通信对抗中的干扰识别技术研究.docxVIP

?

?

通信对抗中的干扰识别技术研究

?

?

马光春

摘要：在信息时代，通信和电子技术在社会中发挥的作用越来越重要。在实际的应用过程中，通信方如果可以对相关的干扰进行识别，进而采取合适的抗干扰措施，就可以有效地提高通信质量，满足通信要求。因此，如何改进干扰识别技术，使其可以更加稳定、准确成为当前比较重要的问题。文章首先对干扰信号的种类进行阐述，进而提出相关识别技术的研究措施。

关键词：信息通信;干扰识别;技术

1??干扰信号的预处理

在对干扰信号进行分类识别之前，首先要对相关數据进行预处理，预处理的过程分为多个部分，主要有归一化、中心化、去噪这3个过程。归一化指的是将数据转化为可以互相进行数学运算的数据，常采用的方法有线性函数法、对数函数法以及反余切函数法。去中心化是将具有不同分布范围的样本数据转变为均值为0的数据。去噪则是对信号杂波进行检测并滤除，在这个过程中滤波器发挥了很大的作用。当前根据不同的信号处理方式，可以将滤波器分为数字滤波器和模拟滤波器两类。根据不同的信号通过频段，滤波器又被分为低通滤波器、带通滤波器、高通滤波器以及带阻滤波器等。

2??干扰信号的特征分析

在通信对抗中存在的干扰信号有拦阻干扰、瞄准干扰、仿真欺骗干扰、相关欺骗干扰、单音干扰、多音干扰、部分频带噪声干扰、扫频干扰。后四者是最为常见的，因此主要对该四者的特性进行分析阐述[1-2]。

2.1?单音干扰

单音干扰信号在某个频射点上发射，且为单片，这使得其相关的时域图象和正弦函数类似，单音干扰的干扰能量相对集中，且结构简单。影响单音干扰性能的主要参数有干扰信号的功率、频率。

2.2?多音干扰

多音干扰则是在频带内存在多个音调，即含有多个单音干扰源，其时域的图像呈周期性，特性和单音干扰较为相似，结构相较于单音干扰更为复杂，但整体来看仍然较为简单，同样具有干扰能量较为集中的特点。影响其干扰性能的参数和单音干扰也相似，除了有干扰信号的功率、频率以外，还有频率和频率点的间隔大小及其个数。

2.3?部分带噪声干扰

部分带噪声干扰最大的特点就是干扰能量是均匀分布在部分频带内的，其影响干扰性能的参数有起始和终止频率、干扰信号功率。

2.4?扫频干扰

扫频干扰则较为复杂。其在部分频谱内呈现动态扫描的特点，而特征就是自身的瞬时频率往往会随着时间的变化而不断发生变化，其频率和时间之间往往存在一定的线性关系。

3??对干扰信号的分离

3.1?干扰信号特征参数的提取和作用

在对上文常见的4种信号进行分析识别时，可以先对相关数据进行转换，再进行计算来完成对干扰信号的识别。对相关数据进行转换后得到的低样本、低维数的数据被称为特征参数。得到特征参数后，再使用相关的算法对特征参数进行计算，可以有效提高计算的准确性和效率。

3.2?干扰信号的分离

当前根据不同的干扰信号特征，可以使用相关系数对干扰信号进行识别和分离。如载波因子系数可以完成对信号谱线突出程度的描述，而单音干扰载波系数因子又会随着干噪比的加大而增加，进而可以设置相应的载波因子判断阈值，来对单音干扰进行分离[3]。除此之外，还有平均频谱平坦系数，其可以将部分频带噪声干扰分离出来;白噪声因子，其可以将4种主要干扰信号都进行分离;还有频域矩偏度系数、时域矩峰度系数、时域矩偏度系数。

4??干扰信号分类识别算法

4.1?BP神经网络

反向传播（BackPropagation，BP）神经网络当前的适用范围较广，而在干扰信号的分类识别中，其随着干噪比的逐渐增加，对4种常见干扰信号的识别率也在不断提升，一般当干噪比上升到5dB以上时，识别率接近1。在干噪比较低时，其对单音干扰的识别性较强，对多音干扰的识别能力其次。

4.2?基于支持向量机的计算模型

基于支持向量机的计算模型整体计算性能和BP神经网络较为相似，其在干噪比不断提升的过程中，对干扰信号的识别率也在不断提升，且同样在干噪比大于5dB时识别率接近于1。但其在较低的干噪比的情况下，相对于BP神经网络识别能力更强，如干噪比在﹣4dB即可完成对单音干扰的识别，在2dB时，整体的识别率便可以接近90%[4]。

4.3?基于决策树理论的计算模型

基于决策树理论的计算模型在干噪比在5dB以上时，信号识别率也可接近于1，但不同的是，当干噪比低于5dB时，识别率相对于其他算法较为平缓，相关特征参数的分离都较为合适。

4.4?3种算法的选择

总的来看，三者在干噪比大于5dB时，都可以发挥出较为不错的识别效果，而当干噪比较低时，基于决策树理论的计算模型的识别能力显然更强，但当干噪比在1～5dB时，基于支持向量机的计算模型则是最好。这是因为BP神经网络更偏向于满足大多数干噪比情况下的识别，即得到相对于全局的最优解，而基于向量机的计算模型则偏向于