基于模型的多雷达系统欺骗干扰识别技术研究

发布时间：2020-07-18 17:07

【摘要】：雷达对抗中欺骗干扰是一类重要的干扰手段:敌方干扰机通过转发电磁空间中的雷达回波,对我方雷达造成欺骗干扰,让我方雷达误认为空间中存在着大量目标,从而达到隐藏真实目标的目的。为了对抗欺骗干扰,本文将欺骗干扰生成过程建模为一个Hammerstein-Wiener模型,将雷达接收回波量化,映射到模型参数空间中,并加以分类,同时利用组网雷达多角度观测和信息共享的优势,融合组网雷达内各雷达的信息,以此识别和检测欺骗干扰,改进和提升了原有的方法。本文的主要研究工作如下:1.将欺骗干扰生成过程建模为Hammerstein-Wiener模型,并介绍了模型参数辨识中常用的惯性权重粒子群算法、自适应小生境遗传算法和神经网络算法,为后文提出的模型辨识新方法提供了理论支持。2.针对上述智能算法搜索时间慢,解精确度不高的问题,本文在基本神经网络的基础上,增加了卷积层,加大了算法中对模型细微变化的关注度,引入了卷积神经网络算法在模型辨识中的应用。利用此算法进行欺骗干扰识别和检测,并将其与惯性权重粒子群算法、自适应小生境遗传算法、神经网络算法进行对比。仿真实验结果表明,卷积神经网络算法相较于智能算法和基本神经网络算法,具有精度高速度快的特点,符合了电子战中准确性和实时性的要求。3.完善了组网雷达下欺骗干扰识别的流程,提出了两种多雷达的融合方式,分别从特征层和决策层进行信息融合,推广单雷达识别方法到多雷达,提升了原有方法的性能,仿真结果表明,在5部雷达融合的背景下,相较于单雷达欺骗干扰识别算法,特征层融合算法识别率提升8.1%,决策层融合算法识别率提升12.3%,证明了融合算法的有效性。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN974
【图文】：

图２．邋２真实回波与欺骗干扰信号时域对比逡逑分析欺骗干扰产生机理，在真实回波通过ＤＲＦＭ时，会产生轻微的非线性畸变，由此欺逡逑骗干扰信号相对于真实回波信号会有略微的失真，给出ＤＲＦＭ基本结构，如图２．３所示：逡逑＼／逡逑ｉ邋ｋ逡逑放大器逦射频滤波器逡逑—￣＜Ｃ｝￣￣￣｜给［逦１上电Ｉｆ邋ｆ｜基带信号处理逡逑本振逡逑图２．３无线发射机基本结构逡逑ＤＲＦＭ的非线性失真的来源主要有混频器失真、滤波器失真、放大器失真等，而ＤＲＦＭ逡逑中的放大器非线性失真是真实信号与欺骗干扰信号时域波形区别的主要来源。因此如何合理逡逑的准确刻画出真实回波与欺骗干扰信号之间存在的非线性失真是识别欺骗干扰信号至关重要逡逑的一步。Ｈａｍｍｅｒｓｔｅｉｎ模型、Ｗｉｅｎｅｒ模型、Ｈａｍｍｅｒｓｔｅｉｎ－Ｗｉｅｎｅｒ模型可以较好的反映硬件链路逡逑中放大器输入输出之间的非线性变化。逡逑２．１．１邋Ｈａｍｍｅｒｓｔｅｉｎ邋模型逡逑Ｈａｍｍｅｒｓｔｅｉｎ模型可以被分为线性部分和非线性部分两个模块。线性部分的线性记忆系统逡逑被级联在非线性部分的无记忆系统后面，其结构如图２．４所示。逡逑７逡逑

从图２．１０可以看出，模型输出与真实输出非常相似，基本符合真实输出的幅度、频率和逡逑趋势，然而本文区分真实回波信号和欺骗千扰最重要的依据：放大器细微非线性畸变特征没逡逑有被完全的拟合出来，图中辨识得到的模型系数可以认为是不带有描述非线性畸变特征的模逡逑型参数，对于欺骗干扰识别没有意义。所以为了能够更好的拟合曲线中各种弯曲、转折，将逡逑其映射到参数空间中，为欺骗干扰识别提供原理性特征，还需要寻找具有更强非线性拟合能逡逑力的模型。逡逑２．６仿真实验逡逑本节将通过仿真实验比较惯性权重粒子群算法、自适应小生境遗传算法和神经网络算法逡逑在Ｈａｍｍｅｒｓｔｅｉｎ－Ｗｉｅｎｅｒ模型参数辨识上的性能。设Ｈａｍｍｅｒｓｔｅｉｎ－Ｗｉｅｎｅｒ模型的第一个非线性逡逑模块、线性模块、第二个非线性模块的模型阶数分别为３，邋３，邋３，模型的９个系数如表２．１所逡逑设：逡逑逦逦逦邋表２Ｊ仿真模型参数设置逦逦逦逡逑ｂｘ逦ｂ２逦ｂ＇逦＼＼逦ｈ－，逦Ｂｘ逦Ｂ２逡逑１逦｜逦０．８逦｜逦０．１逦｜逦１逦０．３逦－０．１逦１逦０．２逦－０．０５逡逑

逦６００逡逑采样点数逡逑图２．１０曲线拟合对比图逡逑从图２．１０可以看出，模型输出与真实输出非常相似，基本符合真实输出的幅度、频率和逡逑趋势，然而本文区分真实回波信号和欺骗千扰最重要的依据：放大器细微非线性畸变特征没逡逑有被完全的拟合出来，图中辨识得到的模型系数可以认为是不带有描述非线性畸变特征的模逡逑型参数，对于欺骗干扰识别没有意义。所以为了能够更好的拟合曲线中各种弯曲、转折，将逡逑其映射到参数空间中，为欺骗干扰识别提供原理性特征，还需要寻找具有更强非线性拟合能逡逑力的模型。逡逑２．６仿真实验逡逑本节将通过仿真实验比较惯性权重粒子群算法、自适应小生境遗传算法和神经网络算法逡逑在Ｈａｍｍｅｒｓｔｅｉｎ－Ｗｉｅｎｅｒ模型参数辨识上的性能。设Ｈａｍｍｅｒｓｔｅｉｎ－Ｗｉｅｎｅｒ模型的第一个非线性逡逑模块、线性模块、第二个非线性模块的模型阶数分别为３，邋３，邋３，模型的９个系数如表２．１所逡逑设：逡逑逦逦逦邋表２Ｊ仿真模型参数设置逦逦逦逡逑ｂｘ逦ｂ２逦ｂ＇逦＼＼逦ｈ－，逦Ｂｘ逦Ｂ２逡逑１逦｜逦０．８逦｜逦０．１逦｜逦１逦０．３逦－０．１逦１逦０．２逦－０．０５逡逑１９逡逑

【参考文献】

相关期刊论文 前10条

1 赵珊珊;张林让;周宇;刘楠;;利用空间散射特性差异进行有源假目标鉴别[J];西安电子科技大学学报;2015年02期

2 熊伟丽;陈敏芳;王肖;徐保国;;运用改进差分进化算法辨识Hammerstein模型[J];南京理工大学学报;2013年04期

3 曲昀;南敬昌;毛陆虹;张智栋;王鑫;;双分支Hammerstein-Wiener射频功放行为建模及预失真[J];微电子学;2013年04期

4 申雨轩;邵克勇;李飞;张新刚;谢维志;易江;;变区域多种群遗传算法[J];科学技术与工程;2011年15期

5 顾君忠;;情景感知计算[J];华东师范大学学报(自然科学版);2009年05期

6 孙闽红;唐斌;;距离-速度同步拖引欺骗干扰的频谱特征分析[J];系统工程与电子技术;2009年01期

7 金哲;宋执环;何加铭;;基于简化Volterra级数的射频功率放大器建模与辨识[J];电路与系统学报;2008年05期

8 葛继科;邱玉辉;吴春明;蒲国林;;遗传算法研究综述[J];计算机应用研究;2008年10期

9 桂卫华;宋海鹰;阳春华;;Hammerstein-Wiener模型最小二乘向量机辨识及其应用[J];控制理论与应用;2008年03期

10 王景杨;苑明哲;曹景兴;潘杰;;基于最小二乘参数辨识的非线性机理模型研究[J];沈阳理工大学学报;2008年03期

本文编号：2761181