本申请涉及一种基于相噪特性的干扰源个体识别方法，属于目标识别技术领域。
背景技术：
雷达干扰模式识别，是指雷达在受到干扰信号影响时，提取信号的特征并进行判断，从而得知未知干扰信号的类型，便于后续采取相应的抗干扰手段，保证己方雷达能够正常工作。传统的雷达干扰识别方式，一种是根据获得的先验信息，运用概率学知识，建立统计模型，结合雷达操作手对雷达显示界面的观察，凭借主观经验来判别受到干扰的类型，该方法本质上是一种基于操作手经验的极大似然准则干扰识别算法，不仅计算量大，而且检测结果主要依赖操作手的经验，可靠性不高。另一种是基于特征提取的干扰识别算法，该算法是从不同种类干扰信号的产生机理出发，将干扰信号变换到多个变换域，分析其特征差异，并提取特征参数，建立各种干扰信号特征参数的数据库。当干扰信号到来时，运用分类识别模型对干扰信号进行识别，这种方法避免了人工识别的主观性，识别结果更加可靠。
雷达有源干扰的自适应检测识别是后续采取抗干扰手段的先决条件，但目前大部分的雷达都不具备自适应干扰识别的能力，为后续自动选取合适的抗干扰手段带来了困难。实现雷达干扰类型的自动判别，能够有效保证雷达正常进行战场工作，大幅提高雷达战场生存能力，确保己方受到影响达到最小。因此，各国研究的重点越来越多的放在雷达的自适应干扰识别上。基于特征参数提取的雷达智能化干扰识别方法，首先对样本干扰信号提取特征参数并建立干扰特征库，当未知干扰信号到来时，将未知信号的特征参数与干扰特征库进行比对，便可以采用分类器来判断干扰类型。基于特征提取的干扰识别算法是目前运用最为广泛的识别方法，针对部分干扰的识别效果很好，但在一部分场合存在局限性。
雷达信号的无意调制特征是指由雷达内部的各种元器件的非理想因素引起的一种调制形式，此调制形式是非人为所加入的，也称为辐射源的“指纹特征”。雷达信号的指纹特征作为识别雷达辐射源信号个体的重要依据，是雷达对抗中研究的热点之一。同一型号发射机内部器件(如频率振荡源、ad转换器、功率放大器等)在工作状态下都会输出非线性的调制特征，而功率放大器是无意调制的主要来源。在这种非线性的调制状态下，会导致同一型号的不同器件对信号进行调制时发生不同程度的失真，使得信号间出现细微的差异。例如，辐射源信号包络的上升沿时间、下降时间、相位噪声特征以及频率抖动等等，这些具有差异性的细微特征正是实现辐射源个体识别的关键所在。
无意调制包括：(1)附带调幅：是指信号的波形偏离理想波形，附带调幅易受信道噪声、杂波干扰及多径效应的影响。(2)附带调相：是指信号的相位偏离理想的相位，围绕着理想频率发生偏移。附带调相通常被称为相位噪声，在实际信号环境中受噪声环境影响较小。辐射源个体的指纹特征具有普遍性、稳定性、唯一性和可测性的特点。由于雷达发射机内部各种元器件的非理想因素，导致了雷达信号个体间产生细微差异性的包络波形指纹特征，脉冲包络波形不再是理想矩形，包含了丰富的非线性特征，主要表现为：脉冲的上升时间会变长；脉冲的顶部会发生降落；下降时间会变长。利用该相噪指纹特征能实现干扰源的个体识别，这也是本申请识别有源干扰类型的初衷。
技术实现要素：
本发明的目的在于针对雷达信号个体间细微差异性导致相噪特性不再理想，利用该相噪特性实现干扰源的个体识别，提出了一种基于相噪特性的干扰源个体识别方法。
为了实现本发明的目的，详细技术方案如下：
所述基于相噪特性的干扰源个体识别方法，包括如下步骤：
步骤1、建立雷达有源干扰信号模型，并基于该模型得到有源干扰信号；
步骤2、对有源干扰信号进行预处理，得到预处理后干扰信号；
步骤3、对预处理后干扰信号进行首次特征提取和特征降维，得到一次降维后信号；
步骤4、对步骤3得到的一次降维后信号进行分类识别，输出干扰类型；
其中，干扰类型包括压制性和欺骗性干扰；
步骤5、针对欺骗性干扰，提取其相位噪声特性；
步骤6、对相位噪声特性进行二次特征提取和特征降维，得到二次降维后信号；
步骤7、对步骤6得到的二次降维后信号进行分类识别，输出欺骗性干扰的干扰源类型；
其中，欺骗性干扰源类型为n个。
有益效果
本发明所提出的一种基于相噪特性的干扰源个体识别方法，与现有干扰源个体识别方法相比，具有如下有益效果：
所述干扰源个体识别方法基于辐射源信号包络的相位噪声特征具有差异性的细微特征，具有普遍性、稳定性、唯一性和可测性，来实现辐射源的个体识别。
附图说明
图1是本发明一种基于相噪特性的干扰源个体识别方法的流程图；
图2是本发明一种基于相噪特性的干扰源个体识别方法具体实施时振荡器相位噪声频域特性；
图3是三种含不同相位噪声的辐射源信号同理想lfm信号作对比，具体为:理想lfm信号及回波以及干扰源1和干扰源2信号时域图；
图4是理想辐射源及三种辐射源信号分别加入不同的相位噪声后的频域对比图，具体为：理想lfm信号及回波以及干扰源1和干扰源2信号频域图；
图5是100次蒙特卡洛仿真得到的盒维数参数t1与jnr的关系曲线；
图6是100次蒙特卡洛仿真得到的信息数参数t2与jnr的关系曲线；
图7是100次蒙特卡洛仿真得到的功率谱香农熵特征参数t3与jnr的关系曲线；
图8是100次蒙特卡洛仿真得到的功率谱指数熵特征参数t4与jnr的关系曲线；
图9是100次蒙特卡洛仿真得到的小波能谱香农熵参数t5与jnr的关系曲线；
图10是100次蒙特卡洛仿真得到的小波能谱指数熵参数t6随jnr的变化关系曲线；
图11是100次蒙特卡洛仿真得到的小波空间特征熵参数t7随jnr的变化关系曲线；
图12在不含高斯白噪声的情况下仿真得到3种辐射源信号的双谱等高线图；
图13是提取39维特征、100次蒙特卡罗实验雷达干扰辐射源的个体识别结果；
图14是提取39维特征数据基于svm分类器,重复100次实验，各种特征选择方法的仿真结果；
图15是fisher-relieff算法的特征权重降序排列；
图示说明：12a是目标回波信号，12b是干扰辐射源1，12c是干扰辐射源2。
具体实施方式
下面结合附图及实施例对本发明所述的一种基于相噪特性的干扰源个体识别方法进行详细阐述。
实施例1
由于雷达发射机内部各种元器件的非理想因素，导致了雷达信号个体间产生细微差异性的包络波形指纹特征，脉冲包络波形不再是理想矩形，包含了丰富的非线性特征，主要表现为：脉冲的上升时间会变长；脉冲的顶部会发生降落；下降时间会变长。利用该相噪指纹特征能实现干扰源的个体识别，流程如图1所示。
振荡器中的相位噪声即为雷达信号无意调制特征中的附带调制，会引起信号频率的偏移值。振荡器本身存在的非线性传输过程，是引起雷达发射机产生相位噪声的主要原因。振荡器的相位噪声主要包括：振荡器元器件自身的噪声，谐振回路噪声等。根据发射机振荡器的leeson模型，推导出雷达信号所附带的相位噪声的功率谱密度为：
a-1为振荡器的闪烁噪声系数，a0为振荡器的自身噪声系数，f0为振荡器输出的载波频率，fc为偏离载波频率值，ql为谐振回路的有效负载值q。当信号频率在5mhz～100ghz范围内时，a-1和a0的取值与振荡器的类型无关。振荡器的相位噪声受四个部分的影响，其分别为：
(a).闪烁噪声调频引起的相位噪声，特性为f-3；
(b).热噪声、散弹噪声调频引起的相位噪声，特性为f-2；
(c).闪烁噪声调相引起的相位噪声，特性为f-1；
(d).热噪声、散弹噪声调相引起的相位噪声，特性为f。
根据(1)，相位噪声的具体频域特性如图2所示，其中a-1决定a点的值，fc和q决定b点的值，a0决定c点的值。
步骤a、基于相位噪声的雷达干扰源信号建模，即得到存在相位噪声情况下的距离欺骗干扰；
以线性调频雷达连续波为例，雷达发射lfm信号的表达式为：
其中，f0为信号载频，us为发射信号的幅值，
相位噪声可看作是受频率为fm正弦信号的调制，其表达式
由式(2)和式(3)得附带相位噪声的lfm发射信号的表达式为：
将(4)展开进一步得到：
利用贝塞尔函数进一步化解，得到:
由式(6)可知，相位噪声可看作是由无限个随机信号联合调制的结果，lfm信号因此具有一定的谐波分量；
设探测目标为理想点源即不改变发射信号指纹特征，则目标的回波信号为：
其中，τ为目标回波延时；设在距离欺骗干扰的情况下，其信号的理论表达式为:
j(t)＝unsin[2πf0(t-τ-δtj)](8)
其中，un为回波信号的幅值，一般情况下un≥us，通过改变δtj可以对雷达产生距离上的欺骗；
不考虑干扰机对截获信号的进行二次调制所产生的指纹特征，根据以上分析，距离欺骗干扰存在相位噪声情况下表达式为：
步骤a的具体实施，对应于发明内容中的步骤1到步骤4，即基于雷达有源干扰信号模型得到有源干扰信号；再进行预处理、首次特征提取和特征降维，得到一次降维后信号，再进行分类，得到欺骗性干扰。
步骤b、当雷达受到距离欺骗性干扰时，利用雷达辐射源信号的相噪特性对干扰信号和目标回波进行识别和判断，具体为：
在多域上进行特征提取，对辐射源个体的特征层进行了更广泛的拓宽，对干扰源的个体识别有了较好的改进。在实现了干扰源个体建模基础上，考虑雷达是否受到干扰以及受到干扰的类型，设雷达信号的检测模型为：
其中，当存在干扰信号j(t)时，检测模型为h1，表示检测到干扰信号；当存在目标回波r(t)时，检测模型为h0，表示检测到回波信号，n(t)表示噪声。
具体实施时，本实施例首先考虑加入3种含不同相位噪声的雷达辐射源信号个体，分别是：目标回波信号、距离欺骗干扰源1、距离欺骗干扰源2。目标回波信号电压幅值us为1v，中心频率f0为10mhz，脉冲宽度t为6μs，带宽b为10mhz，采样频率fs为100mhz。真目标距离为2km，假目标1距离为2.5km，假目标2距离为3.2km。参数设置具体如表1所示。
表1雷达信号源个体相位噪声的参数
根据以上参数设置，得到信号的时域仿真结果如图3所示。
从图3可以看出，三种含不同相位噪声的辐射源信号同理想lfm信号作对比，而相位噪声又很小，从信号的时域上很难观察出信号之间的细微变化，为此本申请将信号由时域变换到频域得到如图4所示的信号频域对比图。
由图4可以看出，3种辐射源信号分别加入不同的相位噪声后，频域的波形均发生了细微的波动，含有不同相位噪声信号的功率谱之间的确存在一定的差异，且此差异主要体现在信号功率谱的谐波上的不同。所以对接收的信号进行特征提取、处理与分析，就可以达到间接识别雷达信号源个体的目的。
特征提取与分析：(1)时域特征分析
相较于其他时域特征，分形理论能较好的对信号整体细微特征变化进行检测，通过分析信号中的盒维数和信息维数特征的不同，从而达到雷达干扰源识别的目的。仿真条件同上一节的参数设置，进行100次蒙特卡洛仿真，得到盒维数参数t1与jnr的关系曲线如图5所示；信息数参数t2与jnr的关系曲线如图6所示。
由图5所示，3种辐射源信号的盒维数参数值t1随jnr的增大而逐渐减小，最后稳定在参数值1.105左右。图6可以看出，3种辐射源信号的信息维数参数值t2随jnr的增大而逐渐增大，最后稳定在参数值2.705左右。总的来看，时域分形理论在表征信号“指纹特征”差异性方面还不够明显，不能够较好地识别干扰信号和回波信号，因此需要进一步提取信号的其他域特征。
(2)频域特征分析
信号的频率信息往往体现了信号的内部特征和状态变化，在频域上也可以表征信号的指纹特征。通过计算信号的自相关函数从而实现对信号的功率谱估计，结合熵信息可以进一步反应被分析信号谱线的复杂程度。对功率谱香农熵特征参数t3和功率谱指数熵特征参数t4，分别进行100次蒙特卡洛仿真，得到功率谱香农熵特征参数t3与jnr的关系曲线如图7所示；功率谱指数熵特征参数t4与jnr的关系曲线如图8所示。
由图7和图8所示，3种辐射源信号随jnr的增大而减小，3种曲线的差异性很小，特别是基于功率谱香农熵特征参数t3的差异性表现。总的来看，功率谱熵特征在表征干扰类型信号方面具有较好的区分性，但在表征辐射源信号差异性指纹特征上不具有较好的可区分性，因此需要进一步提取信号其他域特征。
(3)小波域特征分析
小波变换是分析信号内部特性的又一种途径。通过改变窗口尺度的大小，对信号的时域波形实现细致观察和细节分析，实现时频多分辨率局部化分析的目的。这里提取3种辐射源信号的小波熵仿真条件同上，进行100次蒙特卡洛仿真分别得到小波能谱香农熵参数t5与jnr的关系曲线如图9所示；小波能谱指数熵参数t6和小波空间特征熵参数t7随jnr的变化关系曲线分别如图10和图11所示。根据图9、图10和图11所示的变换曲线，随着jnr的增大，3种特征参数值都逐渐减小，并且在jnr＝0～12db上表现有较好的可区分性和鲁棒性。小波分析可以有效地提取信号中隐藏的突变信息，结合信息熵理论形成的小波熵能够很好的反应信号间的细微特征，非常适用于雷达辐射源信号的个体识别。
(4)双谱特征分析
传统的功率谱与低阶特性对信号指纹特征的分析只有幅度信息，但还需要一定的相位信息，能够保留信号的幅度和相位信息。双谱是高阶谱分析中阶数最低、运算量最小、处理方法相对简单的谱分析方法。双谱包含了高阶谱的所有特征，在系统的非线性特性方面与也存在一定优势，因而广泛应用于雷达辐射源信号的指纹特征分析。根据对信号双谱的理论分析，信号的参数设置条件同上，非参量法中的直接法设置滞后时间为30s，每段信号的重叠部分为50％，fft长度取64。在不含高斯白噪声的情况下仿真得到3种辐射源信号的双谱等高线图，如图12所示。其中，12a是目标回波信号，12b是干扰辐射源1；12c是干扰辐射源2。由图12所示，3种辐射源信号存在相噪的差异性特征，其二维双谱等高线图大致相似，但在一些频率细节上依然存在着较大的差异，这验证了利用双谱分析去表征辐射源信号指纹特征的可行性。
基于多准则融合的特征选择：针对雷达辐射源个体的识别研究，一般采用基于多域联合的特征提取方法找出具有表征信号间细微差异性的特征从而实现个体分类。而这种方法提取的特征具有数据量大、维度高的特点，因此需要对其进行特征降维处理。目前大多数文献未采用数据降维处理或直接采用传统的特征选择方法，这样很难得到最优特征子集，从而实现最优的识别效果。为了进一步提高对辐射源个体的有效识别，本实施例一种基于relieff算法、fisher准则和相关系数的多准则融合的特征选择方法，该方法比传统的特征选择算法能得到更优的特征子集，进一步降低运算量。
fisher准则如下：
其中，m(k)所有类的样本在第k类特征上的均值，
表2基于relieff的特征选择算法
kononenko[91]对relief算法提出了一种改进算法relieff算法，可解决多类别的情况以及能对噪声数据和不完整数数据进行处理，算法如表2所示。
relieff算法是根据被选择的样本与最近邻样本间的距离来评价特征的重要性，而fisher准则基于类内和类间距来评估特征的重要性。因此从分类性能角度考虑，fisher算法比relieff算法重要性程度大。采用序关系分析法确定融合系数权重，按照重要程度有：
ufisher＞ureileff(14)
这里需要给出两评价准则之间的相对重要程度的比较判断，确定两个评价准则的重要性之比
进一步，根据式(15)来计算重要性权值系数：
wp-1＝γp×wp(16)
w1＝w2×γ2＝1.2×0.455＝0.545
fisher准则计算得到的权值为
tfisher＝[xf(1),xf(2),...,xf(n)](17)
relieff算法计算得到的权值为
trelieff＝[xr(1),xr(2),...,xr(n)](18)
其中，xf(i)和xr(i)表示n维特征分别在两种准则下的权重值，根据融合权值系数，最终得到fisher-relieff的特征权重计算方法
tf-r＝w1tfisher w2trelieff(19)
考虑到以上两种算法都不能减少特征之间的存在冗余信息。因此引入相关系数准则来进行减少特征间的冗余程度，相关系数表达式：
其中，xi和yi分别表示样本在x和y特征下的取值。ρ的绝对值越大，表明两特征的相关程度越高，信息冗余度越大。
对特征空间的搜索策略采用顺序向前搜索，得到基于relieff算法、fisher准则和相关系数准则融合的特征降维方法具体描述如表3所示：
表3多准则融合的特征选择算法
本实施例提取了39维特征t＝{t1,t2,…,t39}。在jnr为0db～20db的范围内，每个干噪比下通过蒙特卡洛仿真产生300个训练样本，干噪比的范围设置为0db,2db,…,20db。其中，干噪比间隔为2db，每个干噪比条件下产生100个样本用于测试。并通过基于rbf的svm分类器，重复进行实验100次，取其均值作为实验结果，最终得到识别结果如图13所示。由图13可以看出，雷达辐射源个体识别率随jnr增大而增大。在jnr＝10db时，总体上能够达到90％以上的正确率。svm分类器实现了较好的分类效果。初步验证了利用相位噪声特征用于识别雷达干扰源个体的可行性。
在上个仿真实验的基础上，针对39维特征数据进行特征选择。首先设置在jnr＝8db的情况下进行仿真，采用fisher-relieff特征选择算法同单一准则的fisher算法与relieff算法作为对比，采用基于rbf的svm分类器，重复进行实验100次，取其均值作为实验结果，最后结果分别如图14和表4所示。
表4jnr＝8db下的分类结果
由图14和表4所示，进行特征选择处理不但能够去除冗余信息、降低数据计算量，而且还能提高分类器的识别准确率。tfisher最优集合为18维，trelieff最优集合为19维，tf-r最优集合为12维。多准则融合的特征选择算法更能有效降低特征空间维数。取前12维特征重要性的排序如表5所示。
表5特征排序实验结果
针对fisher-relieff算法的特征权重排序结果，如图15所示。由图15所示，按照特征权重值由大到小的顺序进行排列，其中特征序号37的权重值最大，对分类的贡献最大。结合表5所示的tf-r最优特征子集为12维，所以取β1＝0.235，即tf-r＝{t37,t36,t14,t13,t15,t30,t31,t8,t33,t2,t32,t29}。考虑到fisher-relieff特征融合算法不能去除特征间的冗余性问题。为克服这个缺点，本文进一步利用相关系数对12维特征按照表5的顺序进行特征间相关系数的计算，结果如表6所示。
表6基于fisher-relieff算法的特征相关系数
由表6所示：特征14与特征13、特征15有较高的相关性，特征30与特征29、特征31有较高的相关性，特征32与特征31、特征33有较高的相关性。经过多次仿真实验，取特征间相关系数阈值β2＝0.8，得到最优的特征集合t＝{t37,t36,t13,t15,t31,t8,t33,t2,t29}。本文进一步对比原空间、基于fisher准则的特征子空间、基于relielf准则的特征子空间、基于fisher-relieff算法的特征子空间以及基于多准则融合算法的特征子空间的分类识别效果对比如表7所示：
表7各种特征选择方法的结果比较
根据表7的实验结果，可以得出如下结论：
(1)冗余的特征信息不但不能够帮助提高对雷达干扰源个体的平均识别率，反而会大大增加计算的复杂度，影响对雷达干扰源个体的检测判断；
(2)基于特征降维的4种检测模型(fisher准则、relielf准则、fisher-relieff准则、多准则融合算法)都能够在保证平均识别率的前提下，在原始数据中挑选出有效的特征信息，去除了冗余信息，从而实现高维特征空间的降维处理；
(3)相较于单一的relieff算法与fisher准则特征选择算法，基于fisher准则、relieff算法和相关系数准则的多准则融合的特征选择算法有更好的降维效果，能够实现将39维的原始数据有效降到9维(t＝{t37,t36,t13,t15,t31,t8,t33,t2,t29})，并保持了较高的识别率。9维特征(t＝{t37,t36,t13,t15,t31,t8,t33,t2,t29})主要来自小波域和双谱域。一方面，小波分解通过时间-频率的局部化分析，实现对信号高频处时间细分、低频处频率细分的要求，适用于表征雷达信号的细微特征。另一方面，双谱变换同时包含幅值与相位的双重信息，并且在一定程度上能够抑制高斯白噪声，也能够很好的表征雷达信号的细微特征。
以上所述的仅是本发明的优选实施方式，本申请不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本申请的保护范围之内。
1.一种基于相噪特性的干扰源个体识别方法，其特征在于：包括如下步骤：
步骤1、建立雷达有源干扰信号模型，并基于该模型得到有源干扰信号；
步骤2、对有源干扰信号进行预处理，得到预处理后干扰信号；
步骤3、对预处理后干扰信号进行首次特征提取和特征降维，得到一次降维后信号；
步骤4、对步骤3得到的一次降维后信号进行分类识别，输出干扰类型；
步骤5、针对欺骗性干扰，提取其相位噪声特性；
步骤6、对相位噪声特性进行二次特征提取和特征降维，得到二次降维后信号；
步骤7、对步骤6得到的二次降维后信号进行分类识别，输出欺骗性干扰的干扰源类型。
2.根据权利要求1所述的一种基于相噪特性的干扰源个体识别方法，其特征在于：步骤4中干扰类型包括压制性和欺骗性干扰。
3.根据权利要求2所述的一种基于相噪特性的干扰源个体识别方法，其特征在于：步骤7中，欺骗性干扰源类型为n个。
技术总结