基于熵特征的調(diào)頻引信目標(biāo)與干擾信號(hào)識(shí)別

黃瑩， 郝新紅， 孔志杰， 張彪

(1.北京理工大學(xué) 機(jī)電動(dòng)態(tài)控制重點(diǎn)實(shí)驗(yàn)室， 北京 100081；2.中國科學(xué)院 國家空間科學(xué)中心， 北京 100190)

基于熵特征的調(diào)頻引信目標(biāo)與干擾信號(hào)識(shí)別

黃瑩1， 郝新紅1， 孔志杰1， 張彪2

(1.北京理工大學(xué) 機(jī)電動(dòng)態(tài)控制重點(diǎn)實(shí)驗(yàn)室， 北京 100081；2.中國科學(xué)院 國家空間科學(xué)中心， 北京 100190)

針對(duì)調(diào)頻引信較難抑制的調(diào)幅掃頻類干擾，提出了一種基于熵特征的目標(biāo)與干擾信號(hào)分類識(shí)別方法。比較目標(biāo)和干擾信號(hào)作用下引信檢波信號(hào)時(shí)域和頻域特征，提取檢波信號(hào)的香農(nóng)熵和奇異譜熵，通過Kruskal-Wallis檢驗(yàn)方法驗(yàn)證了特征參量的有效性，并利用支持向量機(jī)分類器對(duì)目標(biāo)信號(hào)和干擾信號(hào)進(jìn)行了分類識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明：在支持向量機(jī)核函數(shù)參數(shù)最優(yōu)時(shí)，該方法的分類識(shí)別正確率達(dá)到98.954%，有效提高了調(diào)頻引信的抗掃頻式干擾能力。

兵器科學(xué)與技術(shù)； 調(diào)頻引信； 目標(biāo)識(shí)別； 掃頻干擾

0 引言

面對(duì)日益復(fù)雜的電磁環(huán)境，新型無線電引信干擾技術(shù)和干擾設(shè)備不斷出現(xiàn)，對(duì)引信抗干擾能力提出了越來越高的要求。連續(xù)波線性調(diào)頻引信(簡稱調(diào)頻引信)具有定距精度高、結(jié)構(gòu)簡單等優(yōu)勢，在國內(nèi)外被廣泛應(yīng)用[1]。提取能夠有效分辨目標(biāo)和干擾信號(hào)的特征參量并進(jìn)行分類識(shí)別，對(duì)調(diào)頻引信的發(fā)展和應(yīng)用具有重要意義。因掃頻干擾的頻率在一定帶寬內(nèi)來回?cái)[動(dòng)，干擾機(jī)發(fā)射的干擾信號(hào)總會(huì)在某個(gè)時(shí)刻與引信發(fā)射信號(hào)的頻率對(duì)準(zhǔn)或相差很小，干擾信號(hào)便可進(jìn)入引信接收帶寬。所以對(duì)調(diào)頻引信而言，目前比較有威脅的干擾樣式為掃頻式干擾。其中，調(diào)幅掃頻式干擾比調(diào)頻掃頻式干擾對(duì)引信的威脅更大[2]。在信息理論中，熵用來描述信源的平均不確定性，不確定性越大，熵也越大。目前將熵用于引信領(lǐng)域的研究報(bào)道少之又少，多見于雷達(dá)領(lǐng)域。文獻(xiàn)[3]采用信號(hào)的三維熵對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別，文獻(xiàn)[4]是基于Rényi熵對(duì)雷達(dá)輻射源進(jìn)行識(shí)別。

本文以某型對(duì)地三角波調(diào)頻多普勒引信為分析對(duì)象，針對(duì)目前較難抑制的調(diào)幅掃頻類干擾，提出一種以香農(nóng)熵和奇異譜熵為特征參量，以支持向量機(jī)(SVM)為分類器的分類識(shí)別方法，該方法能夠得到有效區(qū)分目標(biāo)信號(hào)與掃頻干擾信號(hào)的分類超平面。

1 調(diào)頻引信檢波信號(hào)特征提取

1.1 調(diào)頻引信檢波信號(hào)的香農(nóng)熵和奇異譜熵

香農(nóng)熵又稱信息熵，是對(duì)信號(hào)或系統(tǒng)狀態(tài)不確定性程度進(jìn)行定量評(píng)價(jià)的有效指標(biāo)，可以與不同信號(hào)處理手段有機(jī)結(jié)合從而實(shí)現(xiàn)不同變換空間的信號(hào)特征提取[5]。其定義如下：設(shè)某一隨機(jī)變量y=(y1,y2,…,yn)，其中yi出現(xiàn)的概率是pi，則y的香農(nóng)熵為

(1)

信號(hào)的能量越集中，熵值越小[6]。從能量的角度出發(fā)，本文先分別對(duì)目標(biāo)和干擾信號(hào)作用下調(diào)頻引信的檢波信號(hào)進(jìn)行快速傅里葉變換(FFT)，設(shè)采樣后的檢波信號(hào)為x(n)，n=1,2,…,N，N為采樣點(diǎn)數(shù)。對(duì)x(n)進(jìn)行FFT后得到幅度譜X=(X1,X2,…,XN)，概率pi為

(2)

(2)式代入(1)式得到調(diào)頻引信檢波信號(hào)x(n)的香農(nóng)熵。

矩陣的奇異值是矩陣的固有特征，符合模式識(shí)別中特征提取所要求的穩(wěn)定性和旋轉(zhuǎn)不變性，它能有效地刻畫初始信號(hào)矩陣的特征[7]。奇異譜熵是奇異值分解和香農(nóng)熵的結(jié)合，在信號(hào)信息量評(píng)估、信息成分分析等方面具有獨(dú)特性能[8]。本文首先對(duì)目標(biāo)和干擾信號(hào)作用下的引信檢波信號(hào)x(n)進(jìn)行空間重構(gòu)，以長度k對(duì)x(n)進(jìn)行分段，構(gòu)造矩陣A為

(3)

式中：qk=N，這里q是矩陣A的行數(shù)，k是列數(shù)。對(duì)矩陣A進(jìn)行奇異值分解，得到

A=USVT，

(4)

式中：U為左奇異陣；V為右奇異陣；VT為V的轉(zhuǎn)置矩陣；S∈Rq×k為對(duì)角矩陣，對(duì)角元素s1，s2，…，sm為矩陣A的奇異值，其中m=min (q,k)。定義概率pi為

(5)

把(5)式代入(1)式可計(jì)算調(diào)頻引信檢波輸出信號(hào)x(n)的奇異譜熵。

1.2 信號(hào)采集與特征參量獲取

本文選取某型對(duì)地三角波調(diào)頻多普勒引信為研究對(duì)象，該引信的定距原理是通過對(duì)差頻信號(hào)進(jìn)行帶通濾波得到包含多普勒頻率成分的預(yù)定次諧波ufm±fD(u為諧波次數(shù)，fm為調(diào)制頻率，fD為多普勒頻率)，并通過與頻率為ufm的第u次諧波進(jìn)行二次混頻和低通濾波后得到多普勒頻率fD，多普勒信號(hào)的包絡(luò)峰值出現(xiàn)的時(shí)刻對(duì)應(yīng)于引信預(yù)定的起爆距離。

使用推板模擬目標(biāo)回波信號(hào)，共采集目標(biāo)信號(hào)作用下引信檢波輸出端信號(hào)200個(gè),實(shí)測的目標(biāo)信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)的時(shí)域和頻域波形如圖1所示，時(shí)域圖由示波器截屏所得，圖1中黃色波形為檢波信號(hào)，綠色向下脈沖為引信啟動(dòng)信號(hào)。從頻域圖可知信號(hào)能量主要集中在多普勒頻率處(多普勒頻率為1 038 Hz，與上文1 kHz的多普勒頻率理論值基本相符)。其他頻率處的譜線為多普勒頻率的高次諧波成分。

圖1 目標(biāo)作用下調(diào)頻引信檢波信號(hào)的時(shí)域和頻域波形Fig.1 Time domain and frequency domain waveforms of FM fuze detection signal under the action of target

對(duì)于干擾信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)的采集，本文利用引信干擾模擬系統(tǒng)對(duì)引信進(jìn)行一定干擾距離下，干擾信號(hào)天線主波束對(duì)準(zhǔn)、干擾頻率對(duì)準(zhǔn)條件下，發(fā)射小功率調(diào)幅掃頻類干擾信號(hào)的引信靜態(tài)干擾實(shí)驗(yàn)。在偵收引信工作參數(shù)的基礎(chǔ)上，設(shè)置干擾信號(hào)的掃頻帶寬為f0±2Δf，掃頻步長為10 kHz，調(diào)幅頻率的設(shè)置估算在引信多普勒帶寬之內(nèi)，選擇在容易使引信啟動(dòng)的參數(shù)取值范圍內(nèi)隨機(jī)選取干擾信號(hào)參數(shù)。采集了噪聲調(diào)幅掃頻、正弦調(diào)幅掃頻、方波調(diào)幅掃頻和純掃頻干擾信號(hào)作用下的引信檢波端輸出信號(hào)共計(jì)278個(gè)。4種干擾信號(hào)作用下的調(diào)頻引信檢波信號(hào)輸出的時(shí)域和頻域波形如圖2～圖5所示，其中圖2是正弦調(diào)幅掃頻干擾，圖3是噪聲調(diào)幅掃頻干擾，圖4是方波調(diào)幅掃頻，圖5是純掃頻干擾。

圖2 正弦調(diào)幅掃頻信號(hào)作用下引信檢波信號(hào)時(shí)域和頻域Fig.2 Time domain and frequency domain of fuze detection signal under the action of sine AM frequency sweeping signal

從目標(biāo)信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)時(shí)域圖中可以看出，在引信啟動(dòng)時(shí)刻附近多普勒信號(hào)幅度達(dá)到峰值，說明時(shí)域信號(hào)能量主要集中在引信啟動(dòng)位置，而4種調(diào)幅掃頻信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)的時(shí)域能量分布相對(duì)分散，幅度出現(xiàn)多個(gè)峰值。從目標(biāo)信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)頻譜圖中可以看到，在多普勒頻率處存在一個(gè)最高峰值，說明目標(biāo)信號(hào)的能量主要集中在多普勒頻點(diǎn)處，而4種調(diào)幅掃頻信號(hào)作用下調(diào)頻多普勒引信檢波信號(hào)的能量在頻域的分布同樣相對(duì)比較分散。因此，可以對(duì)引信檢波信號(hào)的時(shí)域能量和頻域能量進(jìn)行分析，利用熵這個(gè)特征參量來量化能量的差異，通過提取檢波信號(hào)的香農(nóng)熵和奇異譜熵，構(gòu)建二維特征參量，進(jìn)而識(shí)別目標(biāo)和干擾信號(hào)。

1.3 特征參量的統(tǒng)計(jì)分析

本文采用Kruskal-Wallis檢驗(yàn)方法對(duì)信號(hào)特征參量進(jìn)行有效性分析。Kruskal-Wallis檢驗(yàn)是一種非參數(shù)假設(shè)檢驗(yàn)，用于檢驗(yàn)多個(gè)總體的分布是否存在顯著差異，其原假設(shè)：多個(gè)獨(dú)立樣本來自同一個(gè)總體或者說產(chǎn)生獨(dú)立樣本的多個(gè)總體服從同一分布。用Kruskal-Wallis方法對(duì)數(shù)據(jù)進(jìn)行非參數(shù)分析后返回檢驗(yàn)結(jié)果的p值，p值是假設(shè)檢驗(yàn)的一個(gè)重要參數(shù)，p值越小，表明結(jié)果越顯著，拒絕原假設(shè)的理由越充分，即多個(gè)總體的分布存在顯著差異。但是對(duì)于p值多小就認(rèn)為檢驗(yàn)結(jié)果是“顯著的”或是“極顯著的”，需要研究者根據(jù)實(shí)際問題來確定，比如經(jīng)濟(jì)學(xué)領(lǐng)域往往在p值小于0.01時(shí)拒絕接受原假設(shè)。

按照1.1節(jié)中的算法，首先計(jì)算200個(gè)目標(biāo)信號(hào)和278個(gè)掃頻式干擾信號(hào)的香農(nóng)熵和奇異譜熵，然后采用非參數(shù)統(tǒng)計(jì)的分析方法來對(duì)這兩個(gè)特征參量進(jìn)行定量分析。對(duì)香農(nóng)熵和奇異譜熵分別做Kruskal-Wallis非參數(shù)統(tǒng)計(jì)分析，得到的統(tǒng)計(jì)箱形圖如圖6和圖7所示，香農(nóng)熵的p值為5.324 1×10-66，奇異譜熵的p值為8.519 9×10-65，表明在目標(biāo)信號(hào)作用下和在4種掃頻式干擾信號(hào)作用下，以香農(nóng)熵和奇異譜熵為特征參量，引信檢波信號(hào)分布差異性是極顯著的。換言之，基于香農(nóng)熵和奇異譜熵的特征參量選取合理有效。

圖3 噪聲調(diào)幅掃頻信號(hào)作用下引信檢波信號(hào)時(shí)域和頻域Fig.3 Time domain and frequency domain of fuze detection signal under the action of noise AM frequency sweeping signal

圖4 方波調(diào)幅掃頻信號(hào)作用下引信檢波信號(hào)時(shí)域和頻域Fig.4 Time domain and frequency domain of fuze detection signal under the action of square wave AM frequency sweeping signal

圖5 純調(diào)幅掃頻信號(hào)作用下引信檢波信號(hào)時(shí)域和頻域Fig.5 Time domain and frequency domain of fuze detection signal under the action of frequency sweeping signal

圖6 目標(biāo)和干擾作用下引信檢波信號(hào)的香農(nóng)熵箱形圖Fig.6 Shannon entropy box plot of fuze detection signal under the action of target and jamming

圖7 目標(biāo)和干擾作用下引信檢波信號(hào)的奇異譜熵箱形圖Fig.7 Singular spectrum entropy box plot of fuze detection signal under the action of target and jamming

以香農(nóng)熵和奇異譜熵為橫縱坐標(biāo)，得到200個(gè)目標(biāo)信號(hào)和278個(gè)掃頻式干擾信號(hào)的二維散點(diǎn)分布圖，如圖8所示。從圖8中看出，紅色的目標(biāo)信號(hào)和藍(lán)色的掃頻式干擾信號(hào)重疊區(qū)域很小，表明引信檢波信號(hào)的香農(nóng)熵和奇異譜熵特征差異明顯。因此，采用SVM分類法在目標(biāo)和干擾信號(hào)之間建立一個(gè)間隔最大的分類超平面從而實(shí)現(xiàn)分類識(shí)別。

圖8 目標(biāo)和干擾信號(hào)作用下檢波信號(hào)香農(nóng)熵和 奇異譜熵二維分布Fig.8 Two-dimensional distribution of Shannon entropy and singular spectrum entropy of fuze detection signal under the action of target and jamming

2 以SVM為分類器的分類識(shí)別

SVM是一種新型的基于樣本學(xué)習(xí)的機(jī)器學(xué)習(xí)算法，它克服了傳統(tǒng)學(xué)習(xí)中的“維數(shù)災(zāi)難”、“過擬合”等缺陷，目的是盡可能準(zhǔn)確地對(duì)未知樣本作出預(yù)測[9]，在解決小樣本模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢[10]。核函數(shù)是SVM處理非線性分類問題的一個(gè)有力手段，利用核函數(shù)，通過把輸入數(shù)據(jù)映射到高維特征空間，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原有空間中的非線性判別函數(shù)，從而把非線性問題轉(zhuǎn)化為容易求解的線性問題?？梢钥闯觯撕瘮?shù)的選擇對(duì)SVM的分類過程和結(jié)果有著重要影響，影響著分類器的泛化能力。目前最常用的核函數(shù)有線性核函數(shù)、高斯核函數(shù)、Sigmoid核函數(shù)、d次多項(xiàng)式核函數(shù)等。本文選擇高斯核函數(shù)并采用K-折交叉驗(yàn)證法和網(wǎng)格搜索法對(duì)核函數(shù)參數(shù)進(jìn)行優(yōu)選。

K-折交叉驗(yàn)證是將數(shù)據(jù)均勻分割成K組子樣本，將其中一個(gè)單獨(dú)的子樣本作為驗(yàn)證機(jī)器算法的測試樣本，其余的K-1組樣本用來訓(xùn)練，這種交叉驗(yàn)證要重復(fù)進(jìn)行K次，保證每一組樣本都有一次機(jī)會(huì)作為測試數(shù)據(jù)，將最終的分類準(zhǔn)確率的平均值作為此機(jī)器算法的性能指標(biāo)[11]。這種交叉驗(yàn)證方法能夠有效避免過學(xué)習(xí)(或者過擬合)問題?！熬W(wǎng)格搜索”法就是通過“網(wǎng)格分割”把參數(shù)取值分割成一些網(wǎng)格形式，在每一個(gè)網(wǎng)格處分別用K-折交叉驗(yàn)證計(jì)算分類準(zhǔn)確率[11]。對(duì)于高斯核函數(shù)來說，有兩個(gè)參數(shù)即C和g需要確定。這里C是懲罰因子，是在分類之前需要人為設(shè)置的參數(shù)，其直觀意義是大的C意味著對(duì)訓(xùn)練錯(cuò)誤的強(qiáng)調(diào)，即它在最大間隔和最小訓(xùn)練錯(cuò)誤之間起到調(diào)節(jié)作用；g是核函數(shù)自帶的參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布。

本文目的是尋找一個(gè)分類超平面使目標(biāo)信號(hào)和干擾信號(hào)分布在其兩側(cè)，在樣本訓(xùn)練階段獲取了充分的目標(biāo)和干擾信號(hào)作用下引信檢波信號(hào)的先驗(yàn)知識(shí)，因此將采用二分類SVM建立分類模型。以香農(nóng)熵和奇異譜熵兩個(gè)特征參量作為SVM的輸入，核函數(shù)為高斯核函數(shù)，公式為exp(-g‖x-y‖2)。本文通過調(diào)用臺(tái)灣大學(xué)林智仁副教授等開發(fā)設(shè)計(jì)的SVM模式識(shí)別與回歸Matlab軟件包LIBSVM來實(shí)現(xiàn)參數(shù)優(yōu)化。采用K-折交叉檢驗(yàn)和網(wǎng)格搜索法得到的參數(shù)尋優(yōu)結(jié)果三維視圖如圖9所示，坐標(biāo)軸分別是log2C、log2g和分類正確率。從圖9中可以看出，當(dāng)C=0.011 049，g=0.707 11時(shí)，分類正確率可達(dá)到98.954%，滿足要求。

圖9 以香農(nóng)熵和奇異譜熵作為SVM輸入的參數(shù)尋優(yōu)Fig.9 Parameter optimization for using Shannon entropy and singular spectrum entropy as SVM input

為了驗(yàn)證香農(nóng)熵和奇異譜熵對(duì)調(diào)頻引信目標(biāo)和干擾信號(hào)識(shí)別的有效性，本文與基于平均時(shí)間、頻域調(diào)幅持續(xù)時(shí)間、頻域調(diào)相持續(xù)時(shí)間、調(diào)幅帶寬和調(diào)頻帶寬5個(gè)特征參量的識(shí)別算法[12]進(jìn)行分類正確率比較，核函數(shù)選擇高斯核函數(shù)，結(jié)果見表1.

表1 不同特征參量的分類正確率比較

由表1可知，當(dāng)核函數(shù)參數(shù)最優(yōu)時(shí)，以香農(nóng)熵和奇異譜熵作為SVM輸入?yún)⒘康姆诸愓_率達(dá)到98.954 0%，優(yōu)于其他特征參量輸入時(shí)的識(shí)別率，證明了基于香農(nóng)熵和奇異譜熵的識(shí)別算法能夠有效提高調(diào)頻引信對(duì)目標(biāo)和干擾信號(hào)的正確識(shí)別率。

3 調(diào)頻引信檢波信號(hào)分類實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證SVM的分類性能，選取上文所述的某型調(diào)頻多普勒引信分別在目標(biāo)回波信號(hào)作用下和掃頻式干擾信號(hào)作用下的檢波信號(hào)各200個(gè)，提取每個(gè)檢波信號(hào)的香農(nóng)熵和奇異譜熵，從而建立SVM分類模型，流程圖如圖10所示。算法分為學(xué)習(xí)訓(xùn)練和識(shí)別兩個(gè)階段，其中學(xué)習(xí)階段采用離線學(xué)習(xí)模式，在上位機(jī)完成樣本訓(xùn)練得到分類決策函數(shù)，即在引信裝彈前完成SVM分類器的學(xué)習(xí)訓(xùn)練，并將決策函數(shù)固化在數(shù)字信號(hào)處理系統(tǒng)(如現(xiàn)場可編程門陣列(FPGA))中；在識(shí)別階段，對(duì)輸入的檢波信號(hào)提取特征參量并計(jì)算分類決策值，根據(jù)該值的大小識(shí)別引信的接收信號(hào)是目標(biāo)回波還是干擾信號(hào)。

圖10 基于SVM的分類識(shí)別模型Fig.10 SVM- based classification and recognition model

針對(duì)表1中的最優(yōu)參數(shù)，本文用目標(biāo)檢測率和干擾檢測率兩個(gè)指標(biāo)評(píng)價(jià)SVM的分類性能。目標(biāo)檢測率和干擾檢測率定義為

(6)

(7)

從200組目標(biāo)回波信號(hào)與200組掃頻干擾信號(hào)中隨機(jī)取出4 /5 的數(shù)據(jù)( 即目標(biāo)和干擾各160 組) 作為訓(xùn)練樣本，通過訓(xùn)練階段的學(xué)習(xí)獲得分類決策函數(shù)。在測試階段，將余下1 /5 的樣本( 即40 組目標(biāo)回波信號(hào)與40 組掃頻干擾信號(hào)) 作為測試樣本，輸入訓(xùn)練好的SVM 分類器，獲得本輪測試的目標(biāo)檢測率與干擾檢測率。經(jīng)過200輪隨機(jī)分組測試后，最后對(duì)每輪獲得的目標(biāo)檢測率與干擾檢測率求平均，可以得到最終的目標(biāo)檢測率與干擾檢測率，如表2所示。

表2 目標(biāo)檢測率與干擾檢測率

從表2可以看出，對(duì)測試樣本的分類識(shí)別可以得到很高的目標(biāo)檢測率和干擾檢測率。

對(duì)于算法實(shí)時(shí)性而言，實(shí)際硬件實(shí)現(xiàn)方案中，F(xiàn)PGA擬選用美國Xilinx公司的Virtex-6 系列XC6VLX240T芯片，模擬/數(shù)字轉(zhuǎn)換器(ADC)選用12位的AD9235芯片，通過調(diào)用IP核完成FFT運(yùn)算和奇異值分解。仿真實(shí)驗(yàn)結(jié)果表明，利用本文所提算法完成引信的分類識(shí)別的信號(hào)處理時(shí)間小于1 ms，實(shí)時(shí)性對(duì)于滿足對(duì)地調(diào)頻引信的使用條件。

4 結(jié)論

本文提出了一種以香農(nóng)熵和奇異譜熵為特征參量，以二分類SVM為分類器的分類識(shí)別算法，對(duì)調(diào)頻引信的目標(biāo)與干擾信號(hào)進(jìn)行了有效識(shí)別。目標(biāo)和干擾信號(hào)作用下的調(diào)頻引信檢波輸出在時(shí)域和頻域分布上存在明顯差異，而信號(hào)的熵特征恰能表征這種差異。對(duì)檢波信號(hào)進(jìn)行FFT提取香農(nóng)熵，進(jìn)行奇異值分解提取奇異譜熵，用分類正確率評(píng)判SVM的分類性能并與文獻(xiàn)[12]中的分類效果進(jìn)行了橫向?qū)Ρ?，用目?biāo)檢測率和干擾檢測率評(píng)判對(duì)測試樣本的分類結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明：當(dāng)高斯核函數(shù)參數(shù)選擇最優(yōu)時(shí)，SVM可以得到很高的分類正確率，有效提高了調(diào)頻引信對(duì)目標(biāo)和干擾信號(hào)的識(shí)別能力，對(duì)今后調(diào)頻引信抗掃頻式干擾的研究有重要的參考意義。

References)

[1] 崔占忠, 宋世和, 徐立新. 近炸引信原理[M].第3版. 北京: 北京理工大學(xué)出版社, 2009:18-38. CUI Zhan-zhong, SONG Shi-he, XU Li-xin. Principle of proximity fuze[M]. 3rd ed. Beijing: Beijing Institute of Technology Press, 2009:18-38.(in Chinese)

[2] 劉景萍, 趙惠昌, 黃文良. 無線電引信的有源干擾機(jī)理[J]. 制導(dǎo)與引信, 2001, 22(4):50-52. LIU Jing-ping, ZHAO Hui-chang, HUANG Wen-liang. Active jamming mechanism of radio fuzes[J]. Guidance & Fuze, 2001, 22(4):50-52.(in Chinese)

[3] 李靖超. 基于三維熵特征的雷達(dá)信號(hào)識(shí)別[J]. 上海電機(jī)學(xué)院學(xué)報(bào), 2015, 18(3):136-140. LI Jing-chao. Radar signal recognition based on three dimensional entropy features[J]. Journal of Shanghai Dianji University, 2015, 18(3):136-140.(in Chinese)

[4] 白航, 趙擁軍, 沈偉，等. 基于時(shí)頻分布Rényi熵特征的雷達(dá)輻射源識(shí)別[J]. 電路與系統(tǒng)學(xué)報(bào), 2013, 18(1):437-442. BAI Hang, ZHAO Yong-jun, SHEN Wei, et al. Radar emitter recognition based on Rényi entropy of time-frequency distribution[J]. Journal of Circuits and Systems, 2013, 18(1): 437-442.(in Chinese)

[5] 謝平, 杜義浩, 黃雙峰. 基于信息熵的復(fù)雜機(jī)械系統(tǒng)非線性特征提取方法研究[J]. 振動(dòng)與沖擊, 2008, 27(7):135-137. XIE Ping, DU Yi-hao, HUANG Shuang-feng. Research on non-linear feature extracting method of complex mechanical system based on information entropy[J]. Journal of Vibration and Shock, 2008, 27(7):135-137.(in Chinese)

[6] 馬建華, 劉宏偉, 保錚. 固定翼飛機(jī)和直升機(jī)的分類方法研究[J]. 現(xiàn)代雷達(dá), 2004, 26(12):45-48. MA Jian-hua, LIU Hong-wei, BAO Zheng. Research on helicopter and fixed-wing aircraft classification[J]. Modern Radar, 2004, 26(12):45-48.(in Chinese)

[7] 蔣正新, 施國梁. 矩陣?yán)碚摷皯?yīng)用[M]. 北京: 北京航空學(xué)院出版社, 1988:87-95. JIANG Zheng-xin, SHI Guo-liang. Matrix theory and application[M]. Beijing: Beijing Aeronautical Institute Press, 1988:87-95.(in Chinese)

[8] 高清清, 賈民平. 基于EEMD的奇異譜熵在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 東南大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 41(5):998-1001. GAO Qing-qing, JIA Min-ping. EEMD method based singular value spectral entropy in fault diagnosis of rotating machinery[J]. Journal of Southeast University: Natural Science Edition, 2011, 41(5):998-1001.(in Chinese)

[9] 陶卿, 劉欣, 唐升平，等. 基于支持向量機(jī)的彈道識(shí)別及其在雷達(dá)彈道外推中的應(yīng)用[J]. 兵工學(xué)報(bào), 2005, 26(3):308-311. TAO Qing, LIU Xin, TANG Sheng-ping, et al.Support vector machine-based trajectory recognition with applications in the adjustment of radar trajectory prediction[J]. Acta Armamentarii, 2005, 26(3):308-311.(in Chinese)

[10] 陳冰梅, 樊曉平, 周志明，等. 支持向量機(jī)原理及展望[J]. 制造業(yè)自動(dòng)化, 2010, 32(12):136-138. CHEN Bing-mei, FAN Xiao-ping, ZHOU Zhi-ming, et al. The principle and prospect of support vector machine[J]. Manufacturing Automation, 2010, 32(12): 136-138.(in Chinese)

[11] 李坤, 劉鵬, 呂雅潔，等. 基于Spark的LIBSVM參數(shù)優(yōu)選并行化算法[J]. 南京大學(xué)學(xué)報(bào):自然科學(xué), 2016, 52(2):343-352. LI Kun, LIU Peng, LYU Ya-jie, et al. The parallel algorithms for LIBSVM parameter optimization based on Spark[J]. Journal of Nanjing University:Natural Sciences,2016, 52(2):343-352. (in Chinese)

[12] 陳慧玲. 調(diào)頻連續(xù)波無線電引信目標(biāo)與干擾信號(hào)識(shí)別方法[D]. 北京: 北京理工大學(xué), 2015. CHEN Hui-ling. On recognition of target and interference signal for FM-CM radio proximity fuze[D]. Beijing: Beijing Institute of Technology, 2015.(in Chinese)

Recognition of Target and Jamming Signal for FM Fuze Based on Entropy Features

HUANG Ying1， HAO Xin-hong1， KONG Zhi-jie1， ZHANG Biao2

(1.Science and Technology on Electromechanical Dynamic Control Laboratory, Beijing Institute of Technology, Beijing 100081, China;2.National Space Science Center, Chinese Academy of Sciences, Beijing 100190, China)

A classification and recognition method of target and jamming signal based on entropy features is proposed to restrain the AM frequency-sweeping jamming of FM fuze. The time domain and frequency domain characteristics of output signal of fuze detector under the action of target and jamming signal are compared, the Shannon entropy and singular spectrum entropy of fuze detection output signal are extracted and verified to be valid by Kruskal-Wallis test method, and the support vector machine is used for classification and recognition of target signal and jamming signals. The experimental results show that the correct recognition rate of the proposed method is 98.954%, and it can effectively improve the ability of the anti-frequency sweeping jamming of FM fuze.

ordnance science and technology; FM fuze; target recognition; frequency-sweeping jamming

2016-07-07

國防“973”計(jì)劃項(xiàng)目(613196)

黃瑩(1990—), 女, 碩士研究生。E-mail: 958732866@qq.com

郝新紅(1974—), 女, 副教授，碩士生導(dǎo)師。E-mail: haoxinhong@bit.edu.cn

TJ43+4.1

A

1000-1093(2017)02-0254-07

10.3969/j.issn.1000-1093.2017.02.007