基于数据处理的抗密集假目标干扰处理方法研究

陈 硕，陈 凌，赵玉丽

(南京莱斯电子设备有限公司，江苏 南京 210001)

对相参雷达的电子干扰及反干扰处理一直是电子对抗领域的重要课题。目前，随着电子技术的迅速发展，电子干扰机能够在相当短的时间内截获、分析和识别雷达发射信号。数字射频存储器(Digital Radio Frequency Memory, DRFM)的发明和应用使干扰的产生更加灵活，种类更加丰富，已成为雷达严重的威胁。具有DRFM的干扰机能够截获和转发雷达发射信号，产生与目标回波高度相似的假目标干扰。这些假目标能够通过脉冲压缩、相参积累获得部分处理增益，从而对相参雷达进行有效的干扰[1-4]。

对此，国内外研究学者提出了多种抗干扰方法，但大部分针对密集假目标的研究都集中在信号处理层面，在后端相应处理手段较少。本文基于数据处理层面，提出了一种抗密集假目标处理的方法，该方法能够在部分回波信号中含有较强密集假干扰的情况下有效地进行真实目标的起始和跟踪。

1 雷达信号与干扰模型

1.1 回波信号模型

线性调频信号是一种广泛应用的大时宽带宽信号，假设雷达发射信号为线性调频(LFM)信号，在一个相参处理间隔内发射N个脉冲，则第n个脉冲发射信号的表达式为：

(1)

假设观测场景内存在一个与雷达的距离为R0、径向速度为v0的点目标，则第n个脉冲的回波信号为：

(2)

1.2 干扰信号模型

密集假目标欺骗式干扰的基本原理是，干扰机在一定时间内对雷达信号进行采样和存储转发，形成多个不同距离的假目标。在雷达接收端，这些假目标可能散布于整个距离维上，而且假目标能量远大于目标回波。一旦假目标进入接收机波门内，将影响目标的检测及后续的跟踪处理。设假目标数量为M个，产生的多假目标干扰可以表示为：

(3)

式中，am、τm分别为第m个假目标的幅值和回波时延。则接收机接收到的第n个脉冲回波信号为：

S1(t,n)=sr(t,n)+sJ(t,n)+s1(t,n)

(4)

式中，s1(t,n)为回波信号中的噪声。

1.3 干扰特征

通过上述密集假目标产生的机制[5-6]可以看出，密集假目标的分布在空间及回波特征中均存在一定规律，通过对数据的挖掘可以对密集假目标进行有效区分和抑制。密集假目标的显示效果图如图1所示。

2 综合干扰处理

本文提出的方法通过提前对干扰态势进行判别和感知，对点迹是否为密集假干扰产生的数据进行判别，并通过分析其分布特性和回波特征信息，在跟踪阶段，采用基于候选航迹径向速度的航迹起始抑制技术进行处理，在跟踪阶段，综合采用位置信息、点迹标注信息及特征信息进行多周期的航迹评判，流程图如图2所示。

2.1 干扰态势判别

将雷达探测范围按照一定的策略划分为若干方位量化单元[7]，根据雷达的工作模式和系统参数，通过参数化设置，设定雷达探测分区图方位单元个数为N_θ，在方位上对探测区域进行等分，计算雷达探测分区图方位分辨单元Res_θ度，并将等分后的区域进行编号，方便索引。

对探测区域进行点迹数据统计后，根据不同区域的点迹分布情况，设定判定阈值为Nthreshold，大于此阈值的方位单元设为密集假目标区域，并进行后续处理。

(5)

密集假目标进行初步区域识别后，后续还需要进行二次点迹标注，为后续的航迹起始及航机跟踪提供更多信息。

目标回波波形携带了与目标密切相关的信息，而这种目标特征信息很难直观地表示出目标与特征的对应关系，但密集假目标之间的等间隔排序及方位宽度、距离宽度及幅度之间的趋同性较为明显，可以通过对目标点迹所携带的多目标间距离差、方位宽度、距离宽度及幅度等多特征进行基于DBSCAN算法的聚类，初步排除正常目标后，重新计算距离差，再通过二次的距离差等差数列筛查，对密集假目标区域进行点迹标注。

因为DBSCAN算法使用簇的基于密度的定义，因此它是相对抗噪声的，并且能够处理任意形状和大小的簇。这样，DBSCAN可以发现使用K均值等算法不能发现的许多簇。

DBSCAN算法是基于密度的聚类算法，它将类看作是数据空间中被低密度区域分割开的高密度对象区域。在该算法中，发现一个聚类的过程是基于这样的事实：一个聚类能够被其中的任意一个核心对象所确定。其基本思想是：考察数据库D中的某一个点P，若P是核心点，则通过区域查询得到该点的邻域，邻域中的点和P同属于一个类，这些点将作为下一轮的考察对象，并通过不断地对种子点进行区域查询来扩展它们所在的类，直至找到一个完整的类。

DBSCAN算法可以非正式地描述如下：任意两个足够靠近(相互之间的距离在Eps之内)的核心点将放在同一个簇中。同样，任何与核心点足够靠近的边界点也将放到与核心点相同的簇中(如果一个边界点靠近不同簇的核心点，则可能需要解决平局问题)。DBSCAN算法描述如下：1)将所有点标记为核心点、边界点或噪声点；2)删除噪声点；3)为距离在Eps之内的所有核心点之间赋予一条边；4)每组连通的核心点形成一个簇；5)将每个边界点指派到一个与之关联的核心点的簇中。

2.2 干扰航迹起始抑制

航迹起始由暂时航迹形成、航迹初始化和航迹确认构成[8]，当获得新的观测数据时，由跟踪门判定点迹-航迹配对关系，无法获得配对关系的点迹形成暂时航迹，然而，在密集杂波/目标中通过门限生成的航迹不计其数，为满足计算机内存限制进而实时性的要求，必须采取安全性判决，本文采用基于候选航迹径向速度的航迹起始抑制技术，减小后端处理压力。

采用对径向速度建立直方图，最终通过峰值搜索的方式，找到待起始的候选航迹，对其进行目标航迹起始的抑制。

2.3 干扰航迹跟踪抑制

在航迹跟踪阶段，通过对航迹位置、特征信息及点迹标注信息的综合航迹评分策略[9]，维持对正常目标的监视跟踪，减小对虚假点迹的跟踪概率。

对所有航迹分支采用贝叶斯概率航迹跟踪算法的进行航迹评分，航迹得分由递归累积产生。每一个航迹的得分等于它的上一次的值加上一个得分增量Δlk，即：

lk=lk-1+α1Δlk+α2β

(6)

式中，Δlk为似然概率值；β为特征得分值；α1为目标状态权重因子；α1为目标特征权重因子。

(7)

d=[Zk-h(Xk|k-1)]TS-1[Zk-h(Xk|k-1)]

(8)

式中，Zk为目标测量值；Xk|k-1为目标预测位置；S为残差协方差矩阵；Pd为目标的探测概率(被传感器观测到且其量测落入相关门的概率)；βf为虚警的空间密度；Pf为虚警概率；M为量测的维数。且航迹初始得分为l1=ln[(1-βf)/βf]。

β=wRβR+wcβc+wfβf

(9)

式中，wR、wc、wf为对应特征因子的加权因子，wR为位置信息加权因子，wc为密集假点迹标注加权因子，wf为特征信息的加权因子，根据不同杂波和区域位置选取不同的加权值。如对于探测虚警率低的区域，位置信息加权因子可以进行相应提高，提供对于杂波区域，由于分布范围广且比较均匀，因此，特征信息的加权因子可以取的大一些；密集假目标区域存在假目标的概率高于其他区域，因此点迹标注加权因子可以进行提高；如果雷达前端信号处理可以提供更多特征值，则目标特征得分计算可以引入更多特征因子。对上述3种特征因子进行标准化和归一化处理[10]，为方便起见，这里仍用原来的符号表示。

通过航迹得分，可以进行航迹分支的删除和确认，若lk≤TL，则删除航迹分支子航迹；若lk≥TL，等待更多的数据进行航迹分支的判定，最终航迹跟踪选择航迹自分支得分最高项进行航迹更新，其中TL定义为航迹子分支删除阈值。这样很多得分低的航迹在此过程中被删除，大大减少了后面航迹分支判定的数量[11]。

3 结果与分析

下述通过实测的外场对抗试验数据处理结果，验证本文算法的有效性。该试验中我方雷达受到密集假目标干扰，探测空中目标，在未采用抗密集假目标处理时显示界面会存在大量虚假目标，真实目标跟踪不连续，而采用了基于数据处理的抗密集假目标干扰处理方法后，处理效果如图3所示，无虚假目标，真实目标跟踪稳定连续。

4 结语

随着现代电子技术的不断发展，电子对抗领域的干扰与反干扰手段也在不断进步，被广泛地应用到雷达系统中。本文提出了一种数据处理方面的抗密集假目标干扰算法，该方法通过对探测区域和回波点迹的综合判断，并进行峰值提取完成对假目标的起始与跟踪的抑制，最终达到对假目标的综合判定。实测数据分析验证了本文方法的有效性，本文提出的方法可以对密集假目标干扰提供有效的处理手段。