战场电磁频谱智能认知技术

张泽辉,赵玉超,刘 冲,张 越,贺 棋,凌宇轩,叶 能,杨 凯*

(1.北京理工大学 网络空间安全学院,北京 100081;2.中国电子科技集团公司第五十四研究所,河北 石家庄 050081;3.北京理工大学 信息与电子学院,北京 100081)

0 引言

空天战场是未来战场发展的趋势,军事力量竞争正在向空天领域转移,军事力量建设不断向空天方向拓展[1]。外层空间不仅已成为提供战场信息支援的媒介,而且将成为实施战略性攻击的场所。在信息化战争条件下,战场信息主要依存于电磁空间,电磁空间已经成为继陆地、海洋、天空、太空、网络之后的第六维战场[2]。电磁环境效应直接影响着武器装备战斗效能的发挥和战场的生存能力,制电磁权成为制信息权的核心[3]。能否有效地掌握电磁频谱信号的使用权与控制权、科学而合理地利用电磁频谱信息,将对战争产生巨大影响[4]。

然而伴随着战场空间不断扩展以及对抗装备信息化水平不断提高,对抗双方使用的无线电设备种类、数量迅速增加,功率增大,同时对抗区域内还存在大量的民用电磁设备以及自然界的辐射源所辐射的大量电磁能量[5],战场空间内信号多样、纵横交错、相互交织,电磁环境快速时变。为了消除电磁频谱的自扰互扰,维护己方用频秩序,解决电磁兼容问题,需要强化战场中的电磁频谱智能认知技术。

我国电磁频谱认知技术随着无线电通信业务的发展有了进一步的提升[6],但我国空天电磁频谱认知系统目前仍存在认知能力薄弱、自动化程度不足等问题。

针对空天战场电磁频谱环境快速时变、信号多样的挑战,提出了战场电磁频谱智能认知架构,并详细介绍了基于该架构的全并行瞬时大带宽信号处理、高精度多信号参数估计、复合特征调制识别和多域融合干扰识别技术。首先介绍了电磁频谱监测系统的相关研究基础,在此基础上提出了电磁频谱智能认知系统架构;然后分别介绍了全并行瞬时大带宽信号处理技术、基于动态补偿的高精度多信号参数估计技术、基于多维域特征的智能调制识别技术以及基于多域融合的干扰识别技术;最后对电磁频谱智能认知技术进行总结。

1 研究现状

随着信息化水平的快速发展,频谱资源的地位在对抗中越来越重要。目前研究的核心是实现对战场电磁频谱的持续监测,应对频谱空间的冲突与干扰,更好地促进战场电磁环境监测系统的可持续发展。

战场电磁环境监测系统需要对信号进行采集和实时性智能分析,包括信号参数估计、调制识别和干扰识别等,及时发现战场上无线通信链路中存在的问题,保障战场通信的传输质量。目前国内外频谱监测系统受限于硬件设备能力,实时分析带宽多为40～160 MHz,对于多信号或大带宽频谱分析往往采用循环扫描或分时分析的方式实现,对于短突发信号则可能因为循环扫描概率的原因造成漏检测[7]。

信号参数分析技术随着频谱监测设备的发展不断更新,例如占据重要地位的载波中心频率与带宽的盲估计技术,从传统的最大似然估计法、双线幅度法[8-9],发展出了多种频率分析技术。如基于自相关函数的载波频率估计算法,利用自相关函数对高斯白噪声良好的抑制性能,分析自相关函数特性并在此基础上构造了代价函数,通过频率搜索的方法估计载波频率[10]。针对短时平稳序列,黄玉春等人[11]设计了一种基于线性调频z变换(Chirp-z Transform)的改进Rife频率估计。此外还有李兵兵等人[12]提出的基于广义四阶循环累积量的时频重叠信号载波频率估计算法,利用广义四阶循环累积量幅度谱的循环频率与重叠信号的载波频率相对应的特性,以及循环频率处存在离散谱线的特性估计出重叠信号的载波频率。但对于战场通信信号来说,这些方法在信噪比(Signal to Noise Ratio, SNR)低的情况下精度较低,或者对于时间分辨率不足,无法捕获信号的快速变化,因此不满足信号的高精度实时分析要求,需要设计更合适的高精度参数分析技术。

调制类型的识别是信号波形识别和分类中最重要的环节之一。空间相关性是多输入多输出(Multiple-Input Multiple-Output, MIMO)系统的关键因素, Hassan等人[13]解决了空间相关MIMO系统中的盲数字调制识别问题,使用接收信号的高阶矩和累积量来验证所提出的算法,从而在没有任何先验信号信息的情况下识别不同的多进制移位键控线性调制方案。Marey等人[14]利用无线通信系统中广泛使用的比特交织编码调制方案的特性,研发正交频分复用-软件无线电(Orthogonal Frequency Division Multiplexing-Software Defined Radio,OFDM-SDR)系统实现自动调制识别。该算法的识别性能通过迭代得到显著提高,优于传统的未编码算法。在空天战场中,电磁环境复杂且收发双方具有高动态的特征,以上方案无法实现较高精度的调制识别。为了在复杂的环境中高效地开发频谱资源,需要更加高效的调制识别方法。

此外,加剧的频谱拥塞会导致众多干扰事件,干扰识别是确保战场通信系统正常运行的关键环节。Wu等人[15]使用一种低复杂度的盲干扰检测方法对时频重叠的干扰信号进行操作,可实现将干扰信号从接收信号中分离出来。分离后的干扰信号与原始干扰信号具有相同的特征,实现了良好的干扰检测性能。Qu等人[16]提出了一种新型干扰识别网络(Interference Recognition Networks, IRNet),用于识别8种类型的干扰信号,包括恶意干扰和无意干扰等。该算法通过计算干扰信号的自相关函数获得干扰信号的自相关特征,将其转换为二维特征图像,并将图像用作IRNet的输入,通过IRNet输出预测的干扰类型。但相关研究中缺少系统性的干扰检测和识别方法。

为应对大带宽电磁信号动态变化快、数量繁多、调制方式多样和干扰复杂等特点导致的电磁频谱认知难题,智能频谱认知技术将成为未来空天战场电磁环境监测的重要发展方向。

2 系统架构

传统的电磁频谱认知系统多利用频谱分析仪对信号进行监测,效率低、实时性差、不能进行频谱数据的记录和分析,数据获取繁琐。同时随着空天平台频段不断提高,传统监测设备瞬时采集带宽往往不足以覆盖人们关心的频段,当对大带宽信号进行监测时通常采用分次循环扫描的方式实现,必然存在监测盲点,难以满足快速响应的需求。同时,单通道监测设备随着信号数量增多也增加了系统成本。

图1为空天战场电磁频谱智能认知系统架构,该系统以无盲区监测、多监测对象、高精度分析为优化目标,旨在解决传统监测系统所面临的各种挑战。系统架构主要分为大带宽并行信号采集和高精度信号分析。信号经采集模块采集并存储数据,传递到信号分析模块完成空天战场信号分析。

图1 空天战场电磁频谱智能认知系统架构Fig.1 System architecture of electromagnetic spectrum intelligent cognitive for air and space battlefield

2.1 大带宽并行信号采集

大带宽并行信号采集依托电磁频谱监测设备实现,采用多通道并行监测架构的设计,具有多路全并行、1.2 GHz以上瞬时大带宽数据采集分析的优势,可应用于空天移动平台信号的监测中,确保对大带宽信号的实时监测,解决多路重点信号并行监测分析的需求,节省了多套设备投入,提高了系统工作效率。

2.2 高精度信号分析

信号高精度分析主要由信号参数估计、调制识别及干扰识别组成,围绕人工智能,实现对战场多信号高精度智能认知。

针对战场信号时变性强、动态变化大导致监测精度低的问题,提出了基于动态补偿的高精度信号参数估计技术,实现对载波频点、带宽等时频域参数精准估计;针对多类别调制方式易混淆的问题,提出多维域特征提取技术,构建基于优化反向传播(Back Propagation, BP)神经网络的分类器,实现多类别调制方式精准识别;针对复杂干扰识别率低、计算复杂的问题,提出了多域融合的干扰识别算法,实现对空天平台潜在干扰信号的全方位智能感知。

3 关键技术

3.1 全并行瞬时大带宽信号处理技术

针对大带宽多通道并行采样与监测设备小体型、高性能、低功耗的需求,提出了一个高速率并行采集处理架构,如图2所示。

图2 高速率并行采集处理架构Fig.2 High-rate parallel acquisition processing architecture

该架构由集成带宽接收模块和基带信号处理单元构成,支持多路信号进行采集处理,将模数转换器(Analog-to-Digital Converter, ADC)输出的串行数据存入缓存,利用低速时钟将数据一次性读出,从而将高速的串行数据转换成多路并行的低速数据,每个通道都能实现高采样率采集,数据进入后续的基带信号处理单元,由可编程逻辑(Programmable Logic, PL)端的数字下变频、滤波抽取模块、快速傅里叶变换(Fast Fourier Transform, FFT)模块和处理系统(Process System, PS)端的频谱拼接模块、频谱抽取模块、协议封装与解析模块分析处理。由此实现了对具有大带宽空天平台信号的全并行、多通道、瞬时高精度实时处理。

其中PL端的滤波抽取模块由于大宽带、高动态信号难以精准捕捉和识别,采用多级变速率滤波器,实现各通道分辨率动态可调,且节省了数字信号处理器(Digital Signal Processor,DSP)计算资源。在快速傅里叶变换FFT模块利用边缘实时处理实现高处理速度,显著降低了计算资源和时延消耗。多级变速率滤波器如图3所示,多级变速率滤波器负责对输入信号进行逐级滤波抽取,实现采样带宽可调。将各级滤波器的输出数据转化为并行数据,依据选通信号输出对应滤波器输出结果。

图3 多级变速率滤波器Fig.3 Multi-stage variable rate filters

在该滤波器的设计中,为了尽可能节约DSP资源,考虑了如下几个策略：① 尽可能地降低有限脉冲响应(Finite Impulse Response, FIR)滤波器阶数,并缩短通带范围;② 使抽头系数对称,从而可以对输入滤波器的信号先对称相加再做乘法;③ 调整滤波器抽头使部分抽头系数为0。应用以上策略设计的多级滤波器抽头系数少,且通过滤波器连续抽取后通带对应的FFT结果与抽取前完全一致,在保证精度的前提下节约资源,提高了系统集成度。

多级变速率滤波器突破了片上资源限制、提高了片上处理能力,显著降低了计算资源损耗。表1为该滤波器和其他滤波器的DSP资源消耗对比。

表1 传统滤波器与多级变速滤波器资源消耗对比

3.2 基于动态补偿的高精度多信号参数估计技术

空天平台信号时变性强、动态变化大,导致信号多普勒频移和功率电平大范围快速时变,对空天平台信号高精度参数分析提出了挑战。应用动态补偿修正技术对空天平台时变信号进行补偿修正,在此基础之上使用基于窗口差分的多信号参数估计技术对补偿后的多个信号进行精准的参数识别。

3.2.1 动态补偿修正技术

在自由空间,通过自由空间损耗公式可以得到信号损耗Loss空间：

Loss空间=32.4+20lg(F)+20lg(D),

(1)

式中：F为频率,单位MHz;D为距离,单位km。

电磁频谱认知系统根据天线与空天平台的距离计算链路的空间传播损耗,对功率进行补偿。

为了提高空天平台信道通信质量,针对空天平台时变性强、动态变化大的特性,必须在极短时间内对其多普勒频移做出精确估计[17]。多普勒频偏的基本表达式为：

fDoppler=fc×vr/c,

(2)

式中：fc为载波频率,c为光速,vr为两个相互移动节点间的相对运动速度(即径向速度)。

通过对信号的自由空间损耗与多普勒频移的计算分析,能够对空天平台信号进行动态补偿,补偿后的信号通过窗口差分能够精准获取信号参数。

3.2.2 基于窗口差分的多信号参数估计技术

针对空天平台信号数量多、监测系统无先验信息的问题,采用现有的信号参数估计方法如重心法、瞬时相位法等[18-19],实现复杂度较高,且需要先验信息,无法适用于多信号参数估计,因此提出了一种基于窗口差分的多信号参数估计方法,实现对多信号参数的精确盲估计。

图4为基于窗口差分与多级循环估计的参数盲估计流程。将接收的时域空天平台通信信号进行快速傅里叶变换,转换为频域信号,获得原始采集数据。对频域信号进行滑动窗口滤波,通过滤波窗口对频域信号进行序列平滑滤波,减小杂散信号对信号检测率的影响。

图4 基于差分的多信号参数估计流程Fig.4 Difference-based multi-signal parameter estimation process

窗口差分技术将滤波后的频域信号通过检测窗口进行序列检测。以窗口长度进行分段,计算得到每个窗口段内信号序列的均值;用后一段信号序列的均值与当前段信号序列均值进行差分,得到一系列差分值;根据差分值的峰值设置一组正负门限,将各差分值与设置的门限值进行比较,差分值大于正门限值则该段存在一个信号的上升沿,差分值小于负门限值则该段存在一个信号的下降沿。通过识别连续的上升沿与下降沿实现信号的检测,检测出监测频段内存在的信号窗口区间。

利用多级循环估计技术,将获得的信号取其上升沿窗口最小的采样点n1作为下限,将下降沿窗口最大的采样点n2作为上限,寻找频段范围内的功率谱密度峰值Pmax。

Pmax=max[P(n1：n2)]=P(imax),

(3)

式中：imax表示功率谱密度峰值对应的采样点。

以峰值为中心分别进行前向和后向搜索,向前寻找低于峰值点xdB的一个频点,并向后寻找低于峰值点xdB的一个频点,即该峰值点对应的xdB带宽。

(4)

式中：iL和iH分别为功率谱密度值低于峰值xdB的对应最小索引和最大索引采样点。此时信号xdB带宽所占功率谱总带宽的比值表示为：

(5)

式中：N为采样点数。

由已知的采集功率谱总带宽S即可求得该信号的带宽B：

B=S×R。

(6)

由已知的信号采集功率谱起始频率FS得出中心频点FC为：

(7)

即根据式(7)识别出信号的中心频率。

基于窗口差分的多信号参数估计将平滑后的频域信号通过检测窗口进行均值差分检测,仅需检测出存在信号的窗口区间,并通过识别xdB带宽计算检测信号的中心频率,提高中心频率检测精度,实现多信号的中心频率精准盲估计。

3.3 基于多维域特征的智能调制识别技术

在实际空天平台系统的调制识别过程中,调制类型复杂多样,很难针对调制信号某一特征进行有效区分,对此,介绍基于多维域特征的智能调制识别技术。引入智能多维域特征提取技术,包括时频域、调制域、高阶累积量域、特征变换域的特征提取,为调制识别提供丰富的维度信息;采用复合特征的多类别调制识别技术,依据BP神经网络准确识别包括QPSK、8PSK、16QAM等总计17种调制方式。基于多维域特征的智能调制识别技术能够应对复杂多样的调制信号,提升了调制识别准确性和可靠性。

3.3.1 智能多维域特征提取技术

针对空天平台信道时变动态大、调制信号特征难以区分的问题,本文提出智能多维域特征提取技术,所提取的信号特征总计19种,具体信号特征种类如图5所示。

图5 多维域特征类别Fig.5 Multidimensional domain feature category

3.3.1.1 时频域、调制域

零中心非弱信号段非线性相位的标准偏差σdp反映了信号瞬时相位的波动情况,可用于区分信号是否包含直接相位信息,计算如下：

(8)

式中：C为在全部N个采样数据中属于非弱信号值的个数,φNL(i)为经零中心化处理后瞬时相位的非线性分量,An(i)为信号幅度,at为判决门限。

零中心瞬时幅度归一化后的谱密度的最大值γmax反映了信号瞬时幅度的波动情况,进而可以区分恒包络调制和非恒包络调制。γmax的表达式为：

(9)

式中：N为采样点数,Acn为归一化后的零中心瞬时幅度,可以表示为：

Acn(i)=An(i)-1。

(10)

(11)

(12)

式中：Acn为归一化后的零中心瞬时幅度,fcn(i)为归一化后的零中心瞬时频率：

(13)

(14)

式中：f(i)为瞬时频率,mf为瞬时频率f(i)的平均值,N为采样点数。

载频的频谱对称性rs反映了信号频谱以载波频率为中心的对称性,可用于区分非对称边带调制和对称边带调制,或区分上边带调制和下边带调制。

(15)

式中：PL和PU分别为信号下边带频谱功率和信号上边带频谱功率。PL和PU的表达式为：

(16)

(17)

式中：X(i)为离散频域数据。

3.3.1.2 高阶域

高阶累积量具有能够反映调制信号的高阶统计特性、良好的抗衰落性以及抑制高斯白噪声有效性的性质,且不同的数字调制信号有着不同的高阶累积量。可以将不同特征的高阶累积量作为调制信号分类依据。

对于一个复随机过程x(t),其高阶矩计算过程为：

Mpq=E[x(t)p-q(x*(t))q],

(18)

式中：E[·]表示求期望,*表示复共轭,p表示阶数,q表示共轭个数。

根据所求信号的高阶矩,可以计算出二阶、四阶、六阶和八阶的累积量：

C20=M20,

(19)

C21=M21,

(20)

(21)

C41=M41-3M21M20,

(22)

(23)

(24)

(25)

(26)

(27)

3.3.1.3 特征变换域

特征变换域包括熵域特征、小波变换域特征及循环平稳性特征。

熵域特征使用Renyi熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数。α阶Renyi熵的定义如下：

(28)

式中：X、P(X)为随机变量。

当α-1趋近于0时,Renyi熵退化为香农熵,香农熵公式如下：

(29)

式中：pi为概率。

功率谱指数熵表示信号能量在功率谱划分下的不确定性,是对信号在频域上能量分布的复杂程度的定量描述,功率谱指数熵定义为：

(30)

式中：H表示熵值。

小波变换是一种信号的时频分析方法,具有多分辨分析的特点,同时具有时域局部化和频域局部化的性质。利用小波变换把信号在不同尺度下分解,能呈现各种调制类型信号的细节。用不同的小波基分析同一个问题会产生不同的结果,常见的小波函数有Haar小波、Daubechies小波、Coflet小波、Symlet小波、Morlet小波等。由于Haar小波形式简单、易于计算,适用于工程,因此采用Haar小波。Haar小波定义为：

(31)

其小波基函数Ψ(a,b)(t)为：

(32)

循环累积量表征了信号的循环平稳特性,不同调制类型的通信信号在循环统计量域具有不同的双频(或多频)平面分布。因此可以利用循环统计量对调制信号进行分类。

通过智能多维域特征提取技术,系统可支持对时频域、调制域、高阶域、特征变换域特征提取,从而为后面的调制识别提供丰富的差异化参数输入,提高了调制信号分类的准确性。

3.3.2 基于优化BP神经网络的调制识别技术

基于优化BP神经网络的调制识别技术是在上述多维域特征库提取技术基础上,针对BP神经网络易陷入局部极小值点的问题,采用遗传算法优化BP神经网络,设计优化的BP神经网络分类器进行调制识别的技术。

传统的BP神经网络分类器初始权值和初始阈值随机选取,选取不当时,BP神经网络会陷入局部极小值点,最终导致分类器的分类效果变差。

为了解决该问题,采用基于遗传算法优化的BP神经网络的调制识别技术。遗传算法是一种最优解全局搜索算法,可以对BP神经网络的初始权值和初始阈值进行优化,进而避免BP神经网络陷入局部极小值点。而BP神经网络的局部寻优能力较强,因此,将遗传算法与BP神经网络相结合,既可以避免BP神经网络的权值和阈值收敛于局部极小值,又可以提高BP神经网络在调制识别问题中的识别性。

基于遗传算法优化的BP神经网络的调制识别技术,需要对遗传操作进行设计,遗传操作包括选择、交叉及变异三部分[20]。遗传操作中的选择部分采用轮盘赌选择算法,在轮盘赌选择算法中,个体的适应度越高,个体被选择的概率就越大。交叉部分的完成首先需要确定交叉父代,然后将交叉父代两两随机分对,最后将分对后的交叉父代进行两两交叉替换。变异部分的完成与交叉部分类似,同样需要先确定变异父代,之后确定变异父代的变异位置,然后再对挑选出来的变异父代的变异位置进行变异。

基于上述遗传操作的设计,采用遗传算法优化BP神经网络权值和阈值的算法流程如图6所示。

图6 优化BP神经网络分类器算法流程Fig.6 Algorithmic process for optimising BP neural network classifiers

为了进一步验证遗传算法对BP神经网络的优化效果,对优化BP神经网络分类器和传统BP神经网络分类器的分类效果进行比较。比较结果如图7所示,其中,平均识别率是指在同一个SNR下,所有待识别调制信号的识别率的平均值。

图7 分类器的分类效果比较Fig.7 Comparison of classification effects of classifiers

从图7可以看出,当SNR≥0 dB时,优化BP神经网络分类器的分类效果和传统BP神经网络分类器的分类效果相近,平均识别率均接近于100%。当SNR<0 dB时,优化BP神经网络分类器的分类性能优于传统BP神经网络分类器,特别是当SNR= -5 dB时,采用优化BP神经网络分类器的调制识别算法的平均识别率比采用传统BP神经网络分类器的调制识别算法高约8%。这说明优化BP神经网络分类器通过采用遗传算法优化BP神经网络,可以有效提高调制信号的识别率。

使用17种不同调制类型的仿真信号测试经遗传算法优化的BP神经网络的调制识别能力,在不同信噪比条件下的识别效果如图8所示。

图8 基于优化BP神经网络的调制识别算法在不同 SNR下的识别效果Fig.8 Recognition effects of modulation recognition algorithm based on optimized BP neural net- work under different SNR

3.4 基于多域融合的干扰识别技术

空天平台信号传输过程中,无线链路极易受到各类无线电的干扰,为了应对这一挑战,提出基于多域融合的干扰识别技术,以提高空天平台通信系统对各类干扰的识别能力。

针对合法信号带内干扰识别率的问题,提出了多域融合干扰类型识别技术。在频域和时频域分别提取了干扰信号的频域序列和时频图像特征融合进行干扰识别研究,充分利用不同域间的互补性,提高干扰识别性能。

在设计的特征融合干扰识别模型中,主要采用一维卷积神经网络提取干扰信号频域序列的频谱微观特征,采用引入注意力机制的残差网络(Residual Network, ResNet)模型提取干扰信号的时频域信号频率随时间变化的特征。将提取的干扰信号频域与时频域特征进行拼接,使用全连接神经网络进行分类得到干扰信号类别。如图9所示,特征融合网络分为三部分：一维卷积神经网络(1D Convolutional Neural Network, 1DCNN)、ResNet和深度神经网络(Deep Neural Network, DNN)。其中,1DCNN网络结构中使用8层卷积模块进行特征的提取,每层卷积模块由卷积层、批量归一化(Batch Normalization,BN)和激活函数构成。进行了7层池化操作进一步压缩提取特征,减少参数量的同时保证特征的有效性,最后使用两层全连接层将特征展开并使用Softmax进行分类。

图9 基于多域融合的干扰识别系统框架Fig.9 Framework for interference recognition system based on multi-domain fusion

卷积神经网络通过对数据逐层卷积提取其深层特征,所以其性能受网络深度影响明显。理论上,网络越深表示空间越大,网络应该具有更强的表达能力,从而获得更高的分类正确率。然而在不断的堆叠卷积层的过程中,会产生梯度消失或梯度爆炸的现象使网络训练困难,从而降低深层网络的映射能力。He等人[21]提出了基于残差模块的ResNet网络,解决了DNN的梯度消失问题和退化问题,其数学表达式为：

H(x)=F(x)+x。

(33)

残差结构示意如图10所示,H(x)为输入x经过非线性变换的输出结果,F(x)=H(x)-x为该模块的残差函数。当残差函数F(x)趋近于0,卷积层将进行一个恒等映射,即该层网络不进行重复的学习任务,只学习现有解与最优解之间的误差,降低了学习难度。

图10 残差结构示意Fig.10 Residual structure diagram

ResNet选用了表现较好的ResNet50作为模型进行干扰信号分类任务。而卷积块注意力模块(Convolutional Block Attention Module, CBAM)内部只有少量的卷积和池化操作,减少了卷积运算带来的大计算量和高复杂度,使得CBAM具备很高的轻量化程度,同时基于池化操作的CBAM能够直接嵌入到卷积操作后,可以加到现有的ResNet模型中增强特征的提取,有助于提高分类性能,如图11所示。

图11 CBAM网络结构图Fig.11 CBAM network structure diagram

DNN的网络结构参数如表2所示。

表2 DNN网络结构参数

为了减少过拟合现象,在第一层网络引入了BN和Dropout。激活函数使用LeakyReLU函数。

对引入单音干扰、多音干扰、部分频带干扰、宽带噪声干扰、线性扫频干扰和脉冲干扰6种干扰信号的OFDM信号进行干扰分类,做2 048点FFT获得其功率谱数据,保存2 048维向量作为频域数据集。

同时对6种信号做短时傅里叶变换(Short-time Fourier Transform, STFT)获得时频图像作为时频图像数据集。实验结果表明,在干信比(Jamming-to-Signal Ratio,JSR)为 -12 dB时,识别率达到97%以上,能够准确分类6种干扰信号,如图12所示。

图12 不同JSR下各干扰类型识别率仿真结果Fig.12 Simulation results of recognition rate of each interference type under different JSR

4 结论

针对现代战场电磁频谱环境快速时变、信号多样的挑战,提出了空天战场电磁频谱智能认知系统架构,有效提高了电磁频谱监测系统的实时性、可实现性及经济性。基于此架构提出了全并行瞬时大带宽信号处理技术,实现了对具有大带宽信号的全并行、多通道实时采集;提出了高精度多信号参数估计技术,实现对载波频点、带宽等参数精准估计;提出了基于多维域的复合特征调制识别技术,实现了低信噪比下17种调制方式的精准识别;提出了多域融合干扰识别技术,实现了合法信号带内干扰的检测和类型的识别。研究成果为空天战场复杂环境下大宽带、高动态信号的智能电磁频谱认知提供了有力技术支撑。