通信對抗中的干擾識別技術(shù)研究

馬光春

摘 要：在信息時代，通信和電子技術(shù)在社會中發(fā)揮的作用越來越重要。在實際的應(yīng)用過程中，通信方如果可以對相關(guān)的干擾進(jìn)行識別，進(jìn)而采取合適的抗干擾措施，就可以有效地提高通信質(zhì)量，滿足通信要求。因此，如何改進(jìn)干擾識別技術(shù)，使其可以更加穩(wěn)定、準(zhǔn)確成為當(dāng)前比較重要的問題。文章首先對干擾信號的種類進(jìn)行闡述，進(jìn)而提出相關(guān)識別技術(shù)的研究措施。

關(guān)鍵詞：信息通信;干擾識別;技術(shù)

1? ? 干擾信號的預(yù)處理

在對干擾信號進(jìn)行分類識別之前，首先要對相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理的過程分為多個部分，主要有歸一化、中心化、去噪這3個過程。歸一化指的是將數(shù)據(jù)轉(zhuǎn)化為可以互相進(jìn)行數(shù)學(xué)運算的數(shù)據(jù)，常采用的方法有線性函數(shù)法、對數(shù)函數(shù)法以及反余切函數(shù)法。去中心化是將具有不同分布范圍的樣本數(shù)據(jù)轉(zhuǎn)變?yōu)榫禐?的數(shù)據(jù)。去噪則是對信號雜波進(jìn)行檢測并濾除，在這個過程中濾波器發(fā)揮了很大的作用。當(dāng)前根據(jù)不同的信號處理方式，可以將濾波器分為數(shù)字濾波器和模擬濾波器兩類。根據(jù)不同的信號通過頻段，濾波器又被分為低通濾波器、帶通濾波器、高通濾波器以及帶阻濾波器等。

2? ? 干擾信號的特征分析

在通信對抗中存在的干擾信號有攔阻干擾、瞄準(zhǔn)干擾、仿真欺騙干擾、相關(guān)欺騙干擾、單音干擾、多音干擾、部分頻帶噪聲干擾、掃頻干擾。后四者是最為常見的，因此主要對該四者的特性進(jìn)行分析闡述[1-2]。

2.1? 單音干擾

單音干擾信號在某個頻射點上發(fā)射，且為單片，這使得其相關(guān)的時域圖象和正弦函數(shù)類似，單音干擾的干擾能量相對集中，且結(jié)構(gòu)簡單。影響單音干擾性能的主要參數(shù)有干擾信號的功率、頻率。

2.2? 多音干擾

多音干擾則是在頻帶內(nèi)存在多個音調(diào)，即含有多個單音干擾源，其時域的圖像呈周期性，特性和單音干擾較為相似，結(jié)構(gòu)相較于單音干擾更為復(fù)雜，但整體來看仍然較為簡單，同樣具有干擾能量較為集中的特點。影響其干擾性能的參數(shù)和單音干擾也相似，除了有干擾信號的功率、頻率以外，還有頻率和頻率點的間隔大小及其個數(shù)。

2.3? 部分帶噪聲干擾

部分帶噪聲干擾最大的特點就是干擾能量是均勻分布在部分頻帶內(nèi)的，其影響干擾性能的參數(shù)有起始和終止頻率、干擾信號功率。

2.4? 掃頻干擾

掃頻干擾則較為復(fù)雜。其在部分頻譜內(nèi)呈現(xiàn)動態(tài)掃描的特點，而特征就是自身的瞬時頻率往往會隨著時間的變化而不斷發(fā)生變化，其頻率和時間之間往往存在一定的線性關(guān)系。

3? ? 對干擾信號的分離

3.1? 干擾信號特征參數(shù)的提取和作用

在對上文常見的4種信號進(jìn)行分析識別時，可以先對相關(guān)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，再進(jìn)行計算來完成對干擾信號的識別。對相關(guān)數(shù)據(jù)進(jìn)行轉(zhuǎn)換后得到的低樣本、低維數(shù)的數(shù)據(jù)被稱為特征參數(shù)。得到特征參數(shù)后，再使用相關(guān)的算法對特征參數(shù)進(jìn)行計算，可以有效提高計算的準(zhǔn)確性和效率。

3.2? 干擾信號的分離

當(dāng)前根據(jù)不同的干擾信號特征，可以使用相關(guān)系數(shù)對干擾信號進(jìn)行識別和分離。如載波因子系數(shù)可以完成對信號譜線突出程度的描述，而單音干擾載波系數(shù)因子又會隨著干噪比的加大而增加，進(jìn)而可以設(shè)置相應(yīng)的載波因子判斷閾值，來對單音干擾進(jìn)行分離[3]。除此之外，還有平均頻譜平坦系數(shù)，其可以將部分頻帶噪聲干擾分離出來;白噪聲因子，其可以將4種主要干擾信號都進(jìn)行分離;還有頻域矩偏度系數(shù)、時域矩峰度系數(shù)、時域矩偏度系數(shù)。

4? ?干擾信號分類識別算法

4.1? BP神經(jīng)網(wǎng)絡(luò)

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)當(dāng)前的適用范圍較廣，而在干擾信號的分類識別中，其隨著干噪比的逐漸增加，對4種常見干擾信號的識別率也在不斷提升，一般當(dāng)干噪比上升到5 dB以上時，識別率接近1。在干噪比較低時，其對單音干擾的識別性較強(qiáng)，對多音干擾的識別能力其次。

4.2? 基于支持向量機(jī)的計算模型

基于支持向量機(jī)的計算模型整體計算性能和BP神經(jīng)網(wǎng)絡(luò)較為相似，其在干噪比不斷提升的過程中，對干擾信號的識別率也在不斷提升，且同樣在干噪比大于5 dB時識別率接近于1。但其在較低的干噪比的情況下，相對于BP神經(jīng)網(wǎng)絡(luò)識別能力更強(qiáng)，如干噪比在﹣4 dB即可完成對單音干擾的識別，在2 dB時，整體的識別率便可以接近90%[4]。

4.3? 基于決策樹理論的計算模型

基于決策樹理論的計算模型在干噪比在5 dB以上時，信號識別率也可接近于1，但不同的是，當(dāng)干噪比低于5 dB時，識別率相對于其他算法較為平緩，相關(guān)特征參數(shù)的分離都較為合適。

4.4? 3種算法的選擇

總的來看，三者在干噪比大于5 dB時，都可以發(fā)揮出較為不錯的識別效果，而當(dāng)干噪比較低時，基于決策樹理論的計算模型的識別能力顯然更強(qiáng)，但當(dāng)干噪比在1～5 dB時，基于支持向量機(jī)的計算模型則是最好。這是因為BP神經(jīng)網(wǎng)絡(luò)更偏向于滿足大多數(shù)干噪比情況下的識別，即得到相對于全局的最優(yōu)解，而基于向量機(jī)的計算模型則偏向于得到局部的最優(yōu)解。

5? ? 結(jié)語

想要對干擾識別技術(shù)進(jìn)行研究并提升，就需要從多方面進(jìn)行，首先是對信號進(jìn)行預(yù)處理的優(yōu)化，其次是對通信對抗中最常見的4種干擾信號的特性進(jìn)行分析，進(jìn)而滿足識別和分離的需要，最后則是對算法進(jìn)行完善，來增強(qiáng)其對干擾信號識別的準(zhǔn)確性。想要再進(jìn)一步提升干擾識別技術(shù)的水平，就需要對性能特征參數(shù)及其優(yōu)化選取方法和其他識別算法進(jìn)行研究，來不斷滿足通信對抗的需要。

[參考文獻(xiàn)]

[1]王利偉，朱曉丹，王建，等.人工智能在電子偵察中的應(yīng)用分析[J].航天電子對抗，2018（2）：29-32.

[2]于波，邵高平，孫紅勝，等.直擴(kuò)系統(tǒng)中基于SVM的干擾自動分類識別方法[J].信號處理，2010（10）：1539-1543.

[3]周子棟，陳自力，高喜俊，等.無人機(jī)數(shù)據(jù)鏈路常面臨的干擾類型的自動識別[J].計算機(jī)測量與控制，2015（11）：3780-3782.

[4]李勝喜.基于聚類的干擾資源分配研究及仿真實現(xiàn)[D].武漢：武漢理工大學(xué)，2011.