基于特征信号匹配抗塔康干扰的IFF信号识别分类方法

技术领域

本发明属于通信技术领域，更进一步涉及航空信号识别技术领域中的一种基于特征信号匹配抗塔康干扰的IFF信号识别分类方法。本发明可用于提取IFF协议中特征信号，并利用差分思想对可能存在塔康信号干扰的IFF信号的识别分类。

背景技术

低轨卫星由于其侦察范围广，因此具备大量捕获IFF信号的能力，但也同时引入信号干扰的问题，最主要的干扰来源是塔康信号，其为一套空中导航系统信号，塔康信号工作带宽为1MHz，信道分布于1000MHz至1200MHz，与IFF信号所在的1030MHz和1090MHz两个频段冲突，由于地面信号抵达卫星时衰减程度相近，因此一旦存在干扰，则较大概率使接收信号的信干比低，IFF信号受扰严重，难以进行识别分类。

湖南艾科诺维科技有限公司在其申请的专利文献“一种IFF脉冲信号分类提取方法”(申请号：CN 202011624785.1申请日：2020.12.30申请公布号：CN 112766064A)中公开了一种IFF脉冲信号分类提取方法。该方法主要是基于信号能量检测的思路，通过计算接收信号幅度的四分之一均值，将其设置为脉冲粗检测门限，将连续大于该门限的数据检测为一个脉冲，对每个脉冲的瞬时功率进行聚类提取出精检测门限，利用脉冲精检测门限重新检测所接收IFF信号，从而测量出脉冲中心位置、脉冲宽度、脉冲幅度等脉冲调制参数用于分类提取IFF信号。但是，该方法仍然存在较多的不足之处：其一，该方法测量的参数种类过少，只实现了对IFF信号系统层面的识别分类，不足以支撑多种IFF信号类型的识别；其二，该方法是基于传统能量检测的思路，通过信号瞬时功率、幅度等对信号进行检测，当低信噪比的IFF信号瞬时幅度波动大时，仅以幅度均值、瞬时功率功率聚类方式设置的固定检测门限，并不适用于低信噪比的情况，因此，在低信噪比情况下参数测量精度低；其三，该方法通过多参数匹配对IFF信号进行识别分类，若对各参数独立进行判别，则对参数测量方法的精度要求极高，若将各参数进行融合，但融合判别规则设计难度大，且参数种类越多，规则越为复杂。

成都允高科技有限公司在其申请的专利文献“一种基于交叉算法的IFF信号识别方法、装置及介质”(申请号：CN 202310450840.7申请日：2023.04.25申请公布号：CN116166934A)中公开了基于交叉算法的IFF信号识别方法。该方法将输出信号经过高斯滤波处理，得到待识别高斯脉冲，经过采样和延时处理分别得到两个高斯脉冲，根据两个高斯脉冲的交叉点对待识别高斯脉冲进行标记，根据不同信号模式的脉冲框架搜索将标记好的待识别高斯脉冲进行识别。但是，该方法仍然存在不足之处：在存在干扰情况下，干扰信号脉冲与IFF信号脉冲在时频域均存在混叠，由于IFF信号脉冲持续时间极短，因此IFF信号容易隐没在干扰信号中，该方法难以提取出可用的待识别高斯脉冲。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于特征信号匹配抗塔康干扰的IFF信号识别分类方法，用于解决塔康信号干扰导致IFF信号难以识别的问题，以及低信噪比接收条件下IFF信号识别分类准确率低的问题。

实现本发明目的的基本思路是，本发明充分利用IFF信号的先验信息，预先提取不同类型IFF信号的特征信号，由于不同类型IFF信号的特征信号相关性弱，因此待识别信号与特征信号的相关程度能够直接反映待识别信号与多个IFF信号类型间的关系，克服了现有技术中IFF信号可识别种类少的问题；由于方法仅使用与各类IFF特征信号的相关程度作为识别参数，因此参数种类单一且相互独立，可对参数进行独立判别，避免了参数融合判别的难题；利用同源信号计算互相关时具有一定增益的特性，克服了在低信噪比情况下IFF信号识别分类准确性低的问题。本发明利用塔康信号脉冲与IFF信号脉冲在上升沿持续时间和下降沿持续时间的巨大差异，其在时域上体现为塔康信号脉冲上升沿和下降沿相对于IFF信号脉冲更加平缓，由于一阶差分具有刻画函数起伏程度的能力，因此可将接收信号视为关于时间的函数，通过一阶差分方法提取被塔康信号脉冲干扰的IFF信号脉冲时域信息，以此恢复被干扰的IFF信号脉冲，解决了塔康干扰下IFF信号的识别分类问题。

实现本发明目的的具体步骤如下：

步骤1，通过下变频、低通滤波对待识别信号进行处理后计算待识别信号瞬时幅度序列，提取每种类型IFF信号的特征信号；

步骤2，对无塔康干扰的待识别信号瞬时幅度序列采用极值平滑方法进行处理，对受塔康干扰的待识别信号瞬时幅度序列采用差分恢复信号包络方法进行处理，得到待识别信号包络；

步骤3，计算待识别信号包络与每种类型IFF特征信号的归一化互相关函数，并获取每种类型IFF特征信号对应归一化互相关函数最大值；

步骤4，利用每种类型IFF特征信号对应归一化互相关函数对待识别信号进行识别分类。

本发明与现有技术相比具有以下优点：

第一，本发明充分利用IFF信号的先验信息，预先提取各类型IFF信号的特征信号，通过互相关算法计算待识别信号与特征信号的相关程度，以相关程度作为识别参数，克服了现有技术中IFF信号可识别种类少、低信噪比识别效果不佳的问题以及避免了参数融合判别的难题，使得本发明提高了对IFF信号识别的准确性，具有鲁棒性强的优点。

第二，本发明利用塔康信号脉冲与IFF信号脉冲在上升沿持续时间和下降沿持续时间的巨大差异，通过一阶差分方法提取被塔康信号所干扰的IFF信号时域信息并通过此恢复IFF信号，解决了塔康干扰下IFF信号的识别分类问题，使得本发明具备了在塔康干扰条件下对IFF信号识别分类的能力，扩展了方法的适用范围。

附图说明

图1为本发明的流程图；

图2IFF第一类信号结构图；

图3IFF第二类信号结构图；

图4IFF第三类信号结构图；

图5差分恢复IFF信号示意图；

图6为不同种类IFF信号与其对应IFF类型特征信号的归一化互相关函数示意图；

图7为本发明与参数匹配识别方法对无干扰IFF信号的识别准确率对比图；

图8为本发明与参数匹配识别方法对存在干扰IFF信号的识别准确率对比图。

具体实施方式

下面结合附图和实施例对本发明做进一步的描述。

参照图1，对本发明实施例的实现步骤做进一步的描述。

步骤1，通过下变频、低通滤波对待识别信号进行处理后计算待识别信号瞬时幅度序列，提取每种类型IFF信号的特征信号，具体包含IFF MarkX系统模式1、模式2、模式3/A、模式B、模式C、模式D六种IFF询问信号，IFF MarkXⅡ系统模式4、模式S两种信号。

参考图2，第一类结构指IFF MarkX系统模式1、模式2、模式3/A、模式B、模式C、模式D六种IFF询问信号，信号均由P1、P2、P3三个脉冲组成，脉冲宽度为0.8微秒，P1和P2间隔为2微秒，P1和P3间隔为3、5、8、17、21、25微秒，分别对应IFF MarkX系统1、2、3/A、B、C、D六种模式，该类信号的特征信号可通过保持三个脉冲时间关系不变，设置P1和P3幅度为1，P2幅度为0.5来实现。

参考图3，第二类结构指IFF MarkXⅡ系统模式4信号，由四个同步脉冲P1、P2、P3、P4、控制脉冲P5、32个加密信息脉冲组成，脉冲宽度为0.5微秒，脉冲间隔为2微秒，该类信号的特征信号由P1、P2、P3、P4、P5组成，并且P1、P2、P3、P4幅度设置为1，P5幅度设置为0.5。

参考图4，第三类结构指IFF MarkXⅡ系统模式S信号，由两个起始脉冲P1、P2、同步相位反转脉冲P3、控制脉冲P5，信息脉冲P6组成，其中，信息脉冲P6经过差分相移键控调制，该类信号的特征信号由P1和P2组成，脉冲宽度设置为0.8微秒，脉冲间隔设置为2微秒，P1和P2幅度设置为1。

步骤2，对无塔康干扰的待识别信号瞬时幅度序列采用极值平滑方法进行处理，对受塔康干扰的待识别信号瞬时幅度序列采用差分恢复信号包络方法进行处理，得到待识别信号包络。

所述对无塔康干扰的待识别信号瞬时幅度序列采用极值平滑方法所采用的平滑窗口长度设置为0.1微秒。

参考图5，对所述对受塔康干扰的待识别信号瞬时幅度序列采用差分恢复信号包络方法的做进一步的描述。

IFF信号脉冲上升沿持续时间为0.05微秒至0.1微秒，下降沿持续时间为0.05微秒至0.2微秒，塔康信号脉冲上升沿持续时间为2微秒，下降沿持续时间为2.5微秒，可得出IFF信号相比塔康信号其脉冲上升沿、下降沿更加陡峭的结论，因此，可将一阶差分步进设置为0.1微秒，通过此方式计算的受塔康干扰的IFF信号瞬时幅度一阶差分序列在IFF信号脉冲上升时刻和下降时刻均具有明显峰值。

步骤3，计算待识别信号包络与每种类型IFF特征信号的归一化互相关函数，并获取每种类型IFF特征信号对应归一化互相关函数最大值。

以下对所述计算待识别信号包络与每种类型IFF特征信号的归一化互相关函数做进一步的描述。

由于计算机设备中数据以离散采样形式存在，可将IFF信号特征信号采样序列记为S

其中，

步骤4，利用每种类型IFF特征信号对应归一化互相关函数对待识别信号进行识别分类。

设IFF特征信号种类总数为m种，则第h种IFF特征信号类型对应的归一化互相关函数可记为

下面结合仿真实验对本发明的技术效果作进一步的说明。

1.仿真实验条件：

本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-10750HCPU，主频为2.60GHz，内存64GB。

本发明的仿真实验的软件平台为：Windows 11操作系统和Matlab 2022b软件。

2.仿真内容及其结果分析：

本发明的仿真实验共有3个。

仿真实验1是采用本发明的方法分别对不同类型无干扰IFF信号的归一化互相关函数进行仿真。

本发明的仿真实验1所使用的信号类型为IFF MarkX系统模式1、模式2、模式3/A、模式C四种信号以及IFF MarkXⅡ系统模式4、模式S两种信号，共6种信号。载波频率1030MHz，采样率设置为56MHz，采样长度为1288个采样点，接收信噪比为10dB。

本发明仿真实验1是采用本发明的方法，分别得到6种IFF信号与对应类型IFF特征信号的归一化互相关函数，将归一化互相关函数绘制成如图6所示的6张仿真图。

下面结合图6的仿真图对本发明的效果做进一步的描述。

图6中横坐标表示时间，单位为0.0179微秒，纵坐标表示互相关函数归一化幅度，取值范围为-1到1。其中红色虚线表示门限0.85，图6(a)中黑色曲线为IFF类型1与类型1特征信号的归一化互相关函数曲线，图6(b)中黑色曲线为IFF类型2与类型2特征信号的归一化互相关函数曲线，图6(c)中黑色曲线为IFF类型3与类型3特征信号的归一化互相关函数曲线，图6(d)中黑色曲线为IFF类型4与类型4特征信号的归一化互相关函数曲线，图6(e)中黑色曲线为IFF类型C与类型C特征信号的归一化互相关函数曲线，图6(f)中黑色曲线为IFF类型S与类型S特征信号的归一化互相关函数曲线。

从图6可看出，某类型IFF信号与其对应类型的特征信号的归一化互相关函数具有明显的峰值，当峰值超过门限时，待识别信号和特征信号存在强相关性，说明待识别信号可能为该特征信号对应的IFF信号类型，验证了本发明方法的理论。

本发明仿真实验2是采用本发明的方法和1个现有技术，分别得到的8个信噪比下不同类型无干扰IFF信号的平均识别准确率，再将得到的识别准确率与信噪比之间关系绘制成如图7中两条曲线。

在仿真实验2中，采用的1个现有技术是指：

湖南艾科诺维科技有限公司在其申请的专利文献“一种IFF脉冲信号分类提取方法”(申请号：CN 202011624785.1申请日：2020.12.30申请公布号：CN 112766064A)中公开了一种IFF脉冲信号分类提取方法。

本发明的仿真实验2所使用的信号类型为IFF MarkX系统模式1、模式2、模式3/A、模式C四种信号以及IFF MarkXⅡ系统模式4、模式S两种信号，共六种信号。载波频率1030MHz，采样率设置为56MHz，采样长度为1288个采样点，接收信噪比范围为-6dB至15dB，信噪比步进为3dB。

下面结合图7的仿真图对本发明的效果做进一步的描述。

图7中横坐标表示接收信噪比，单位为dB，纵坐标表示识别准确率，取值范围为0到1。其中，以圆圈标示的红色曲线表示采用本发明方法仿真得到的识别准确率与信噪比间的关系曲线，以星号标示的黑色曲线表示采用现有技术1仿真得到的识别准确率与信噪比间的关系曲线。

从图7中可以看出，本发明方法得到的识别准确率总体上明显高于现有技术1，当信噪比低于0dB时，本发明方法与现有技术1的识别效果接近，但当信噪比高于0dB时，本发明方法的识别准确率随信噪比升高的提升速率明显大于现有技术1，当信噪比为4dB时本发明能达到76％的识别准确率，而现有技术1仅能达到31％的识别准确率，当信噪比为8dB时，本发明能达到97％的识别分类准确率，而现有技术1在该条件下仅达到了67％的识别分类准确率，说明本发明方法相对于现有技术1能适应更低的信噪比条件。

本发明仿真实验3是采用本发明的方法和1个现有技术，分别得到的9个信干比下塔康干扰的不同类型IFF信号的平均识别准确率，再将得到的识别准确率与信干比之间关系绘制成如图8中两条曲线。

在仿真实验3中，采用的1个现有技术与仿真实验2相同。

本发明的仿真实验3所使用的信号类型为IFF MarkX系统模式1、模式2、模式3/A、模式C四种信号以及IFF MarkXⅡ系统模式4、模式S两种信号，共六种信号。载波频率1030MHz，采样率设置为56MHz，采样长度为1288个采样点，接收信噪比为15dB，信干比范围为-12dB至12dB，信干比步进为3dB。

下面结合图8的仿真图对本发明的效果做进一步的描述。

图8中横坐标表示信干比，单位为dB，纵坐标表示识别准确率，取值范围为0到1。其中，以圆圈标示的红色曲线表示采用本发明方法仿真得到的识别准确率与信干比间的关系曲线，以星号标示的黑色曲线表示采用现有技术1仿真得到的识别准确率与信干比间的关系曲线。

从图8中可以看出，本发明方法得到的识别准确率总体上明显高于现有技术1，当信干比低于-6dB时，本发明方法与现有技术1的识别效果接近，但当信干比高于-6dB时，本发明方法的识别准确率随信干比升高的提升速率明显大于现有技术1，当信干比为0dB时本发明能达到79％的识别准确率，而现有技术1仅能达到22％的识别准确率，当信干比为6dB时，本发明能达到92％的识别分类准确率，而现有技术1在该条件下仅达到了49％的识别分类准确率，说明本发明方法相比现有技术1在塔康干扰条件下对IFF信号的识别分类能力更加优秀。