應用決策樹的航天測控干擾識別方法*

操禮長,汪筱陽,劉軍鋒,朱 琳,張 宇,李先友,辛 鑫

(1.中國人民解放軍63769部隊,西安 710043;2.空軍工程大學 防空反導學院,西安 710051)

0 引 言

目前,空間電磁環(huán)境越來越復雜,多種電磁信號給航天測控造成極大威脅,無論是來自復雜空間環(huán)境的無意電磁信號,還是來自有意的攻擊信號,甚至是系統(tǒng)自身因設計不合理而導致的信號間干擾等,都將影響航天器與地面測控設備之間的通信,輕則導致航天器、地面測控設備失能[1-2],重則導致其被毀傷。

對于干擾信號的識別一直是國內外研究的熱點[3-6]。文獻[7]分析了干擾信號的運作流程,通過構建系統(tǒng)跟蹤模型,添加規(guī)則庫,提出了一種電子通信系統(tǒng)復合式干擾智能識別技術,但該方式需要獲得一定的先驗信息。文獻[8]采用天牛須搜索算法優(yōu)化混合蛙跳算法的子種群的局部搜索能力,結合反向傳播(Back Propagation,BP)神經網絡提出了一種改進混合蛙跳算法,提高了干擾信號的識別率,但該方式對于多類型干擾會造成網絡層數增多,識別效率下降。文獻[9]分析了噪聲干擾、密集假目標干擾、組合干擾的時域、頻域特性,選取相關特征參數,通過構建組合支持向量機(Support Vector Machine,SVM)識別器,對3種干擾信號進行了分類識別,但該方式對于特征參數的選取提出了較高的要求。

針對不同的干擾信號,識別的方式大不相同。就航天測控鏈路來說,受到的干擾有寬帶噪聲干擾、單音連續(xù)波干擾、寬帶梳狀譜干擾、線性調頻干擾、脈沖干擾、隨機二元碼調制干擾等各種類型。為了有效應對這些來自空間、地面的不同干擾,必須要對測控上、下行鏈路及星間鏈路的干擾進行分析。由于干擾類型較多,且沒有干擾信號的先驗信息,因此,本文提出了采用決策樹方法研究航天測控干擾信號識別,在無需較多先驗知識的情況下,采用“從屬性到結論”的方式,通過計算時域峰平比、歸一化頻譜的3 dB帶寬、歸一化頻譜峰度系數等特征因子,對航天測控鏈路受到的未知干擾信號進行識別。該方法需要對各種干擾信號提取其區(qū)別度較強的特征參數,這里采取時域頻域的處理方法,提取某些辨別能力較強的特征因子;然后,依據提取的特征因子構建高效的級聯(lián)分類器,對干擾進行分類識別,區(qū)分單音、梳狀、脈沖、窄帶、寬帶等干擾的信號類型、調制方式等。

1 干擾識別規(guī)則及特征因子選取

1.1 干擾識別規(guī)則

決策樹是一種以事例為基礎的歸納學習算法,它著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則,以形成分類器和預測模型,從而對未知數據進行分類、預測、數據挖掘等。采用決策樹進行分類,首先,利用訓練集建立決策樹模型。實際上,這是一個從數據中獲取知識進行機器學習的過程。然后,利用生成且訓練完畢的決策樹模型,對未知數據樣本進行分類。采取自上而下的遞歸方式,在決策樹的內部結點,進行屬性比較,根據不同的門限來判斷自該結點向下的分支,最后在決策樹的葉結點處得出結論。可以看出,從決策樹的根結點到葉結點的每一條路徑都對應著一條選取規(guī)則,整棵決策樹對應著一組表達規(guī)則。

根據貪婪算法,從根結點開始,對每一個非葉結點找出其對應的屬性,對樣本集進行測試,并根據測試結果的不同,將樣本集劃分成若干樣本子集。每個樣本子集又構成了一個新的葉結點,再對新的葉結點重復進行測試、劃分。這樣不斷循環(huán),直到達到特定的終止條件。為了對未知的樣本進行分類,樣本的門限需要在決策樹上測試。

借鑒上述決策樹的思想,構建基于決策樹的航天測控干擾識別規(guī)則:首先,利用干擾信號的特征因子值,作為每個結點的屬性值,來與預設的門限進行比較判決,大于門限的為類別集A,小于門限的則為類別集B;然后,再分別在類別集A、B中再次進行比較判決,形成新的類別集C、D或類別集E、F;多次循環(huán),直至每個類別集中僅有一個元素,即只有一種干擾類型為止,這樣就可對干擾信號進行識別。

1.2 特征因子選取

(1)時域峰平比

對干擾信號進行時域采樣,記干擾信號的幅度為A(i),i∈[1,N]為采樣時刻,記Apeak為幅度最大值,為幅度平均值,則時域峰平比Rpm為

該參數用于區(qū)分脈沖干擾(PulseInterference,PI)與其他干擾信號。

(2)歸一化頻譜的3 dB帶寬

計算干擾信號頻譜的模值S(n)=,信號采樣長度為N。將其進行歸一化處理,得到信號歸一化頻譜值

則歸一化頻譜的3 dB帶寬Buw為

該參數用于區(qū)分寬帶干擾與窄帶干擾信號。

(3)歸一化頻譜峰度系數

Bpeak為頻譜歸一化后幅度的最大值,Bmean為頻譜按幅度大小降序排列后,前K(K＜N)個幅度值取平均,則歸一化頻譜峰度系數為

該參數用于區(qū)分單頻窄帶干擾(Continuous Wave Interference,CWI)與調制窄帶干擾信號。

(4)歸一化頻譜平坦度

提取歸一化頻譜中的沖激部分Rp(n):

式中:L為平滑濾波的窗口長度,一般取0.03N。歸一化頻譜平坦度δpns為Rp(n)的標準差,即

該參數用于區(qū)分寬帶梳狀干擾(Comb Spectrum Interference,CSI)與其他寬帶干擾信號。

(5)分數階傅里葉域能量聚集度

離散分數階傅里葉變換:

式中:uk是離散值;p為離散傅里葉階數,p∈[0,2];x(n)為干擾的時域表達式。計算分數階傅里葉變換域幅度譜的最大值和平均值之比Rfr(p)為

式中:

則分數階傅里葉域能量聚集度Rfr為

該參數用于區(qū)分線性調頻干擾(Linear Frequecy Modulation,LFM)與其他寬帶干擾信號。

(6)時域矩峰度系數

計算干擾信號均值μ=E[x(n)],標準差σ=,則時域矩峰度系數Kurt為

該參數用于區(qū)分噪聲與調制干擾信號。

(7)零中心歸一化瞬時幅度譜密度的最大值

該參數能夠反映干擾信號是否存在幅度調制,具體計算公式為

其中,Ns表示截取的信號長度;acn(i)=an(i)-1是時間點t=i/fs(i=1,2,…,Ns)的零中心歸一化瞬時幅度;an(i)=a(i)/ma是歸一化瞬時幅度,ma是瞬時幅度的均值。

該參數用于區(qū)分2FSK、4FSK等幅度保持不變的信號與ASK、PSK等幅度調制的信號。

(8)強信號段零中心歸一化瞬時頻率絕對值的標準差

具體計算公式為

式中:C是在{fN(i)}中對應的歸一化幅度an(i)＞at的樣本數;fN(i)=fm(i)/rs,rs表示數字信號的符號速率,fm(i)=f(i)-mf,f(i)表示瞬時頻率,mf=表示瞬時頻率的均值。

該參數用于區(qū)分2FSK與4FSK干擾信號。

(9)高階累積量

這里采用文獻[10]中的高階累積量對MPSK信號進行識別。

(10)零中心歸一化瞬時幅度絕對值的標準差

具體計算公式為

該參數用于區(qū)分2ASK與4ASK干擾信號。

2 干擾識別的流程

2.1 干擾識別的基本流程

航天測控干擾的決策樹識別方法由三部分組成,分別是信號預處理、特征因子選取和決策樹設計,其結構示意圖如圖1所示。

圖1 航天測控干擾的決策樹識別方法示意圖

信號預處理的作用是預先準備好后續(xù)部分所需要的數據,主要對信號進行存在性檢測、盲源分離、下變頻處理、關鍵參數估計等。

特征因子選取是通過多方面分析信號時域或變換域信息而進行的特征因子選取操作,這些具有表征信號特點的特征因子是算法的核心內容,特征區(qū)分度明顯與否直接決定干擾識別效果。

決策樹設計的作用是建立合適的識別規(guī)則,確定待識別信號集的調制類型。決策樹分類器的樹形結構一目了然,靈活性較強,易于擴展。

2.2 決策樹設計流程

在對干擾信號整理后,首先,判定干擾的類型,區(qū)分干擾屬于脈沖、單音、梳狀、窄帶、寬帶等類型;然后,再判定其調制方式,區(qū)分干擾屬于ASK、PSK、FSK等方式?；跊Q策樹的干擾識別原理框圖如圖2所示。

圖2 決策樹設計流程圖

干擾信號的具體識別流程如下:

Step 1計算干擾信號的時域峰平比Rpm,并與門限ThRpm比較,當Rpm≤ThRpm時,判決為脈沖干擾,記為類別集A;反之,則記為類別集B。

Step 2計算類別集B中干擾的歸一化頻譜的3 dB帶寬Buw,并與門限ThBuw比較,若Buw＜ThBuw時,判決為窄帶干擾,記為類別集C;反之,則為寬帶干擾,并記為類別集D。

Step 3計算類別集C中干擾的歸一化頻譜峰度系數KS,并與門限ThKS相比較,當KS≥ThKS時,判決為單音干擾;反之,則為非單音的窄帶干擾。

Step4計算類別集D中干擾信號的歸一化頻譜平坦度δpns,并與門限Thδpns相比較,當δpns≥Thδpns時,判決為梳狀干擾;反之,則為非梳狀的寬帶干擾,并記為類別集E。

Step5計算類別集E中干擾信號的分數階傅里葉域能量聚集度Rfr,并與門限ThRfr相比較,當Rfr≥ThRfr時,判決為LFM干擾;反之,則為非LFM的寬帶干擾,并記為類別集F。

Step6計算類別集F中干擾信號的時域矩峰度系數Kurt,并與門限ThKurt相比較,當Kurt＜ThKurt時,則為噪聲干擾;反之,則為其他調制干擾,并記為類別集G。

在上述識別的基礎上,繼續(xù)對干擾信號進行調制方式分類。

Step7計算類別集G中干擾信號的零中心歸一化瞬時幅度譜密度的最大值γmax,并與門限Thγmax相比較,若γmax＜Thγmax,判決為FSK類干擾,并記為類別集H;反之,則為非FSK類干擾,主要包含ASK、PSK,并記為類別集I。

Step 8若為FSK類干擾,計算類別集H中干擾的強信號段零中心歸一化瞬時頻率絕對值的標準差σaf,并與門限Thσaf相比較,若σaf＞Thσaf,則為4FSK類干擾;反之,則為2FSK類干擾。

Step9在非FSK類干擾類別集I中,計算高階累積量特征因子F,若F=4則為BPSK類干擾,F=2則為QPSK類干擾,F=0則為8PSK類干擾;反之,則為其他干擾,并記為類別集J。

Step 10計算在類別集J中干擾的零中心歸一化瞬時幅度絕對值的標準差σaa,并與門限Thσaa相比較,若σaa＞Thσaa,則為4ASK類干擾;反之,則為2ASK類干擾。

至此,利用樹狀結構,通過層層分解、反復比較,即可識別干擾。

3 仿真與分析

由上述干擾識別機理與流程可知,本文的干擾識別方法僅針對單一類型干擾進行識別,因此,針對不同類型的干擾信號需分別分析本文方法在不同干信比條件下的識別概率。設置干信比范圍為-10～25 dB,在單一干擾類型信號條件下,分別建立Eb/N0=0 dB時典型脈沖干擾(PI)、單頻窄帶干擾(CWI)、窄帶BPSK干擾、寬帶BPSK干擾、寬帶梳狀干擾(CSI)、線性調頻干擾(LFM)、寬帶噪聲干擾等干擾模型,利用本文所提方法對不同類型干擾信號進行識別。由于產生的干擾信號中帶有噪聲,所以每個類型干擾信號的識別結果為100次仿真實驗取平均。不同類型干擾信號識別的仿真結果如圖3所示。

圖3 不同干信比時干擾識別概率

從圖3的仿真結果可以看出,干擾信號識別的概率隨著干信比增大而提高,在干信比為0 dB以上時,各類干擾信號均可實現90%以上的識別概率。

對于調制類干擾信號,分別建立ASK、FSK、PSK信號模型,設置Eb/N0=-5～25 dB,在單一干擾類型信號條件下分別對不同信噪比下的各類調制類干擾進行識別仿真,其中每個類型干擾信號的識別結果為100次仿真實驗取平均。仿真結果如圖4所示。

圖4 不同信噪比時調制類干擾識別概率

從圖4的仿真結果可以看出,在Eb/N0＞0 dB時,FSK類干擾識別概率大部分在90%以上;而當Eb/N0＞5 dB時,各類調制信號成功識別的概率則可高達95%以上。

此外,圖3和圖4的仿真實驗結果同時也表明了實驗中特征因子及門限值選取的合理性。干擾識別的關鍵在于比較判決,也就是決策樹內部的時域峰平比門限ThRpm、歸一化頻譜的3 dB帶寬門限ThBuw、歸一化頻譜峰度系數門限ThKS、歸一化頻譜平坦度門限Thδpns、分數階傅里葉域能量聚集度門限ThRfr、時域矩峰度系數門限ThKurt、零中心歸一化瞬時幅度譜密度的最大值門限Thγmax、強信號段零中心歸一化瞬時頻率絕對值的標準差門限Thσaf、高階累積量、零中心歸一化瞬時幅度絕對值的標準差門限Thσaa等各種門限的選取。不同的特征因子有不同的門限,有時特征因子的門限還會因為其在流程中的位置的不同而不同,甚至會根據不同的電磁環(huán)境、不同的頻率而設置不同的門限,因此,門限的選取一般依據實際情況或經驗而定。針對不同的干擾信號,已有許多研究成果可供借鑒,且有不少學者仍在研究。隨著后續(xù)研究的深入,針對不同的信號干擾,各類門限的設置將會更加科學、更加合理。

4 結 論

本文針對航天測控鏈路受到的干擾信號類型及調制方式,通過選取不同干擾信號在時域、頻域或變換域的典型特征因子,應用決策樹的分類方法,在無需獲取干擾先驗信息的情況下,設計了一種航天測控干擾信號識別方法。通過仿真驗證,該方法能夠有效識別航天測控鏈路面臨的十余種不同類型及調制方式的干擾信號,具有工程實踐性。應用決策樹的干擾信號識別方法的準確性取決于各節(jié)點的門限選取,這些門限需根據新的干擾信號進行不斷訓練和更新。