(wěn)定識別,當信噪比大于10 dB時,均能實現100%正確識別;信噪比-10～10 dB動態(tài)范圍下,對全體目標-干擾信號的穩(wěn)定識別,當整體干信比大于6 dB時,整體識別率高于91%;當實測數據信/干噪比動態(tài)大致分布于-12.6～10.5 dB時,正確識別率高于94.5%;最后與經典文獻方法進行對比,體現了本文方法的優(yōu)越性。

表2 大起伏條件下識別結果對比Table 2 Comparison of recognition results under large fluctuation conditions %