宽带DRFM有源欺骗干扰识别

文/钱剑勋 卢云龙 同伟

1 引言

有源欺骗干扰会严重降低雷达对目标的检测性能。而基于数字射频存储器（DRFM）的距离波门欺骗（RGS）干扰和速度波门欺骗（VGS）干扰与雷达发射信号具有很强的相干性，干扰波形在相干雷达中可以获得相当大的增益，使得雷达难以区分目标和干扰。

近年来针对DRFM欺骗干扰信号的研究主要有：文献[1][2]分析了基于DRFM的RGS干扰的频谱，详细推导了DRFM时延量化特性对干扰信号带来的频域细微变化特征。在此基础上，文献[3][4]分析了DRFM时延函数和相位联合量化对RGS干扰信号的影响，并得出相对于相位量化，时延函数量化对信号的影响可以忽略。另外，文献[5][6][7]分别研究了在高阶谱域、极化域等方面提取干扰信号的细微差异特征。

以上文献中分析干扰信号特征都是基于单频脉冲雷达信号，并且在分析DRFM量化特征时也是基于简单的RGS干扰模型。由于具有大时宽带宽积的脉冲压缩信号可以保证雷达具有良好的检测性和较高的距离、速度分辨率，现代雷达广泛采用的脉内频率调制信号，如线性调频（LFM）信号。具有距离-速度联合欺骗能力的RGS-VGS干扰，不仅能干扰同时具有距离-速度信息检测、跟踪能力的雷达，还能有效干扰只有测速或测距能力功能的雷达。本文提出了基于宽带LFM信号的RGSVGS量化干扰数学模型。基于此宽带干扰模型，分析了其经DRFM量化后的频谱特性，并提取出有效稳健的干扰信号误差角（JSEA）作为识别特征。同时考虑干扰机存在时延以及波门内同时存在目标回波和干扰的情况，建立相应的假设模型。仿真结果表明，在低量化位数条件下，系统有较好的识别性能。

图1：回波中只有干扰，没有转发时延

2 宽带干扰模型

2.1 距离-速度同步拖引干扰模型

令宽带线性调频信号为：

其中 为调频率，且 ，B为调频信号带宽，τ为信号时宽。

DRFM的输入信号可以表示为：

式中fc=f0+fd，f0为雷达工作频率，fd是目标的多普勒频率。

令RGS-VGS干扰信号的距离拖引时延函数 为理想线性函数，为拖引率。fj为速度欺骗对应的多普勒频率。为了真实模拟目标运动状态，c(t)与fj需满足一定的逻辑关系。设同步欺骗干扰速度为vj，时延函数对应的距离为R，λ为雷达工作波长，C为光速，则由：

这里假设vj为远离雷达的径向速度，则DRFM的输出RGS-VGS干扰信号可以表示为：

2.2 RGS-VGS量化模型

根据文献[1]的结论，对于单频脉冲信号，在分析其相位量化时，时延函数离散化的影响是可以忽略的。对于宽带雷达信号，时延函数量化导致的几百赫兹间隔的谐波谱，会被宽带信号的谱宽覆盖掉，因此时延函数量化对频谱的影响也可以忽略，则RGS-VGS经DRFM相位量化后的输出可表示为：

其中N=2M，M为量化位数。

令：

则

3 干扰识别

要对抗欺骗干扰信号的前提是雷达能够正确识别干扰信号。文献[8]中假设检测模型为：

本文中假设检测模型为：

图2：回波中有目标信号和干扰，没有转发时延

图3：回波中有目标信号和干扰，25ns转发时延

其中s为目标回波信号，sj为RGS-VGS干扰信号。本文以JSEA为特征，采用神经网络分类器对H1，H2进行识别分类。

神经网络是经过训练可以有效地提取感知模式的特征，并能解决现有启发式模式识别系统不能很好解决的问题，是一种具有学习能力的分类识别算法。而BP神经网络是其中一种用于解决非线性问题的多层神经网络。BP网络的学习过程包括两个阶段，首先通过设置网络结构和前一次迭代的权值和门限值，从网络的第一层向后计算各神经元的输出，其次是根据各权限值和门限值对总误差的影响，从最后一层向前修改各权值和门限值。将JSEA作为分类器的输入特征，Hi,i=1,2作为网络的输出类型。

4 仿真实验

仿真实验如下：根据目前典型欺骗干扰机结构，可设DRFM量化位数M=2,3,4，DRFM中频FI=10MHz，采样频率Fs=1.024/2GHz，目标多普勒频率fd=4KHz。噪声n(t)是服从分布的零均值复高斯白噪声。雷达发射信号为线性调频信号，带宽B=10MHz，脉宽τ=1us，拖引率α=1us。定义信噪比为干噪比为j(t)为干扰信号。实验中设SNR=JNR。根据式（9）的模型，不考虑高斯噪声中的信号检测问题，即只对H1，H2两种假设进行识别。

令假设Hi概率 ，以下为仿真结果。SNR在-10dB到25dB范围内，每个SNR下做200次Monte Carlo实验得到基于神经网络的正确识别率。图1与图2给出的分别是回波中只有干扰信号和回波中同时存在目标信号和干扰信号的两种情况下的检测曲线。从图1中可以看出，随着量化位数的增加，系统的识别性能在明显下降。

当M=2时，要达到90%的识别概率，SNR在0dB左右。而当M=4时，要达到同样的识别率，SNR需增大到15dB左右。因此，在DRFM量化位数较低时，基于JESA的识别算法有较好的效果。24中没有考虑干扰机转发时延，从图中可以看出在回波中同时存在目标信号和干扰信号时，检测性能会相对下降。图3为考虑了25ns干扰机转发时延的性能曲线，在DRFM量化位数较大时，其识别性能改善明显。

5 结论

本文以宽带LFM信号为干扰模型，推导了RGS-VGS干扰信号的频谱。分析表明，DRFM量化特性导致干扰信号出现假谱，并且假谱的谱宽变大，调频率增加。利用干扰频谱的变化，提取出具有较强分类能力的JSEA作为分类的特征参数。仿真实验表明，在较低的DRFM量化位数条件下，对于宽带有源欺骗干扰，该方法在较低的SNR时仍有较好的检测性能。同时可以看出，干扰机的转发时延对检测性能有很大的影响。随着拖引距离的增加，欺骗干扰的拖引时间也在增加，因此，下一步工作可以深入研究干扰信号的脉间特性对该算法检测性能的影响。