捷变频雷达抑制间歇采样转发干扰技术研究

陈 峰，张旭威

(中国船舶集团有限公司第八研究院，江苏 扬州 225101)

0 引 言

在日益复杂的电磁环境下，数字射频存储器(DRFM)技术的快速发展，使得雷达所面临的干扰更加灵活多样。相较于常用的欺骗、压制样式的干扰方式，采用基于DRFM技术的间歇采样转发干扰(ISRJ)能够对雷达回波数据进行低速率的间歇采样转发，通过匹配滤波的方式产生有效的多假目标干扰，实现一种“存储-转发-存储”干扰模式，从而对雷达进行干扰。间歇采样转发干扰具有采样速率相对较低、采样转发所需间隔较短、干扰机响应的速度相对较快的优点。文献[4]中提出采用对干扰机分时的样式对雷达信号进行间歇采样，推导出间歇采样的数学原理。文献[5]介绍了重复转发的干扰样式的原理。文献[6]提出了用间歇采标非均匀重复转发干扰(IS-NPR)方法实现对多假目标的抑制。文献[7]根据采样转发信号在时域上不连续的特性，构建带通滤波器滤除干扰。文献[8]提出针对点目标，雷达通过去斜处理的方式获取高分辨率距离像(HRRP)。文献[9]通过对比目标与干扰信号的差异性，设计频移滤波器对假目标进行抑制处理。

针对采样转发式干扰产生假目标对捷变频雷达探测性能的影响，采用基于长短记忆(LSTM)神经网络的方法，对加入不同干扰的雷达接收回波数据进行信号特征的提取，以便于更加精确地得到干扰类别识别模型。回波数据结合LSTM网络，先对短时傅里叶变换得到的时频特征图进行了分类模型的建立与训练，将测试集输入训练好的网络中，获取目标与干扰对应标签，将干扰部分标签替换后实现抑制，抑制后产生的稀疏信号在结合压缩感知算法对捷变频雷达目标回波实现重构，以实现捷变频雷达的抗干扰性能。

1 LSTM原理

循环卷积网(RNN)是一个并行的网络系统，其特点是神经元在某一刻的输出数据能够当作输入数据重新流向神经元，所以RNN网络系统在处理不定长序列数据中也有着很普遍的使用。

LSTM网络作为RNN的一种改进，其核心思想是通过增加门的概念以更精确地控制RNN单元。与LSTM尤为相关的门有“输入”、“输出”、“遗忘”。

该算法能够预测时间序列中的间隔和延迟相对较长的情景，具有高分布处理能力，较准确的分类能力以及对复杂非线性关系充分逼近的优点。

根据其优点，采用LSTM网络系统对加入干扰的雷达接收回波信号进行特征提取，从而更加精确地得到干扰类别识别模型，实现对干扰信号的分选。

2 信号模型

2.1 捷变频雷达信号模型

假设雷达发射一串脉冲的初始载频为，发射信号的第次脉冲载频为=+。相参处理时间间隔内的脉冲个数为，捷变频带宽为，捷变载频码为随机整数，其取值范围为0～-1。假设雷达的发射脉冲都是单载频信号，第次脉冲的表示为：

(1)

式中:为脉冲重复周期；为单个脉冲持续时间；()为基带波形。

假设目标在雷达探测方向上做相向运动，目标的速度为，初始时刻目标回波时间之间的关系式为：

(2)

通过发射波形表达式确定出第次发射波形的回波，信号模型为：

(3)

2.2 间歇采样转发干扰模型

将间歇采样脉冲假设为理想矩形脉冲串，其脉冲宽度为,重复间隔为,记为()：

(4)

利用 Fourier 变换关系可得()的频谱为：

(5)

间歇采样转发干扰有直接转发、重复转发与逐次循环转发3种模式，图1给出直接转发与重复转发的工作示意图。

图1 采样转发工作模式示意图

干扰机捕获到雷达信号后，对数据进行间歇采样处理，由式(1)捷变频雷达信号()得到采样信号为：

()=()()

(6)

用傅里叶级数展开间歇采样信号()可得：

(7)

干扰回波信号：

(8)

式中:=sa(π) 。

干扰信号在通过匹配滤波器后的输出信号可以分解为：

(9)

3 基于LSTM的干扰抑制方法

基于LSTM神经网路的干扰抑制方法具体流程如下：

(1) 对雷达接收信号依次进行脉冲压缩和短时傅里叶变换，得到对应的时频特征(,)，短时傅里叶变化公式如下：

(10)

式中：()为脉冲压缩后的脉压信号；(-)为窗函数；e-j为蝶形因子。

(2) 重复(1)操作，共得到2 000组时频特征样本，从样本中随机选择80%作为训练数据集，20%作为测试数据集。

(3) 对每个训练数据集和所需测试数据集进行归一化预处理，通过预处理后得到训练数据集以及测试数据集，归一化公式如下：

(11)

(4) 搭建1个基于LSTM的自上而下由输入层、双向循环卷积层和全连接层构成的分类网络，并利用训练数据集对其训练，得到训练后的分类网络。

(5) 将测试数据集导入到已训练好的分类网络中，获得测试数据集的标签，该标签包括目标、干扰和噪声。

(6) 将测试数据合集标签中干扰所对应的位置用随机数替换，同时对替换后的测试数据合集采用逆短时傅里叶变换的处理，以获取干扰抑制后的数据。逆傅里叶变换的公式如下：

(12)

4 压缩感知算法稀疏重构

在上述算法对干扰进行抑制后，单个距离单元内的目标信息较少，因此认为信号具备稀疏特性，则可以通过压缩感知算法对目标信号进行场景重构。采用对速度维和距离维信息进行离散化处理的方法。假设将距离维方向分割为个，速度维方向分割为个，可以得到1个×的高分辨距离联合速度维的二维目标的场景。划分成速度-距离的二维离散平面网格后，与目标参数相关的二维离散矩阵为：

(13)

将转变为一维向量，得到∈×：

=[(,),…,(-1,),…,

(,-1),…,(-1,-1)]

(14)

雷达观测方程可以改写成：

=+

(15)

min‖‖,s.t.=

(16)

通过重构算法，进而得到目标距离-速度维度的信息。

5 仿真实验与分析

5.1 仿真实验1

对上文提到的间歇采样干扰信号进行仿真。设置参数载频100 MHz，带宽20 MHz，脉冲重频1 ms，采样频率400 MHz，目标初始距离12 km，速度50 m/s，干信比15 dB。

对于采样转发干扰来说，其无论是从时域还是脉压结果来看，与真实目标信号过于相近，同时在强干扰下，干扰与目标更加相似，导致干扰抑制无法进行。图2给出采样转发与回波时域图，图3给出了对采样转发干扰的脉压处理结果。

图2 采样转发干扰与回波时域图

图3 干扰脉压处理

对脉压结果进行短时傅里叶变化，可以得到相应的时频特征图，如图4所示。

图4 时域特征图

由于目标、间歇采样直接转发干扰和重复转发干扰在图中都呈现出了不同的特征，而间歇采样直接转发干扰一共采样了4次，因此在图中间断4个亮斑的位置即为间歇采样直接转发干扰对应的位置，而间歇采样重复转发干扰重复了2次，因此在图中间断2个亮斑的位置即为间歇采样重复转发干扰。

5.2 仿真实验2

为了检验LSTM网络的分类能力，本实验分别独立产生1 000组时频图作为样本，其中80%作为训练样本，20%作为测试样本，将时频图中的频率维作为信号的多维特征输入到构建的LSTM网络中训练网络。在由网格训练得到分类网络后，将样本输入网络获取分类标签，将干扰部分用最小值替换，实现对干扰的抑制，同时，进行逆短时傅里叶变换得到干扰抑制后的脉压信号。

由图5可知，在抑制后的脉压结果中，不管是间歇采样直接转发干扰还是间歇重复转发干扰都可以抑制掉，后续经恒警率(CFAR)处理，即可获得目标信息，因此，基于LSTM分类网络的干扰抑制方法具有效果。

图5 干扰抑制

5.3 仿真实验3

对仿真参数进行设置：发射功率为60 kW，天线的增益30 dB，脉宽为20 μs，中心频率10 GHz，接收机带宽10 MHz，干扰功率100 kW，采样宽度1 μs，RCS为5 000 m。

仿真处理结果如图6所示。

图6 干扰后目标回波时域图

上述仿真处理结果中，图6给出的信号是经由干扰机转发干扰后，导引雷达接收到的目标回波。图7为中捷变频雷达直接对干扰进行处理后的脉冲压缩。图7是采用本文方法，对干扰抑制并采用压缩感知算法进行重构后的处理结果。通过对比图7与图8的仿真结果，仅采用捷变频雷达抗干扰并不能很好地区分目标与回波，通过本文方法对干扰抑制后再进行信号重构，能够有效提升雷达抗干扰性能。

图7 捷变频雷达处理采样转发干扰脉冲压缩处理

图8 采用本文方法处理采样转发干扰

6 结束语

本文针对基于DRFM的间歇采样转发干扰，根据其“存储-转发-存储”的特点，提出捷变频雷达采用压缩感知重构对抗间歇采样转发干扰的方法。雷达接收到带有干扰的信号后，通过抑制区分出目标回波，再结合压缩感知算法对目标回波进行距离-速度的重构。由仿真实验结果可知本文方法有效。