基于高阶谱特征的雷达全脉冲转发干扰识别

doi:10.3969/j.issn.1009-086x.2025.06.015

摘要/Abstract

摘要：

雷达全脉冲转发干扰通过数字射频存储器件采样并根据不同的时序转发，由于单个脉冲内不包含其他调制特征，与回波信号具有高度的相似性，相较于其他干扰样式识别，特征参数提取难，差异性不明显。针对此问题，提出一种基于高阶谱特征的雷达全脉冲转发干扰识别方法，根据高阶谱分析抑制高斯白噪声、包含相位信息等适用于处理非平稳信号的特点，提取特征参数构建特征向量，利用机器学习算法进行识别，最后通过实装和数学仿真相结合进行验证。仿真结果表明，在信噪比大于5 dB和25 dB时，识别正确率分别接近80%和95%，验证了算法的有效性，具有一定的工程应用价值。

关键词: 全脉冲转发, 干扰识别, 高阶谱, 特征向量, 机器学习

Abstract:

Radar full pulse repeater jamming samples through a digital radio frequency memory device and repeats according to different time sequences. Due to the absence of other modulation features within a single pulse， which is highly similar to echo signals， the feature parameters extraction is difficult， and the differences are inconspicuous in comparison with other jamming recognition. This paper proposes recognition of radar full pulse repeater jamming based on high-order spectrum features， which can suppress Gaussian white noise， contain phase information， and process non-stationary signals. It can be used to extract feature parameters， construct feature vectors， and recognize through machine learning algorithms. Finally， the algorithm is verified through a combination of practical equipment and mathematical simulation. The simulation results show that when the signal-to-noise ratio is greater than 5 dB and 25 dB， the recognition accuracy is close to 80% and 95%， respectively， which verifies the effectiveness of the algorithm and has certain value in engineering application.

Key words: full pulse repeater, jamming recognition, high-order spectrum, feature vector, machine learning

中图分类号:

TN972

刘一兵, 陈柳廷, 韩国强. 基于高阶谱特征的雷达全脉冲转发干扰识别[J]. 现代防御技术, 2025, 53(6): 149-155.

Yibing LIU, Liuting CHEN, Guoqiang HAN. Recognition of Radar Full Pulse Repeater Jamming Based on High-Order Spectrum Features[J]. Modern Defense Technology, 2025, 53(6): 149-155.

图/表 7

图1 仿真实验环境构建示意图

Fig. 1 Schematic diagram of simulation experiment environment construction

图2 干扰信号结果

Fig. 2 Jamming signal results

图3 双谱估计结果

Fig. 3 Bispectral estimation results

图4 SIB特征参数分布情况

Fig. 4 Distribution of SIB feature parameters

图5 AIB，RIB特征参数分布情况

Fig. 5 Distribution of AIB and RIB feature parameters

表1 3种积分方法特征参数统计特性

Table 1 Statistical characteristics of feature parameters in three integration methods

类型	特征参数	统计特性
		均值		均值差值	标准差
		辐射源	干扰	均值差值	辐射源	干扰
SIB	$S s v d$	16.335 3	22.563 6	6.228 3	2.800 4	4.312 5
	$E s v d$	0.607 5	0.505 8	0.101 7	0.037 1	0.024 2
	$E w$	4.587 6	4.621 3	0.033 7	0.060 5	0.051 3
	$v i m a x$	6.653 2	9.231 1	2.577 9	1.517 7	2.535 7
RIB	$E w$	3.974 1	4.007 1	0.033 0	0.050 6	0.047 7
RIB	$v i m a x$	1.377 2	1.693 6	0.316 4	0.476 4	0.673 2
AIB	$E w$	5.187 2	5.228 7	0.041 5	0.067 1	0.053 0
AIB	$v i m a x$	7.102 6	6.738 6	0.364 0	1.514 1	1.873 9

表1 3种积分方法特征参数统计特性

Table 1 Statistical characteristics of feature parameters in three integration methods

类型	特征参数	统计特性
		均值		均值差值	标准差
		辐射源	干扰	均值差值	辐射源	干扰
SIB	$S s v d$	16.335 3	22.563 6	6.228 3	2.800 4	4.312 5
	$E s v d$	0.607 5	0.505 8	0.101 7	0.037 1	0.024 2
	$E w$	4.587 6	4.621 3	0.033 7	0.060 5	0.051 3
	$v i m a x$	6.653 2	9.231 1	2.577 9	1.517 7	2.535 7
RIB	$E w$	3.974 1	4.007 1	0.033 0	0.050 6	0.047 7
RIB	$v i m a x$	1.377 2	1.693 6	0.316 4	0.476 4	0.673 2
AIB	$E w$	5.187 2	5.228 7	0.041 5	0.067 1	0.053 0
AIB	$v i m a x$	7.102 6	6.738 6	0.364 0	1.514 1	1.873 9

图6 识别准确率

Fig. 6 Recognition accuracy

参考文献 16

[1]	冉宏远，张宏伟，张民国. 数字射频存储器发展现状及趋势［J］. 飞航导弹， 2018（6）： 44-48.
	RAN Hongyuan， ZHANG Hongwei， ZHANG Minguo. Development Status and Trend of Digital Radio Frequency Memory［J］. Aerodynamic Missile Journal， 2018（6）： 44-48.
[2]	黄思源，刘东升. 基于DRFM的移频旁瓣干扰技术研究［J］. 现代防御技术， 2017， 45（6）： 25-32.
	HUANG Siyuan， LIU Dongsheng. Technology of Frequency Shift Sidelobe Jamming Based on DRFM［J］. Modern Defence Technology， 2017， 45（6）： 25-32.
[3]	张锋，高玉良，刘骁，等. 一种改进的数字信道化DRFM系统设计研究［J］. 现代防御技术， 2016， 44（4）： 136-143.
	ZHANG Feng， GAO Yuliang， LIU Xiao， et al. A Novel Design Methodology of DRFM System Based on Digital Channelization［J］. Modern Defence Technology， 2016， 44（4）： 136-143.
[4]	陈赓，田波，宫健，等. 雷达有源干扰鉴别技术综述［J］. 现代防御技术， 2019， 47（5）： 113-119.
	CHEN Geng， TIAN Bo， GONG Jian， et al. Overview of Radar Active Jamming Identification Techniques［J］. Modern Defence Technology， 2019， 47（5）： 113-119.
[5]	赵忠臣，刘利民，解辉，等. 基于DRFM的雷达有源干扰信号识别算法综述［J］. 电光与控制， 2024， 31（4）： 65-74.
	ZHAO Zhongchen， LIU Limin， XIE Hui， et al. A Review of Radar Jamming Signal Recognition Algorithms Based on DRFM［J］. Electronics Optics & Control， 2024， 31（4）： 65-74.
[6]	张瑞，李晨轩，张劲东，等. 雷达有源干扰的多域特征参数关联智能识别算法［J］. 信号处理， 2024， 40（3）： 524-536.
	ZHANG Rui， LI Chenxuan， ZHANG Jindong， et al. Intelligent Recognition Algorithm for Multi-domain Feature Parameter Correlation of Radar Active Jamming［J］. Journal of Signal Processing， 2024， 40（3）： 524-536.
[7]	余康林，匡华星，王超宇. 基于多维特征的密集转发式干扰识别方法［J］. 雷达科学与技术， 2021， 19（4）： 448-454， 466.
	YU Kanglin， KUANG Huaxing， WANG Chaoyu. A Recognition Method of Dense Repeater Jamming Based on Multiple Features［J］. Radar Science and Technology， 2021， 19（4）： 448-454， 466.
[8]	杨小鹏，韩博文，吴旭晨，等. 基于短时分数阶傅里叶变换的间歇采样转发干扰辨识方法［J］. 信号处理， 2019， 35（6）： 1002-1010.
	YANG Xiaopeng， HAN Bowen， WU Xuchen， et al. Interrupted Sampling Repeater Jamming Identification Method Based on Short-Time Fractional Fourier Transform［J］. Journal of Signal Processing， 2019， 35（6）： 1002-1010.
[9]	刘一兵，罗强，胡然，等. 基于多维小波特征的有源雷达欺骗干扰识别［J］. 现代防御技术， 2024， 52（3）： 120-127.
	LIU Yibing， LUO Qiang， HU Ran， et al. Active Radar Deception Jamming Recognition Based on Multidimensional Wavelet Features［J］. Modern Defence Technology， 2024， 52（3）： 120-127.
[10]	杨少奇，田波，李欣，等. 基于时频图像特征提取的LFM雷达有源欺骗干扰识别［J］. 空军工程大学学报（自然科学版）， 2016， 17（1）： 56-59.
	YANG Shaoqi， TIAN Bo， LI Xin， et al. A Recognition Method of LFM Radar Active Deception Jamming Based on SPWVD Figure［J］. Journal of Air Force Engineering University（Natural Science Edition）， 2016， 17（1）： 56-59.
[11]	杨兴宇，阮怀林. 基于时频图像Zernike矩特征的欺骗干扰识别［J］. 现代雷达， 2018， 40（2）： 91-95.
	YANG Xingyu， RUAN Huailin. A Recognition Method of Deception Jamming Based on Image Zernike Moment Feature of Time-Frequency Distribution［J］. Modern Radar， 2018， 40（2）： 91-95.
[12]	阮怀林，杨兴宇. 基于栈式稀疏自编码器的有源欺骗干扰识别［J］. 探测与控制学报， 2018， 40（4）： 62-67.
	RUAN Huailin， YANG Xingyu. Radar Active Deception Identification Method Based on Stacked Sparse Autoencoder［J］. Journal of Detection & Control， 2018， 40（4）： 62-67.
[13]	刘傲，周正，杨卫国. 基于双谱切片小波包的雷达体制识别技术［J］. 火力与指挥控制， 2021， 46（9）： 38-45.
	LIU Ao， ZHOU Zheng， YANG Weiguo. Recognition of Radar Systems Based on Bispectrum Slice Wavelet Packets［J］. Fire Control & Command Control， 2021， 46（9）： 38-45.
[14]	贾济铖，齐琳. 基于双谱的射频指纹提取方法［J］. 太赫兹科学与电子信息学报， 2021， 19（1）： 107-111.
	JIA Jicheng， QI Lin. RF Fingerprint Extraction Method Based on Bispectrum［J］. Journal of Terahertz Science and Electronic Information Technology， 2021， 19（1）： 107-111.
[15]	米新平，陈西宏，刘赞，等. 基于熵评价模态分解的雷达信号双谱特征识别［J］. 系统工程与电子技术， 2021， 43（8）： 2116-2123.
	MI Xinping， CHEN Xihong， LIU Zan， et al. Bispectrum Feature Recognition of Radar Signal Based on Entropy Evaluation and Modal Decomposition［J］. Systems Engineering and Electronics， 2021， 43（8）： 2116-2123.
[16]	周红平，王子伟，郭忠义. 雷达有源干扰识别算法综述［J］. 数据采集与处理， 2022， 37（1）： 1-20.
	ZHOU Hongping， WANG Ziwei， GUO Zhongyi. Overview on Recognition Algorithms of Radar Active Jamming［J］. Journal of Data Acquisition and Processing， 2022， 37（1）： 1-20.