一种智能化综合抗主副瓣干扰系统及方法

技术领域

本发明属雷达信号抗干扰处理技术领域，尤其涉及一种智能化综合抗主副瓣干扰系统及方法。

背景技术

《现代雷达》2014年第一期发表南京电子技术研究所王峰等“雷达智能抗干扰体系研究”中提出：

雷达向认知化和智能化发展是一个必然的趋势。随着战场电磁环境的日益恶化，雷达对电磁环境感知能力的需求不断提高。电磁干扰来自于敌方有意干扰或者他方无意干扰，造成雷达检测性能严重下降。随着干扰技术的发展，干扰类型呈现多样性与复杂性，目前，雷达上常用的反干扰技术手段如旁瓣相消、旁瓣匿影、自适应捷变频等，已经无法满足反干扰的技术需求。对现代雷达反干扰技术而言，存在着下列问题⑴反干扰手段以人工操作为主，自动化程度严重不足，应对干扰场景变化速度慢，不能满足战场迅速变化的复杂电磁环境。⑵对外部干扰环境认知不够，雷达受到干扰及受到干扰的种类缺少自动化辨别的设备。⑶副瓣干扰抑制性能有限。⑷针对主瓣干扰较难起效。

雷达系统的抗干扰机制需要智能化，智能化反干扰体系雷达抗干扰问题的解决，不能依赖于某个算法或者某个分系统技术解决，而是需要雷达系统的各项技术综合协调的解决。在反干扰的设计准则下，针对天线、接收、信号处理、数据处理的各个环节进行综合反干扰设计，形成一个优化的反干扰体系，从更高的层次解决雷达的抗干扰问题。由于涉及的雷达反干扰技术与算法过多，传统的单项反干扰措施的使用难以选择，需要智能化处理取代人工反干扰手段的选择。智能化抗干扰技术在一定程度上具备认知雷达的概念与技术。

发明内容

为解决上述技术问题，本发明提出了一种智能化综合抗主副瓣干扰系统，包括雷达天线、射频前端和智能化处理单元，所述智能化处理单元包括雷达控制模块、多个DBF模块、综合抗干扰处理模块和存储器模块，所述的存储器模块内建干扰信息特征库和抗干扰算法的算法策略库。

进一步的，所述的干扰息特征库存储通过宽带侦收通道和窄带探测通道提取的干扰信号的特征参数，使用贝叶斯神经网络对侦收的干扰信号进行智能化分类；对于已经完成验证的干扰信号，将提取出的干扰特征存入干扰特征库，所述的干扰特征库随着该干扰系统的使用不断进行更新和完善。

进一步的，在干扰信息特征库中，干扰样式和干扰特征直接对应。

进一步的，所述的综合抗干扰处理模块对干扰信号进行综合感知，识别出干扰类型后，结合抗干扰智能决策手段，自动匹配相应的发射波形和模式进行抗干扰处理，针对不同的干扰类型采用相应的主动抗干扰措施和干扰抑制技术进行抑制。

本发明还提出一种智能化综合抗主副瓣干扰系统的抗干扰方法，包括以下步骤：

步骤1，智能化处理单元的雷达控制模块对雷达天线阵面执行功能设置，在雷达天线阵面形成多个探测波束和多个欺骗波束；

步骤2，综合抗干扰处理模块通过宽带侦收通道侦测干扰环境，结合窄带探测通道侦收的信号，提取多种干扰信号的干扰特征；针对所述的干扰信号特征，把所提取的干扰信号特征存入干扰特征库，建立干扰样式和干扰特征的对应关系；

步骤3，综合抗干扰处理模块对所接收的干扰信号进行精细化干扰分类，从干扰信号特征库获得对应的干扰信号特征信息，和抗干扰算法库存储的抗干扰算法生成与所接收的干扰信号特征信息对应的反干扰措施；

步骤3.1，所述的干扰信号进行精细化干扰分类把干扰信号分为十种样式：

⑴副瓣连续波干扰；

⑵副瓣脉冲干扰；

⑶连续波干扰为主和脉冲干扰为辅的第一类复合副瓣干扰；

⑷脉冲干扰为主和连续波干扰为辅的第二类复合副瓣干扰；

⑸连续波和脉冲干扰强度及占比相当的第三类复合副瓣干扰；

⑹主瓣连续波干扰；

⑺主瓣转发式干扰；

⑻连续波干扰为主和转发式干扰为辅第一类复合主瓣干扰；

⑼转发式干扰为主和连续波干扰为辅的第二类复合主瓣干扰；

⑽连续波和转发式干扰强度及占比相当的第三类复合主瓣干扰；

步骤3.2，将宽带侦收和窄带探测通道提取的干扰特征参数，作为贝叶斯神经网络的输入，构建一个由贝叶斯神经网络构成的有源干扰信号分类器，用贝叶斯神经网络对有源干扰信号进行识别，先要对整个贝叶斯神经网络进行训练，不同类型的干扰信号输入训练好的贝叶斯神经网络，使网络的输出达到要求的误差范围内，然后，再将未知类干扰信号输入贝叶斯神经网络中，对干扰信号的类型进行判别；

步骤4，综合抗干扰处理模块依据干扰环境认知，波形设计和算法设计，自适应的提供反干扰措施，实现雷达对干扰的自适应综合对抗；

其中，主动抗干扰措施包括：捷变频、欺骗(掩护脉冲)、复杂波形；

主瓣干扰抑制方法包括：盲源分离算法、波形熵抗干扰算法、稀疏信号处理抗干扰算法、幅相解析重构算法、点迹滤波抗干扰算法；

针对副瓣干扰抑制方法包括：副瓣对消、副瓣匿影、点迹滤波算法；

对于被动主瓣抗干扰措施，算法顺序的选择取决于系统判断出的干扰类型：

步骤4.1，判断干扰为主瓣连续波干扰，则

步骤4.11，采用盲源分离算法，执行干扰抑制效果评估；

步骤4.12，干扰抑制效果低于阈值，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

步骤4.2，判断为主瓣转发式干扰，采用幅相解析重构算法、波形熵抗干扰算法和、或点迹滤波抗干扰算法；

步骤4.3，判断为第一类复合主瓣干扰，则

步骤4.31，采用盲源分离算法，执行干扰抑制效果评估；

步骤4.32，采用波形熵抗干扰算法和点迹滤波抗干扰算法；执行干扰抑制效果评估；

步骤4.33，干扰抑制效果低于阈值，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

步骤4.4，判断为第二类复合主瓣干扰，则

步骤4.41，采用波形熵抗干扰算法和点迹滤波抗干扰算法，执行干扰抑制效果评估；

步骤4.42，采用盲源分离算法；执行干扰抑制效果评估；

步骤4.43，干扰抑制效果低于阈值，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

步骤4.5，判断为第三类复合主瓣干扰，回到步骤4.3；

步骤5，综合抗干扰处理模块执行干扰对抗效果评估与自适应抗干扰措施优化，根据对干扰对抗效果评估进一步优化和调整抗干扰措施。

进一步的，所述的步骤2中的干扰特征参数包括：主副瓣判决因子、脉压前时宽、脉压后时宽、频率、角度、干扰带宽、干扰重复频率、干扰信号形式、脉冲宽度、到达时间、干扰脉内调制参数和方差。

进一步的，所述的步骤5中综合抗干扰处理模块评估干扰对抗效果包括：

最终概率值的计算：

P(Y|X,L)＝∫P(Y|X,W)P(W|L)dW

其中Y为输出，它是一个10维向量，Y＝[y_1,y_2,…,y_10]，

y_i表示对应于10种干扰样式中的第i种干扰样式的概率；

X表示顺序连接的干扰特征参数向量，其中L表示训练样本集，

其中w

P(Y|X,L)表示预测输出在输入X和神经网络权重W给定的条件下的条件概率，P(W|L)表示权重为W的后验分布，它可表示为

P(W)表示权重的分布，P(L|W)表示训练样本集的似然函数，P(L)为边缘似然函数。

采用本发明的方法，借鉴人工智能中的神经网络来实施抗干扰评估，通过概率理论和多层次网络关系分析抗干扰效能和影响要素的关联关系。可以将抗干扰评估网络建模为指定的多层次因果网络结构，根据不确定或不完备的雷达抗干扰指标综合评估抗干扰效能。

附图说明

图1为本发明提出的反干扰处理流程；

图2为本发明的雷达宽带侦收原理；

图3本发明提出的雷达干扰分类原理。

图4本发明提供的智能化综合抗干扰系统框图。

具体实施方式

本发明给出了一种基于干扰认知和抗干扰效果反馈的雷达综合抗主副瓣干扰系统及抗干扰方法。设计采用认知架构，实现感知、决策和处理闭环，通过宽带侦收和窄带探测通道完成干扰分析，提取干扰特征，通过与干扰特征库比对完成干扰分类识别处理。反干扰处理对干扰环境实时认知，结合干扰特征库、干扰算法库，自适应的选择抗干扰策略；反干扰处理通过干扰抑制效果评估，自适应优化反干扰策略和干扰抑制算法，实现系统智能化抗干扰。所述的系统智能化抗干扰处理流程如图1所示。

所述的智能化综合抗主副瓣干扰系统的电路框参见图4，智能化综合抗主副瓣干扰系统包括雷达天线、射频前端和智能化处理单元，还包括一个宽带侦收通道和一个窄带探测通道；两个通道的射频前端处理本通道的雷达天线所接收的信号，对射频信号做模拟/数字转换(A/D)；输出数字信号提供给智能化处理单元；所述智能化处理单元包括雷达控制模块、多个DBF模块、综合抗干扰处理模块和存储器模块，所述的存储器模块内建干扰信息特征库和抗干扰算法的算法策略库。

进一步的，所述的干扰息特征库存储通过宽带侦收通道和窄带探测通道提取的干扰信号的特征参数，将提取出的干扰特征存入干扰特征库，所述的干扰特征库随着该干扰系统的使用不断进行更新和完善。

所述的基于干扰认知和抗干扰效果反馈的雷达综合抗主副瓣干扰系统包括一个宽带侦收通道和一个窄带探测通道，所述的窄带探测通道至少包括可重构收发前端，所述的可重构收发前端包括天线阵列，多个收发射频前端，多个和自适应通道，自适应通道包括多个收发数字通道。通过软件对天线阵面进行功能定义，形成若干个探测和欺骗波束，通过宽窄带通道进行干扰环境感知，根据干扰环境感知结果，进行自适应资源调度和收发处理。具体的提取方式参见图2。

采用智能抗干扰技术，完成干扰侦收、分析、分类和干扰自适应抑制功能，宽带侦收通道完成对干扰信号的侦收，窄带通道收发探测信号，并完成干扰信号分析，宽窄带通道相结合完成对干扰特征的提取。宽带干扰侦收系统采用天线子阵构成构成若干个方位维的空域覆盖波束。采用高速AD完成对宽带信号的采集，并进行数字信道化处理，针对宽带形成若干个相互交叠的信道。对每个信道进行干扰源信号检测，并完成干扰信号的参数测量和特征提取，形成干扰源描述信息。它可以归纳为以下步骤：

1、通过软件对天线阵面进行功能定义，形成若干个探测和欺骗波束。

2、宽带侦收通道完成对干扰环境的侦测，联合窄带侦收的信号，完成对干扰特征的提取。

3、进行干扰精细化分类，对干扰特征建库，增强反干扰措施，对外部干扰环境的自适应能力，缩短反应时间。

4、系统的自适应抗干扰，通过干扰环境认知波形设计和算法设计，实现干扰的综合对抗。

5、干扰对抗效果评估与自适应抗干扰措施优化，根据对干扰对抗效果评估情况，优化和调整抗干扰措施，确保抗干扰效果最优。

对典型雷达的干扰信号的特征包括：脉压前时宽、脉压后时宽、频率、角度、干扰带宽、干扰重复频率、干扰信号形式、脉冲宽度、到达时间、干扰脉内调制参数、方差等。

利用窄带探测，进行干扰信号估计，对主瓣干扰特征参数进行提取和估计。典型的干扰特征包括：脉压前时宽、脉压后时宽、频率、角度、干扰带宽、干扰重复频率、干扰信号形式、脉冲宽度、到达时间、干扰脉内调制参数、方差等。

通过宽带侦收实时感知环境干扰态势，引导雷达工作方式，提高雷达探测效率；实时监视干扰状态，指导雷达频率捷变、波形捷变等抗干扰措施；在线收集干扰特征，完善干扰特征库，为雷达抗干扰算法提供支撑。

进行干扰分类和干扰建库，增强反干扰措施，对外部干扰环境的自适应能力，缩短反应时间。通过干扰环境感知获得的干扰特征，采用贝叶斯神经网络对干扰信号进行智能化分类；对于已经完成验证的干扰信号，将其干扰特征录入干扰特征库，数据库建立干扰样式和干扰特征的对应关系，该数据库随着该系统的使用不断进行更新和完善。

自适应抗干扰根据干扰环境感知获得干扰分类状态，系统自适应抗干扰，通过干扰环境认知波形设计和抗干扰算法设计，实现干扰的综合对抗。

根据对干扰对抗效果评估情况，评估对象包括信号级点迹质量、航迹质量等，优化和调整抗干扰措施，确保抗干扰效果最优。

典型雷达面临的干扰场景为：自卫式干扰、伴飞式干扰和支援式干扰。对应的干扰类型可以分为：主瓣压制、主瓣转发、副瓣脉冲、副瓣连续波等形式。实际干扰信号中，大多是连续波干扰和转发式干扰的组合，其区别是连续波干扰和转发式干扰在干扰信号中的强度、占比不同，而连续波干扰和转发式干扰在干扰中的强度和占比关系决定了后期抗干扰措施的使用。

对干扰进行分类，是实现有源干扰认知的物理基础。干扰信号分类技术为雷达智能抗干扰提供干扰信号分类结果，是系统自适应抗干扰处理的前提条件。本发明采用贝叶斯神经网络实现精细化干扰类型的分类。在精细化干扰分类下，本发明将干扰信号类型分为10种：

⑴副瓣连续波干扰；

⑵副瓣脉冲干扰；

⑶连续波干扰为主和脉冲干扰为辅的第一类复合副瓣干扰；

⑷脉冲干扰为主和连续波干扰为辅的第二类复合副瓣干扰；

⑸连续波和脉冲干扰强度及占比相当的第三类复合副瓣干扰；

⑹主瓣连续波干扰；

⑺主瓣转发式干扰；

⑻连续波干扰为主和转发式干扰为辅第一类复合主瓣干扰；

⑼转发式干扰为主和连续波干扰为辅的第二类复合主瓣干扰；

⑽连续波和转发式干扰强度及占比相当的第三类复合主瓣干扰。

干扰类型的精细化分类如图3所示，本发明提出的精细化干扰信号分类对后期抗干扰措施的选择有重大意义。

将宽带侦收和窄带探测通道提取的干扰信号的特征参数，包括主副瓣判决因子、脉压前时宽、脉压后时宽、频率、角度、干扰带宽、干扰重复频率、干扰信号形式、脉冲宽度、到达时间、干扰脉内调制参数等作为贝叶斯神经网络的输入，构建一个由贝叶斯神经网络构成的有源干扰信号分类器，要利用贝叶斯神经网络对有源干扰信号进行识别，首先要对整个网络进行训练，不同类型的干扰信号输入训练好的使网络的输出达到要求的误差范围内，然后，再将未知类贝叶斯神经网络中，对干扰信号的类型进行判别。

可以通过下式获得最终算法的概率值：

P(Y|X,L)＝∫P(Y|X,W)P(W|L)dW (1)

其中Y为输出，它是一个10维向量，Y＝[y

其中w

P(Y|X,L)表示预测输出在输入X和神经网络权重W给定的条件下的条件概率。P(W|L)表示权重为W的后验分布，它可表示为

P(W)表示权重的分布，P(L|W)表示训练样本集的似然函数，P(L)为边缘似然函数。

自适应干扰抑制，实现智能化抗干扰，针对不同的干扰类型采用相应的主动抗干扰措施和干扰抑制技术进行抑制：

主动抗干扰包括：捷变频、欺骗/掩护脉冲、复杂波形等方式。

针对主瓣干扰抑制方法包括：盲源分离算法、波形熵抗干扰算法、稀疏信号处理抗干扰算法、幅相解析重构算法、点迹滤波抗干扰算法等技术；

针对副瓣干扰抑制方法包括：副瓣对消、副瓣匿影、点迹滤波算法等技术。

基于波形设计和自适应波形优化的干扰抑制技术包括为了改变雷达在对抗中的被动局面，使用宽带/超宽带、脉内/脉间捷变、复杂调制等低被截获概率信号，使其难以被干扰/侦察接收机侦察和识别，从而保护雷达不受电子干扰。

本发明将认知雷达的概念引入到抗干扰领域，根据侦收到的有源干扰和目标的具体情况进行发射波形优化，可使雷达自适应地对当前电磁环境作出反应，并具有最优的抗干扰能力。对空情报雷达在对干扰信号进行综合感知，识别出干扰类型后，结合抗干扰智能决策手段，自动匹配相应的发射波形和模式进行抗干扰处理。

自适应主瓣干扰抑制技术是针对不同的干扰类型采用相应主瓣干扰抑制技术进行抑制：

基于盲源分离的干扰抑制技术为雷达抗干扰技术中的盲分离技术必须适应信号个数变化、超定/欠定/单通道和信号相关等恶劣情况，能迅速且稳定地跟踪电磁环境的变化，最终通过目标特征参数提取目标回波，达到抑制干扰的目的。首先接收信号经过预处理变成多路正定的信号；然后在现有估计准则基础上研究新的动态定阶估计算法，快速且稳定地实现对接收信号的快速定阶；接着通过盲分离技术完成对回波和干扰的分离；最后，根据目标与干扰的特征差异对目标回波和干扰进行鉴别，实现对目标回波的提取。

基于波形熵的干扰抑制算法：波形熵可以很好地表征雷达多个脉冲回波的起伏程度，可用于剔除异步转发/欺骗干扰。

基于稀疏处理的干扰抑制算法：利用间歇压制式干扰的稀疏特性，采用未被干扰的数据恢复信号，对干扰具有良好的抑制作用。

基于幅相解析重构的干扰抑制算法：当雷达面临噪声调频干扰，干扰信号的幅度远大于回波信号及噪声信号的幅度时，干扰的幅度特征突出；先估计得到信号幅度与相位，从而重构信号，然后从接收信号中消除干扰的影响。

基于点迹滤波的干扰抑制算法：欺骗式干扰机对收到的雷达主瓣信号进行延时转发，可以在雷达上形成假目标。真实目标一般具有旋转部件，且具有一定的体积或尺度。两者在回波幅度、相位、多普勒频谱、点迹空域包络等方面存在一定的差异，对这些特征进行提取和分析，可以识别和抑制欺骗干扰。

反干扰处理通过干扰抑制效果评估，自适应优化干扰策略和干扰抑制算法。抗干扰效能指标主要分为信号质量、点迹质量、航迹质量三大类。通过评估抗干扰效能指标，进行优化干扰策略自适应优化。

目前的抗干扰评估方法，基本上是首先建立指标体系，然后通过层次分析法或者专家打分法进行评估。该评估方法的主观性过强，且不能随干扰环境变化和抗干扰措施调整进行动态评估。因此实战中急需一种智能化的抗干扰评估方法，根据电磁环境态势对抗干扰效果进行动态评估推理。

对认证过的干扰信号，将其依据干扰分类情况和提取的干扰特征录入干扰特征库，对干扰特征库进行更新。干扰特征库为雷达抗干扰策略提供数据支撑，具有更新功能，是智能抗干扰的核心组成部分，不同干扰信号对应的干扰特征信号也不同。

针对不同的干扰类型采用相应的主动抗干扰措施和干扰抑制技术进行抑制：

主动抗干扰包括：捷变频、欺骗(掩护脉冲)、复杂波形等方式。

主瓣干扰抑制方法包括：盲源分离算法、波形熵抗干扰算法、稀疏信号处理抗干扰算法、幅相解析重构算法、点迹滤波抗干扰算法等技术；

针对副瓣干扰抑制方法包括：副瓣对消、副瓣匿影、点迹滤波算法等技术。

对于被动主瓣抗干扰措施，算法顺序对抗干扰效果有影响，而算法顺序的选择取决于系统研判出的干扰类型：

1)若判为主瓣连续波干扰，先采用盲源分离算法，干扰抑制效果评估后，若还需要进一步抗干扰，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

2)若判为主瓣转发式干扰，采用幅相解析重构算法、波形熵抗干扰算法、点迹滤波抗干扰算法；

3)若判为复合主瓣干扰1，先采用盲源分离算法，再采用波形熵抗干扰算法和点迹滤波抗干扰算法；干扰抑制效果评估后，若还需要进一步抗干扰，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

4)若判为复合主瓣干扰2，先采用波形熵抗干扰算法和点迹滤波抗干扰算法，再采用盲源分离算法；干扰抑制效果评估后，若还需要进一步抗干扰，采用基于稀疏处理的干扰抑制算法和基于幅相解析重构的干扰抑制算法；

5)若判为复合主瓣干扰3，同3)。

最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。