【摘要】：隨著雷達干擾技術(shù)的不斷發(fā)展,特別是數(shù)字射頻存儲(DRFM)技術(shù)的出現(xiàn),使得干擾機能在短時間內(nèi)截獲雷達信號,調(diào)制并轉(zhuǎn)發(fā)與之高度相干的干擾信號,嚴重威脅雷達的正常工作。研究雷達干擾識別算法是對抗雷達有源干擾的重要前提,目前對雷達干擾識別算法的研究尚處于起步階段,具有深遠的研究意義。本文結(jié)合DRFM干擾機的結(jié)構(gòu),研究了DRFM有源欺騙干擾識別算法,主要研究工作包含如下幾個方面:1.研究了基于DRFM技術(shù)的有源欺騙干擾原理及特性。首先闡述了DRFM干擾機模型,并分別以DRFM干擾機的模數(shù)轉(zhuǎn)換器(ADC)和數(shù)模轉(zhuǎn)換器(DAC)為例,研究了干擾信號的諧波失真特性;其次針對脈沖體制雷達的測距原理,以距離假目標干擾為例仿真分析了距離維欺騙干擾原理;最后針對脈沖多普勒(PD)雷達的測速原理,以移頻轉(zhuǎn)發(fā)干擾為例仿真分析了速度維欺騙干擾原理。2.針對干擾機數(shù)控移相器的諧波特性,提出了一種基于奇異譜分析(SSA)的DRFM速度欺騙干擾識別算法。首先研究了DRFM干擾機數(shù)控移相器的工作模型,并仿真分析了其在多普勒域上的諧波寄生特性。其次提出了基于SSA的DRFM速度欺騙干擾識別算法。該算法首先利用SSA分解信號在同一距離單元上的多普勒頻譜,獲取其奇異值序列;然后提取奇異值序列統(tǒng)計直方圖的方差、峰度、偏度、能量以及熵特征構(gòu)建特征向量;最后利用支持向量機(SVM)作為分類器實現(xiàn)對雷達目標與DRFM速度欺騙干擾信號的識別。該算法不再依賴現(xiàn)有ADC相位量化的諧波模型,且在較低干信比下能有效識別出干擾信號,仿真驗證了該算法的有效性。3.針對基于模擬移頻方式的DRFM干擾機所產(chǎn)生的延時疊加干擾的多普勒頻率特性,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的延時疊加干擾識別算法。首先闡述了延時疊加干擾的信號模型,并仿真分析了其與真實多目標在雷達PD處理后的距離-多普勒圖像上的差異;其次研究了CNN的主要結(jié)構(gòu),并根據(jù)識別任務構(gòu)建了本算法的CNN結(jié)構(gòu);隨后研究了CNN的訓練算法原理和推導公式;最后提出了基于CNN的延時疊加干擾識別算法。該算法首先對接收信號的距離-多普勒圖像做預處理,然后將預處理之后的樣本送入構(gòu)建的CNN中進行訓練,最后利用訓練好的網(wǎng)絡(luò)對測試樣本進行測試,得到算法的干擾識別率。該算法將深度學習理論引入干擾識別領(lǐng)域,且在較低信噪比下能有效識別出干擾信號,仿真驗證了該算法的有效性。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN974
【圖文】：

西安電子科技大學碩士學位論文（4）多層感知機核函數(shù)( , ) tanh( ( ) )i iK x x v x x c(3-29)此時得到的 SVM 是一個兩層神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)由多層感知機組成，且網(wǎng)絡(luò)權(quán)值與隱層節(jié)點數(shù)均由算法自動確定。本章采用徑向基核函數(shù)進行 SVM 的非線性分類。圖 3.14 為針對兩類普通樣本利用徑向基函數(shù)構(gòu)造的 SVM 分類器的分類效果。由圖 3.14 可以看出，不同的 RBF 核寬會影響 SVM 的訓練效果，實驗中應該選取合適的 RBF 核寬，在保證正確識別率的前提下，同時防止過擬合。

圖4.4 延時疊加干擾的 PD 處理結(jié)果(a) 真實多目標 PD 處理三維圖 (b) 真實多目標距離-多普勒圖圖4.5 真實多目標的 PD 處理結(jié)果4.3 基于 CNN 的干擾識別算法當雷達受到基于模擬移頻的 DRFM 干擾機所產(chǎn)生的延時疊加干擾時，由于其多假目標特性，使得雷達系統(tǒng)中產(chǎn)生大量過門限信號。此時無法單純通過過門限信號的數(shù)量來判斷是否受到干擾，因為多個真實目標的雷達回波同樣會造成雷達檢測系統(tǒng)出現(xiàn)類似情況。由 4.2.2 節(jié)的分析可知，延時疊加干擾產(chǎn)生的多個假目標與多個真實目標回波在 PD 處理后的距離-多普勒圖上存在差異，可以作為干擾識別算法的特征。近年來，隨著深度學習理論的不斷發(fā)展，越來越多領(lǐng)域開始利用深度學習理論實現(xiàn)智能識別等功能，CNN 作為一種經(jīng)典的深度學習算法目前已取得廣泛的應用。特別是在圖像識別領(lǐng)域

(a)真實目標 1 (b)真實目標 2 (c)真實目標 3(d)干擾信號 1 (e)干擾信號 2 (f)干擾信號 3圖4.13 兩類信號預處理后圖像根據(jù)上述方法產(chǎn)生 CNN 的圖像樣本。其中訓練集中，每種類別分別產(chǎn)生 6000個訓練樣本，一共 12000 個訓練樣本。對訓練樣本隨機添加噪聲，SNR 范圍從-10dB~5dB。針對測試集，分別產(chǎn)生 6 個測試集，分別對應 SNR 為-10dB、-7dB、-4dB、-1dB、2dB 和 5dB。每個測試集中兩類信號一共產(chǎn)生 1000 個測試樣本。實驗 4.2：網(wǎng)絡(luò)性能優(yōu)化CNN 通過多次調(diào)節(jié)網(wǎng)絡(luò)參數(shù)并對比各參數(shù)的訓練結(jié)果來優(yōu)化網(wǎng)絡(luò)性能，參數(shù)調(diào)

【相似文獻】

相關(guān)期刊論文 前10條

1 陳新年;顏振亞;鄔誠;;基于信道化分析和綜合的DRFM系統(tǒng)設(shè)計[J];信息化研究;2019年05期

2 朱澤鋒;張軍;孟凱;;基于DRFM的脈沖雷達干擾信號產(chǎn)生方法[J];兵器裝備工程學報;2016年12期

3 周超;劉泉華;曾濤;;DRFM間歇采樣轉(zhuǎn)發(fā)式干擾辨識算法研究[J];信號處理;2017年07期

4 陳敬;謝啟友;田曉波;楊tR;聶洪山;徐欣;;基于固態(tài)存儲技術(shù)的DRFM設(shè)計[J];現(xiàn)代電子技術(shù);2011年08期

5 黨立坤;王小念;羅金亮;;DRFM干擾對雷達的影響及對策研究[J];艦船電子對抗;2009年01期

6 李菊;;基于幅相量化的DRFM技術(shù)[J];上海航天;2008年05期

7 曲爾光,曲榮,楊紹全;DRFM相干性問題討論[J];運城高等�？茖W校學報;2002年03期

8 陳寧;DRFM的寄生信號譜結(jié)構(gòu)[J];電子對抗技術(shù);1998年01期

9 楊紹全;;數(shù)字射頻貯頻器綜述[J];航天電子對抗;1988年04期

10 茍仲文;陳英;陳洪珍;;200MHz數(shù)字射頻存儲器(DRFM)[J];電子對抗技術(shù);1988年06期

相關(guān)會議論文 前4條

1 肖漢波;唐高第;劉朝霞;許小文;白益林;郭放;;基于DRFM的雷達回波模擬技術(shù)[A];中國工程物理研究院科技年報（2002）[C];2002年

2 程雨婷;彭勃;魏璽章;;基于過采樣信道化接收和發(fā)射的DRFM系統(tǒng)設(shè)計[A];2017年全國微波毫米波會議論文集（下冊）[C];2017年

3 康勇;楊子杰;鐘志峰;張樹杰;;基于DRFM的高頻地波雷達回波模擬器設(shè)計[A];教育部中南地區(qū)高等學校電子電氣基礎(chǔ)課教學研究會第二十屆學術(shù)年會會議論文集（下冊）[C];2010年

4 徐利軍;王超;袁乃昌;;一種新穎的射頻仿真技術(shù)[A];2001年全國微波毫米波會議論文集[C];2001年

相關(guān)博士學位論文 前2條

1 張有濤;DRFM用GaAs超高速ADC、DAC電路設(shè)計與實現(xiàn)[D];中國科學院研究生院（上海微系統(tǒng)與信息技術(shù)研究所）;2005年

2 劉忠;基于DRFM的線性調(diào)頻脈沖壓縮雷達干擾新技術(shù)[D];國防科學技術(shù)大學;2006年

相關(guān)碩士學位論文 前10條

1 陸戈輝;寬帶射頻系統(tǒng)的低幅相失真技術(shù)和多通道幅相一致性研究[D];南京航空航天大學;2019年

2 定少滸;DRFM有源欺騙干擾識別算法研究[D];西安電子科技大學;2019年

3 何盼盼;基于波形設(shè)計的雷達抗DRFM干擾技術(shù)研究[D];西安科技大學;2019年

4 徐元;攔截彈道導彈探測制導系統(tǒng)設(shè)計[D];哈爾濱工程大學;2018年

5 趙福海;DRFM系統(tǒng)設(shè)計與實現(xiàn)[D];北京理工大學;2015年

6 彭磊磊;信道化DRFM干擾技術(shù)研究[D];西安電子科技大學;2013年

7 韓俊寧;準數(shù)字示樣的DRFM技術(shù)[D];西安電子科技大學;2006年

8 張潔;欠采樣DRFM技術(shù)研究[D];西安電子科技大學;2005年

9 王影;基于幅相量化的DRFM技術(shù)研究[D];西安電子科技大學;2005年

10 馬小晶;基于DRFM的抗干擾技術(shù)研究及其監(jiān)測系統(tǒng)設(shè)計[D];成都理工大學;2017年

本文編號：2782006