基于多維特征的密集轉(zhuǎn)發(fā)式干擾識(shí)別方法

余康林, 匡華星, 王超宇

(中國(guó)船舶重工集團(tuán)第七二四研究所, 江蘇南京 211153)

0 引言

雷達(dá)是現(xiàn)代戰(zhàn)爭(zhēng)中獲知信息的重要電子設(shè)備，而隨著電磁環(huán)境的日益復(fù)雜，其接收到的信號(hào)中除了真實(shí)目標(biāo)回波外，可能還存在著有源干擾和無源干擾，導(dǎo)致雷達(dá)無法有效地獲知目標(biāo)信息。針對(duì)雷達(dá)接收到的干擾，針對(duì)性抗干擾措施的選取是干擾有效抑制的前提，而干擾識(shí)別是針對(duì)性抗干擾措施選取的前提。

由于密集轉(zhuǎn)發(fā)式干擾如頻譜彌散干擾、間歇采樣轉(zhuǎn)發(fā)干擾[1-2]與目標(biāo)回波存在較強(qiáng)相干性，此類干擾與真實(shí)目標(biāo)回波混疊后進(jìn)入雷達(dá)接收機(jī)，脈沖壓縮后將在距離向產(chǎn)生多個(gè)主瓣假目標(biāo)，能夠兼具壓制和欺騙干擾效果，并且由于干擾和真實(shí)目標(biāo)回波的時(shí)頻混疊，從時(shí)域或頻域無法有效抑制干擾，增加了雷達(dá)抗干擾的難度。因此對(duì)于幾類密集轉(zhuǎn)發(fā)式干擾，需要先進(jìn)行干擾辨識(shí)，再采取針對(duì)性抗干擾措施。

針對(duì)復(fù)雜電磁環(huán)境下轉(zhuǎn)發(fā)式干擾的識(shí)別問題，目前的研究方向集中于聯(lián)合時(shí)域、頻域和變換域等域的多維特征參數(shù)及分類器的干擾識(shí)別方法。文獻(xiàn)[3]提出了基于時(shí)空頻特征融合的距離-速度復(fù)合欺騙轉(zhuǎn)發(fā)式干擾識(shí)別方法，通過提取回波點(diǎn)跡的空域和頻域特征，能夠有效識(shí)別干擾。文獻(xiàn)[4]提取了時(shí)域盒維數(shù)和頻域指數(shù)熵，能夠區(qū)分頻譜彌散干擾和切片組合干擾。文獻(xiàn)[5]提出了基于雙譜特征的欺騙式干擾識(shí)別方法，提取了雙譜特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，能夠較好地區(qū)分目標(biāo)回波和欺騙干擾。文獻(xiàn)[6]提出了基于頻域平穩(wěn)度和雙譜凸度的轉(zhuǎn)發(fā)式干擾識(shí)別方法。文獻(xiàn)[7]提取了時(shí)域、頻域等域的多維特征，能有效區(qū)分噪聲類、卷積類和轉(zhuǎn)發(fā)類干擾。而對(duì)于密集轉(zhuǎn)發(fā)式干擾的識(shí)別問題，采用聯(lián)合多維特征的干擾識(shí)別方法目前研究還較少。

在現(xiàn)有研究的基礎(chǔ)上，通過分析幾類密集轉(zhuǎn)發(fā)式干擾不同域上的分布特征，利用分?jǐn)?shù)階傅里葉變換估計(jì)幾類密集轉(zhuǎn)發(fā)式干擾的調(diào)頻率，提取自相關(guān)幅度譜和匹配濾波幅度譜的矩峰度系數(shù)，提取頻譜半帶寬方差比系數(shù)，作為決策樹和BP神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)目標(biāo)回波和幾類密集轉(zhuǎn)發(fā)式干擾進(jìn)行分類識(shí)別。

1 干擾模型

當(dāng)雷達(dá)檢測(cè)到目標(biāo)后，由于干擾的存在，無法確定該目標(biāo)是真實(shí)目標(biāo)還是干擾產(chǎn)生的虛假目標(biāo)，由于干擾一般伴隨真實(shí)目標(biāo)進(jìn)入雷達(dá)接收機(jī)，因此該干擾識(shí)別問題[8-9]可假設(shè)為

(1)

式中，H1是只存在真實(shí)目標(biāo)回波時(shí)的場(chǎng)景，H2是干擾與真實(shí)目標(biāo)回波同時(shí)存在的場(chǎng)景，s,j,n分別為真實(shí)目標(biāo)回波向量、干擾向量和噪聲序列，α,β分別為真實(shí)目標(biāo)回波和干擾的幅度。對(duì)于脈沖壓縮雷達(dá)，不考慮時(shí)延，其接收到的真實(shí)目標(biāo)回波模型可描述如下：

(2)

對(duì)于本文研究的幾類密集轉(zhuǎn)發(fā)式干擾，數(shù)學(xué)模型及原理如下：

1) 頻譜彌散(Smeared Spectrum, SMSP)干擾。圖1為SMSP干擾與真實(shí)目標(biāo)回波的時(shí)頻分布示意圖，其數(shù)學(xué)模型描述如下：

iTJ)+iπkJ(t-iTJ)2]

(3)

式中，AJ表示干擾的幅度，TJ表示SMSP干擾子脈沖脈寬，kJ為SMSP干擾的調(diào)頻率，n一般取大于1的整數(shù)，研究表明當(dāng)n取5～7時(shí)[4]，干擾效果最優(yōu)。其中TJ,kJ與T,k的關(guān)系為

(4)

圖1 真實(shí)目標(biāo)回波和SMSP干擾的時(shí)頻分布示意圖

由式(4)可知，SMSP干擾與真實(shí)目標(biāo)回波脈寬相等，其中存在n個(gè)子脈沖，每個(gè)子脈沖的脈寬為真實(shí)目標(biāo)回波的1/n，調(diào)頻率為真實(shí)目標(biāo)回波的n倍。

2) 間歇采樣直接轉(zhuǎn)發(fā)干擾(Interrupted-Sampling and Direct Repeater Jamming, ISDJ)。 圖2為其產(chǎn)生原理圖，其數(shù)學(xué)模型描述如下:

s(t-TJ)

(5)

式中，M為間歇采樣直接轉(zhuǎn)發(fā)干擾切片個(gè)數(shù)，TJ為切片脈寬，一般取為1/B

圖2 間歇采樣直接轉(zhuǎn)發(fā)干擾工作原理

3) 間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾(Interrupted-Samp-ling and Periodic Repeater Jamming, ISPJ)。圖3為其產(chǎn)生原理圖，其數(shù)學(xué)模型描述如下：

s(t-nTJ)

(6)

式中，α(m,n)=(m-1)(N+1)+n，M為間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾切片個(gè)數(shù)，N為每個(gè)切片的轉(zhuǎn)發(fā)次數(shù)。如圖3所示，其工作原理為對(duì)每次截取的切片進(jìn)行多次轉(zhuǎn)發(fā)，即產(chǎn)生間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾。

圖3 間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾工作原理

4) 間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾(Interrupted-Sampling and Cyclic Repeater Jamming, ISCJ)。圖4為其產(chǎn)生原理圖，其數(shù)學(xué)模型描述如下：

s(t-β(m,n))

(7)

式中，M為間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾切片個(gè)數(shù)，α(m)=m(m+1)/2-1為第m次切片時(shí)的時(shí)延系數(shù)，β(m,n)=n(n+1)/2+m(n-1)為第m個(gè)切片第n次轉(zhuǎn)發(fā)時(shí)的時(shí)延系數(shù)。如圖4所示，間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾在轉(zhuǎn)發(fā)完當(dāng)前截取的信號(hào)片段后，還將逆序轉(zhuǎn)發(fā)之前截取的全部信號(hào)片段。

圖4 間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾工作原理

2 多維特征提取及分類識(shí)別

由于雷達(dá)干擾樣式的多樣性，需要從不同域提取具有較強(qiáng)分離性和穩(wěn)定性的特征參數(shù)，以能夠辨識(shí)真實(shí)目標(biāo)回波和各類干擾。干擾識(shí)別流程為雷達(dá)回波下變頻、干擾帶外濾波、變換域數(shù)據(jù)歸一化、特征提取及分類識(shí)別。

2.1 多維特征提取

1) 調(diào)頻參數(shù)估計(jì)(Chirp-Rate Estimation, CRE)。由于SMSP干擾調(diào)頻參數(shù)是真實(shí)目標(biāo)回波與間歇采樣轉(zhuǎn)發(fā)干擾的n倍，因此可提取調(diào)頻參數(shù)識(shí)別SMSP干擾。分?jǐn)?shù)階傅里葉變換常用于估計(jì)線性調(diào)頻(Linear Frequency Modulation, LFM)信號(hào)的調(diào)頻參數(shù)，信號(hào)x(t)p階分?jǐn)?shù)階傅里葉變換定義如下：

(8)

式中，核函數(shù)Kp(t,u)定義如下：

(9)

LFM信號(hào)進(jìn)行不同旋轉(zhuǎn)角度的分?jǐn)?shù)階傅里葉變換時(shí)，能量聚集性不同，當(dāng)LFM信號(hào)進(jìn)行旋轉(zhuǎn)角度為α=arccot(-k)的分?jǐn)?shù)階傅里葉變換時(shí)，能量聚集性最優(yōu)，k為L(zhǎng)FM信號(hào)的調(diào)頻斜率。Renyi熵常用于描述信號(hào)能量聚集性的強(qiáng)弱[11]，信號(hào)能量聚集性越高，Renyi熵越小，反之越大。在對(duì)LFM信號(hào)對(duì)應(yīng)最優(yōu)旋轉(zhuǎn)角度進(jìn)行估計(jì)時(shí)，可以用Renyi熵評(píng)價(jià)LFM信號(hào)不同旋轉(zhuǎn)角度下分?jǐn)?shù)階傅里葉變換幅度譜的能量聚集性強(qiáng)弱。假設(shè)歸一化離散分?jǐn)?shù)階傅里葉變換幅度譜為p1,p2,…,pN，其幅度之和為1，則Renyi熵的定義如下：

(10)

式中，q為Renyi熵的階次，這里q取4。

2) 自相關(guān)幅度譜矩峰度系數(shù)(Auto-correlation Amplitude Spectrum Kurtosis Coefficient, ASKC)。對(duì)于信號(hào)x(t)，自相關(guān)運(yùn)算定義為

(11)

對(duì)于僅包含真實(shí)目標(biāo)回波的場(chǎng)景，其自相關(guān)運(yùn)算結(jié)果如下：

RH1(τ)=Rs(τ)+Rn(τ)+Rsn(τ)

(12)

式中，Rs(τ)表示真實(shí)目標(biāo)回波的自相關(guān)運(yùn)算，Rn(τ)表示噪聲的自相關(guān)運(yùn)算，Rsn(τ)表示真實(shí)目標(biāo)回波和噪聲的互相關(guān)運(yùn)算。由于真實(shí)目標(biāo)回波與噪聲的相關(guān)性很低，因此該場(chǎng)景下自相關(guān)幅度譜僅存在真實(shí)目標(biāo)回波和噪聲自相關(guān)運(yùn)算疊加產(chǎn)生的譜峰。

對(duì)于間歇采樣轉(zhuǎn)發(fā)干擾和真實(shí)目標(biāo)回波同時(shí)存在的場(chǎng)景，其自相關(guān)運(yùn)算結(jié)果如下：

RH2(τ)=Rs(τ)+Rj(τ)+Rn(τ)+

Rsj(τ)+Rsn(τ)+Rjn(τ)

(13)

式中，Rj(τ)為干擾的自相關(guān)運(yùn)算，Rsj(τ)為真實(shí)目標(biāo)回波與干擾的互相關(guān)運(yùn)算，Rjn(τ)為干擾和噪聲的互相關(guān)運(yùn)算。由于真實(shí)目標(biāo)回波和間歇采樣轉(zhuǎn)發(fā)干擾的高相干性，該場(chǎng)景下的自相關(guān)幅度譜不僅存在真實(shí)目標(biāo)回波、噪聲和干擾自相關(guān)運(yùn)算疊加產(chǎn)生的譜峰，同時(shí)還存在干擾與真實(shí)目標(biāo)回波互相關(guān)運(yùn)算產(chǎn)生的譜峰。

對(duì)比兩個(gè)場(chǎng)景下的自相關(guān)幅度譜的特征差異，由于僅存在真實(shí)目標(biāo)回波時(shí)，其自相關(guān)幅度譜的能量集中于一個(gè)峰值處，因此其自相關(guān)幅度譜陡峭程度最高，這里選取自相關(guān)幅度譜矩峰度系數(shù)描述該特征差異。假設(shè)歸一化離散自相關(guān)幅度譜為x(n)，其矩峰度系數(shù)定義為

(14)

式中E[·]表示求均值，μ表示x(n)的均值，σ表示x(n)的標(biāo)準(zhǔn)差。

3) 匹配濾波幅度譜矩峰度系數(shù)(Matched Filter Amplitude Spectrum Kurtosis Coefficient, MSKC)。對(duì)于間歇采樣轉(zhuǎn)發(fā)干擾，由于產(chǎn)生方式不同，其匹配濾波后幅度譜分布規(guī)律不同。對(duì)于間歇采樣直接轉(zhuǎn)發(fā)干擾，匹配濾波輸出[12]為

(15)

式中，φ=2πkTJ(t-TJ)，sinc(kTJ(t-TJ))為單個(gè)干擾切片匹配濾波輸出，sin(Mφ)/sin(φ)由時(shí)延相同的干擾切片匹配濾波輸出疊加產(chǎn)生，該干擾匹配濾波幅度譜表現(xiàn)為一個(gè)假目標(biāo)群。

由間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾的數(shù)學(xué)模型可知，其匹配濾波輸出相當(dāng)于對(duì)上式進(jìn)行多次時(shí)移，其匹配濾波結(jié)果表現(xiàn)為多個(gè)假目標(biāo)群。而間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾，不同切片只有在第一次轉(zhuǎn)發(fā)時(shí)時(shí)延相同，當(dāng)轉(zhuǎn)發(fā)次數(shù)大于1時(shí)，不同切片的轉(zhuǎn)發(fā)時(shí)延不同，因此其匹配濾波結(jié)果表現(xiàn)為一個(gè)假目標(biāo)群和多個(gè)假目標(biāo)。

對(duì)比三類間歇采樣轉(zhuǎn)發(fā)干擾的匹配濾波輸出，由于間歇采樣直接轉(zhuǎn)發(fā)干擾的匹配濾波輸出僅存在一個(gè)假目標(biāo)群，因此其匹配濾波幅度譜陡峭程度最高，可提取匹配濾波幅度譜矩峰度系數(shù)來辨識(shí)間歇采樣直接轉(zhuǎn)發(fā)干擾，定義如式(14)。

4) 頻譜半帶寬方差比系數(shù)(Spectrum Half-bandwidth Variance Ratio Coefficient, SVRC)。對(duì)于間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾和間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾，由于間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾每個(gè)切片的轉(zhuǎn)發(fā)次數(shù)相同，而間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾每次切片后不僅轉(zhuǎn)發(fā)當(dāng)前切片，還會(huì)逆序轉(zhuǎn)發(fā)之前的切片，因此間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾每個(gè)切片對(duì)應(yīng)的頻譜幅度相等，而間歇采樣循環(huán)轉(zhuǎn)發(fā)干擾每個(gè)切片對(duì)應(yīng)的頻譜幅度按照切片順序依次減弱。

為了描述兩者的頻譜特征差異，提取了頻譜半帶寬方差比系數(shù)。假設(shè)離散頻譜歸一化后為x1,x2,…,xk，則x1,x2,…,xk/2的方差定義為var1，xk/2+1,xk/2+2,…,xk的方差定義為var2，則頻譜半帶寬方差比定義為

(16)

2.2 決策樹分類識(shí)別流程

決策樹采用“分而治之”的思想[13]，將復(fù)雜問題逐級(jí)轉(zhuǎn)化為一系列簡(jiǎn)單問題，通過解決簡(jiǎn)單問題達(dá)到解決復(fù)雜問題的目的，決策樹的結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，但是對(duì)閾值的選取較為敏感，一般很難取得最優(yōu)閾值，基于決策樹的干擾分類識(shí)別流程如圖5所示。

識(shí)別步驟為：1) 選擇調(diào)頻參數(shù)及其對(duì)應(yīng)閾值判決，大于閾值判決為SMSP干擾，小于閾值判決為包含真實(shí)目標(biāo)回波LFM、ISDJ、ISRJ和ISCJ的集合；2) 選擇自相關(guān)幅度譜矩峰度系數(shù)及其對(duì)應(yīng)閾值判決，大于閾值判決為真實(shí)目標(biāo)回波LFM，小于閾值判決為包含ISDJ、ISRJ和ISCJ的集合；3) 選擇匹配濾波幅度譜矩峰度系數(shù)及其對(duì)應(yīng)閾值判決，大于閾值判決為ISDJ，小于閾值判決為包含ISRJ和 ISCJ的集合；4) 選擇頻譜半帶寬方差比系數(shù)及其對(duì)應(yīng)閾值判決，大于閾值判決為ISCJ，小于閾值判決為ISRJ。通過以上步驟解決干擾分類識(shí)別問題。

圖5 基于決策樹的干擾識(shí)別流程圖

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的干擾分類識(shí)別

BP神經(jīng)網(wǎng)絡(luò)[14]是一種包含多層全連接層的神經(jīng)網(wǎng)絡(luò)，具有較好的自適應(yīng)性，其結(jié)構(gòu)如圖6所示，提取干擾特征參數(shù)組成向量作為輸入，隱藏層為中間層，包含多個(gè)全連接層，這里設(shè)置為8層，將輸入向量轉(zhuǎn)化為可決策向量從輸出層輸出，最后使用softmax分類器對(duì)輸出進(jìn)行分類。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)用于分類識(shí)別時(shí)需要經(jīng)過訓(xùn)練，訓(xùn)練過程包括信息的前向傳輸和誤差的反向傳播，達(dá)到擬合輸入輸出的目的。

信息的前向傳輸使用梯度下降算法自適應(yīng)計(jì)算權(quán)值，這里選取比例共軛梯度算法，該算法具有較快的收斂速度和需要較少的存儲(chǔ)單元；誤差的反向傳播使用損失函數(shù)來評(píng)估預(yù)測(cè)值與實(shí)際值的誤差，通過反向傳播依次調(diào)整權(quán)值，使得預(yù)測(cè)誤差最小。損失函數(shù)選為均方誤差函數(shù)，定義為

(17)

(18)

同時(shí)為了防止訓(xùn)練過程中出現(xiàn)過擬合，將樣本劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，驗(yàn)證集用于調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重和超參數(shù)，測(cè)試集用于評(píng)估神經(jīng)網(wǎng)絡(luò)的性能，比例為40%，10%，50%。

3 仿真分析

為了驗(yàn)證所提取特征參數(shù)用于干擾分類識(shí)別的有效性，通過下述仿真實(shí)驗(yàn)驗(yàn)證。其中雷達(dá)發(fā)射信號(hào)的脈寬為10 μs，帶寬為40 MHz，調(diào)頻率為4 MHz/μs，干信比(Jamming-to-Signal Ratio, JSR)設(shè)置為0～20 dB，信噪比(Signal-to-Noise Ratio, SNR)設(shè)置為-10～20 dB，干擾參數(shù)設(shè)置如表1所示。

表1 干擾參數(shù)設(shè)置

仿真實(shí)驗(yàn)1

設(shè)置干信比為10 dB，信噪比-10～20 dB，每個(gè)干擾類型每個(gè)信噪比下生成600個(gè)樣本，其中訓(xùn)練樣本為300個(gè)，測(cè)試樣本為300個(gè)。由于SMSP干擾與真實(shí)目標(biāo)回波、間歇采樣轉(zhuǎn)發(fā)干擾的調(diào)頻參數(shù)關(guān)系明確，閾值容易確定，因此下面主要給出真實(shí)目標(biāo)回波和間歇采樣轉(zhuǎn)發(fā)干擾不同信噪比下特征參數(shù)的分布情況，同時(shí)分析了角度搜索步長(zhǎng)的變化對(duì)SMSP干擾識(shí)別率的影響，如圖7所示。

由圖7(a)、(b)和(c)可以看出,本文提取的特征參數(shù)對(duì)噪聲的敏感度較低，具有較好的分離性和穩(wěn)定性。由圖7(d)可以看出，當(dāng)角度搜索步長(zhǎng)設(shè)置過大時(shí)，參數(shù)估計(jì)誤差增大，難以有效識(shí)別SMSP干擾；當(dāng)角度搜索步長(zhǎng)Δα≤0.5°時(shí)能夠較好識(shí)別SMSP干擾，因此為了能夠識(shí)別SMSP干擾同時(shí)降低搜索次數(shù)，這里Δα設(shè)為0.5°。

(a) 自相關(guān)幅度譜矩峰度系數(shù)

(b) 匹配濾波幅度譜矩峰度系數(shù)

(c) 頻譜半帶寬方差比系數(shù)

(d) 不同搜索步長(zhǎng)下SMSP干擾識(shí)別率圖7 干擾特征參數(shù)分布情況及不同搜索步長(zhǎng)下SMSP干擾識(shí)別率

通過多次訓(xùn)練，決策樹使用的閾值分別為TCRE=6，TASKC=53，TMSKC=43，TSVRC=6。每種干擾不同信噪比下的識(shí)別概率如圖8所示，對(duì)比兩種分類模型，在干信比為10 dB情況下，當(dāng)信噪比大于-6 dB時(shí)，干擾的識(shí)別率能夠達(dá)到100%；在信噪比為-10 dB時(shí)，基于BP神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別率要高于基于決策樹的干擾識(shí)別率，這是因?yàn)闆Q策樹需要人為選取閾值，存在一定的主觀性，一般很難取到最優(yōu)閾值，而BP神經(jīng)網(wǎng)絡(luò)通過自適應(yīng)計(jì)算權(quán)值，聯(lián)合多維特征參數(shù)進(jìn)行判決，效果更好。

(a) 基于決策樹的干擾識(shí)別率

(b) 基于BP神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別率圖8 不同信噪比下的干擾識(shí)別率

仿真實(shí)驗(yàn)2

設(shè)置信噪比為0 dB，干信比0～20 dB，決策樹的判決閾值不變，每個(gè)干信比下產(chǎn)生600個(gè)樣本，其中300個(gè)樣本為訓(xùn)練樣本，300個(gè)為測(cè)試樣本，當(dāng)信噪比不變時(shí)，不同干信比下的干擾識(shí)別率如圖9所示。

(a) 基于決策樹的干擾識(shí)別率

(b) 基于BP神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別率圖9 不同干信比下的干擾識(shí)別率

當(dāng)信噪比一定時(shí)，兩種分類模型在干信比大于6 dB時(shí)，識(shí)別率能夠接近100%；在低干信比階段，基于BP神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別率要優(yōu)于基于決策樹的干擾識(shí)別率，能夠體現(xiàn)出BP神經(jīng)網(wǎng)絡(luò)用于分類識(shí)別的優(yōu)勢(shì)。實(shí)際中由于真實(shí)目標(biāo)回波雙程衰減，而干擾單程衰減，干擾功率遠(yuǎn)大于真實(shí)目標(biāo)回波功率，所提干擾特征參數(shù)能夠滿足要求。

4 結(jié)束語

干擾樣式識(shí)別是針對(duì)性抗干擾措施選取的前提，本文針對(duì)密集轉(zhuǎn)發(fā)式干擾的識(shí)別問題，提出了基于多維特征的干擾識(shí)別方法，所提特征參數(shù)對(duì)噪聲的敏感性低，具有較好的穩(wěn)定性和分離性，在干信比大于6 dB時(shí)，能夠有效地對(duì)幾類密集轉(zhuǎn)發(fā)式干擾進(jìn)行識(shí)別，并且特征參數(shù)還具有復(fù)雜度低、運(yùn)算速度快的優(yōu)點(diǎn)，具有較好的實(shí)時(shí)性。在干擾識(shí)別的基礎(chǔ)上，可以有針對(duì)性選取抗干擾措施，以達(dá)到較好的干擾抑制效果。