寬帶高速跳頻信號的精細化偵察處理技術研究

毛家琪，高 博，翟 穎，姜 婕，李英軍

寬帶高速跳頻信號的精細化偵察處理技術研究

毛家琪，高 博，翟 穎，姜 婕，李英軍

（中國電子科技集團公司第二十研究所，西安 710068）

當空間中存在大帶寬、頻率快速跳變的輻射信號時，傳統(tǒng)偵察接收機無法實現(xiàn)完整接收與準確識別。針對上述問題，提出一種寬帶精細化偵察處理方法，實現(xiàn)了寬帶實時數(shù)據(jù)采集與精細化時頻分析，獲得了多部輻射源信號特征參數(shù)的準確分類，并且生成了完整的輻射源態(tài)勢信息與有效的敵方行為預測結果。實驗結果表明，該方法能夠?qū)崿F(xiàn)寬帶高速跳頻信號的全概率接收及精確解析測量。

寬帶高速跳頻；偵察處理；時頻分析；態(tài)勢信息；行為預測

0 引言

戰(zhàn)場上敵我態(tài)勢瞬息萬變，軍情情報種類和信息量迅速增長。在復雜電磁環(huán)境中實現(xiàn)對空間態(tài)勢的精準實時感知是電子戰(zhàn)設備在動態(tài)博弈中占據(jù)主動地位的重要前提[1]。通過對電磁環(huán)境的有效感知，電子偵察設備可實現(xiàn)輻射源存在判別、輻射源空間位置追蹤、輻射源樣式識別、敵方行為參數(shù)測量以及敵方輻射策略實時分析等[2]。然而，隨著新體制信號發(fā)生設備的產(chǎn)生與發(fā)展，空間電磁信號的脈沖載頻在極寬的頻帶范圍內(nèi)隨機跳變，對偵察設備的精細化處理提出了更為嚴峻的挑戰(zhàn)[3-4]。

為獲得復雜環(huán)境的準確認知，電子偵察處理技術需要依次實現(xiàn)全概率實時信號檢測、輻射源信號的智能分析識別以及態(tài)勢綜合分析研判。傳統(tǒng)偵察處理方法[5-6]在實現(xiàn)信號寬帶接收時，通常將接收信號通過模擬下變頻變換到基帶，再經(jīng)過數(shù)字采樣后送至后續(xù)信號處理，然而市面上大多數(shù)模擬轉(zhuǎn)數(shù)字（Analog to Digital，A/D）芯片通常不具備足夠的采樣頻率，無法覆蓋全部的工作帶寬范圍，因而無法滿足高跳速、大帶寬信號檢測接收的設計需求[7]。同時，現(xiàn)有偵察處理方法[8-9]通常采用固定門限實現(xiàn)脈沖參數(shù)檢測，并采用多特征匹配決策樹等方法實現(xiàn)信號分選識別，在極大程度上依賴于固定先驗知識，不具備環(huán)境交互性及環(huán)境適應性。因此，這些方法針對已知頻率分布的輻射源信號分選識別效果較好，然而當輸入信號的跳頻隨機程度較大、信噪比較低、信號混疊嚴重時，則無法對信號進行準確區(qū)分，從而使得系統(tǒng)無法達到理想的檢測效果。

針對上述問題，本文依托寬帶多輻射源偵察及參數(shù)穩(wěn)健測量技術，實現(xiàn)寬帶高速跳頻信號的全概率接收與精細化時頻分析、檢測。并且，利用多參數(shù)聯(lián)合聚類分選與基于支持向量機（Support Vector Machine，SVM）的輻射源識別技術，解決了交疊多輻射源信號分選識別難題。該方法可有效實現(xiàn)寬帶高速跳頻信號的準確精細化偵測，具有較強的環(huán)境適應能力，可有效提高系統(tǒng)的態(tài)勢感知與主動對抗能力。

1偵察處理流程

考慮高速跳頻信號的波形特點以及系統(tǒng)精細化實時解析需求，偵察處理采用分層設計模型，具體包含寬帶偵察截獲、輻射源分析識別與偵察信息關聯(lián)融合三個層次，共同實現(xiàn)寬帶信號的并行高速實時接收采樣、寬帶跳頻信號的多域參數(shù)測量、數(shù)據(jù)驅(qū)動下的輻射源信號分類識別以及輻射源行為預測與態(tài)勢研判功能。具體實現(xiàn)流程如圖1所示。

圖1 偵察處理流程圖

首先，偵察天線將接收到的信號通過低噪聲放大器（Low Noise Amplifier，LNA）放大后，分別發(fā)送給各個獨立通道。偵察接收機在收到外界信號后，各通道按照頻帶劃分范圍，在不同頻率的本振激勵下實現(xiàn)模擬下變頻、低通濾波和數(shù)字采樣，以實現(xiàn)低數(shù)據(jù)率成本下的寬帶信號全概率實時截獲。然后，針對輸入信號的高跳速特點，系統(tǒng)在并行處理機制下，各信道依次進行數(shù)字信道化和自適應參數(shù)測量，從而實現(xiàn)輸入信號的精細化時頻分析，并獲得輻射源脈沖信號的起止時間、時寬、載頻、頻寬以及能量等參數(shù)。在此之后，各通道將各自頻段內(nèi)的信號參數(shù)測量結果發(fā)送給融合中心，在時域、頻域和能量域進行聯(lián)合參數(shù)統(tǒng)計，獲得脈沖描述字（Pulse Description Word，PDW）序列。為避免交疊脈沖列對輻射源識別準確度的影響，根據(jù)輻射源參數(shù)的相似度對信號脈沖進行聚類分選，并根據(jù)少量先驗輻射源識別庫信息，進行分類器訓練，在輻射源分類器的作用下實現(xiàn)輻射源屬性特征識別。最后，將輻射源信號參數(shù)信息及輻射源屬性信息進行融合，并對敵方行為進行推演預測。單次偵察處理結果亦為識別庫的更新提供依據(jù)。

該模型具有資源節(jié)約、并行程度高和環(huán)境適應能力強等優(yōu)勢，下面對其中關鍵技術的實現(xiàn)原理進行詳細介紹。

1.1 寬帶偵察截獲

假設偵察設備的工作帶寬為。為實現(xiàn)寬帶跳頻信號的全概率接收，同時降低高數(shù)據(jù)率對后端數(shù)據(jù)實時處理的壓力，在偵察系統(tǒng)射頻接收階段，采用路寬帶調(diào)諧器將模擬通道劃分為均勻的通道，每個通道的頻帶寬度為/?；夭ㄐ盘柦?jīng)過路混頻和低通濾波后得到差拍信號，經(jīng)過數(shù)字采樣并抽取得到各通道的采樣回波信號。

1.2 輻射源分析識別

在提取寬帶跳頻信號的特征參數(shù)時，特征參數(shù)要具有可區(qū)分性和噪聲弱敏感性。因而，從信號處理的角度出發(fā)，采用滑動迭代的自適應門限檢測方法實現(xiàn)信號時域、頻域和能量域的參數(shù)測量。

在得到自適應門限后，對式（1）進行逐點門限比較，并對得到的測量參數(shù)按照脈沖到達時間進行聯(lián)合統(tǒng)計排列。每個脈沖的所有參數(shù)可組合為一個數(shù)字化的描述字，即PDW，如式（4）所示：

多參數(shù)聯(lián)合聚類分選的根本依據(jù)是在分選時間段內(nèi)，同一輻射源的若干個參數(shù)值（例如R、P、P，其中R為脈沖重復周期，P為脈沖寬度，P為脈沖能量）不變，因此根據(jù)脈沖參數(shù)的相似度將交疊脈沖列的脈沖進行聚類，從而實現(xiàn)不同信源的信號分選。根據(jù)實際工程對信號分選的準確性要求，本設計在序列差值直方圖（Sequential Difference Histogram，SDIF）算法[10]的基礎上，聯(lián)合多參數(shù)進行多級信號分選，各級檢測門限由實際需求設定。實現(xiàn)流程如圖2所示。

圖2 多級分選流程

在完成信號分選后，將屬于各輻射源源的特征信息進行匯總，提取頻率、脈寬、脈沖重復間隔等參數(shù)作為輻射源識別的特征。根據(jù)輻射源識別庫內(nèi)的先驗信息，實現(xiàn)輻射源分類器的訓練，利用所得分類器對信號進行分類識別，得到輻射源的屬性信息。分類器模型訓練采用支持向量機（Support Vector Machine，SVM）分類方法[11]，SVM分類器的訓練流程如圖3所示。

圖3 SVM分類器訓練流程

使用SVM的輻射源識別方法的基礎是建立完善的輻射源識別庫。受工作環(huán)境的影響，在實際工程中需要一定的實測樣本集來完成寬帶跳頻信號的特征參數(shù)測量，以增加模型訓練的準確性。

1.3 偵察信息關聯(lián)融合

以獲得的偵察信息為基礎，通過對信息的過濾、判定、關聯(lián)和融合等處理，完成對輻射源的識別綜合、分析理解，生成完整的環(huán)境態(tài)勢感知信息，建立輻射源識別庫的反饋環(huán)路。并且，根據(jù)輻射源參數(shù)的統(tǒng)計特性，采用機器學習和深度學習算法，可對敵方行為進行預測。

2 性能仿真與分析

仿真產(chǎn)生的32個脈沖頻點偽隨機跳變序列如圖4所示。藍色為頻率在900 ～995 MHz范圍內(nèi)的脈沖，紅色為頻率在1000 ～1095 MHz范圍內(nèi)的脈沖，綠色為頻率在1100 ～1195 MHz范圍內(nèi)的脈沖，黑色為頻率1 200 ～1 300 MHz范圍內(nèi)的脈沖。

圖4 脈沖頻點跳變序列

偵察系統(tǒng)的400 MHz工作帶寬被均勻劃分為四個通道，四路本振頻率分別設置為950 MHz、 1050 MHz、1 150 MHz和1250 MHz，低通濾波器的截止頻率為100 MHz。因此通道1頻率范圍為900 MHz～1 000 MHz，通道2頻率范圍為1000 MHz～1100 MHz，通道3頻率范圍為1100 MHz～1200 MHz，通道4頻率范圍為1200 MHz～1300 MHz，各通道經(jīng)過10倍抽取后數(shù)據(jù)率均為250 MHz。偵察截獲后四個通道的采樣波形分別如圖5（a）、圖5（b）、圖5（c）和圖5（d）所示。由圖5可知，入射信號被劃分到四個信道中，但輻射源信號產(chǎn)生了嚴重交疊，在時域上難以區(qū)分。

圖5 接收通道的信號采樣波形

表1 誤差分析統(tǒng)計

為比較輸入信噪比對算法檢測概率與參數(shù)測量精度的影響，實驗設置距離偵察設備處300 m的寬帶跳頻單源輻射設備，輸入的遞增范圍為-10 ～10 dB，單次獨立實驗的遞增步長為1 dB，蒙特卡洛實驗總數(shù)為200。

如圖6所示，比較不同輸入SNR對信號檢測概率的影響，可知當輸入大于-6 dB時，信號檢測概率快速增加，當輸入大于等于2 dB時，寬帶跳頻信號可被完全檢測。

圖6 不同信噪比下的信號檢測概率

圖7 不同信噪比下的脈寬測量均值

圖8 不同信噪比下的頻率測量誤差

如圖8所示，比較不同信噪比對信號頻率測量誤差的影響?？芍斝旁氡刃∮?7 dB時，信號頻率測量誤差約為7.4 MHz，且誤差隨著信噪比的增加逐漸減小，當信噪比大于6 dB時頻率測量誤差小于1 MHz。

3 結論

本文從實際作戰(zhàn)需求出發(fā)，針對戰(zhàn)場電磁環(huán)境實時偵察與綜合態(tài)勢感知等軍事需求，提出了一種能夠?qū)崿F(xiàn)寬帶跳頻信號的精細化偵察處理新方法。該方法實現(xiàn)了低信噪比下的寬帶跳頻信號偵察接收與參數(shù)測量，給出了能夠區(qū)分多個輻射源信號的聚類分選與智能識別方法。同時，該方法利用偵察信息關聯(lián)融合及輻射源行為預測，進一步提升了偵察系統(tǒng)的態(tài)勢威脅綜合感知能力，構建了包含多域聯(lián)合參數(shù)的環(huán)境感知庫，具有工程應用價值。

[1] Zhang Yingbo, Chai Heng, Wang Jinfeng. Implementation and Comparison of Signal Detection Methods in Radar Reconnaissance System[C]. 2020 IEEE 3rd International Conference on Electronic Information and Communication Technology (ICEICT), 2020, 1: 13-15.

[2] Jeihee Cho, Jaeyi Sung, Jinyi Yoon, et al. Towards Persistent Surveillance and Reconnaissance Using a Connected Swarm of Multiple UAVs[J]. IEEE Access, 2020, 8: 157906–157917.

[3] 蔣鴻宇，葉江峰，肖仕偉，等. 一種超寬帶高速跳頻信號實時非合作接收機[J]. 信息與電子工程，2012，10（4）：390-395.

[4] Li Gao, Wang Wei, Ding Guoru, et al. Frequency-Hopping Frequency Reconnaissance and Prediction for Non-Cooperative Communication Network[J]. China Communications, 2021, 18（12）：1673-5447.

[5] 蚩建峰. 雷達信號偵察處理系統(tǒng)研究[J]. 艦船電子對抗，2021，44（2）： 88-95.

[6] 趙玉，袁鵬鵬，居易. 一種寬開高靈敏度雷達偵察技術研究[J]. 艦船電子對抗，2022，45（1）： 33-67.

[7] 王杰. 一種高速跳頻信號的數(shù)字信道化寬帶接收設計[J]. 電子技術應用，2021，47（12）：26-30.

[8] 王功明，陳世文，黃潔，等. 基于多重同步壓縮變換的雷達輻射源分選識別[J]. 現(xiàn)代雷達，2020，42（3）： 49-56.

[9] Wang Xiaoyan, Fu Xiongjun, Dong Jian, et al. Dynamic Modified Chaotic Particle Swarm Optimization for Radar Signal Sorting[J]. IEEE Access, 2021, 9: 88452-88466.

[10] Xi Yin, Wu Yingchun, Wu Xiongjun, et al. An Improved SDIF Algorithm for Anti-radiation Radar Using Dynamic Sequence Search[C]. 2017 36th Chinese Control Conference (CCC), 2017, 11: 1934-1768.

[11] Cao Jianjun, Lv Guojun, Chang Chen, Li Hongmei. A Feature Selection Based Serial SVM Ensemble Classifier [J]. IEEE Access, 2019, 7: 2169-3536.

Research on Refined Reconnaissance Processing Technology of Broadband High-Speed Frequency Hopping Signals

MAO Jiaqi, GAO Bo, ZHAI Ying, JIANG Jie, LI Yingjun

When there are radiation signals with large bandwidth and rapid frequency hopping in space, traditional reconnaissance receivers cannot achieve complete reception and accurate identification. Aiming at the above problem, a broadband refined reconnaissance processing method is proposed. By this method, the broadband real-time data acquisition and refined time-frequency analysis are realized. Also the characteristic parameters of multiple radiation source signals are accurately classified. In addition, the complete radiation source situation information is generated and effective enemy behavior is predicted. The experimental results show that the method can realize the full probability reception and accurate analytical measurement of broadband high-speed frequency hopping signals, which has engineering realization value.

Broadband High-Speed Frequency Hopping; Reconnaissance Processing; Time-Frequency Analysis; Situation Information; Behavior Prediction

TN971

A

1674-7976-(2022)-04-278-07

2022-04-09。

毛家琪（1995.09—），陜西西安人，碩士研究生，主要研究方向為雷達總體設計、電子偵察與干擾對抗。