阅读说明：本技术 一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法 (Improved block sparse Bayesian anti-interference method based on power characteristic value extraction ) 是由 张海龙 张宁 李纪三 于 2020-06-12 设计创作，主要内容包括：本发明涉及一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法,属于雷达信号处理技术领域,特别涉及解决电子干扰中的压制式窄带干扰以及主瓣干扰问题。首先采集雷达中频回波数据并缓存,接着初始化块稀疏贝叶斯数据块大小、设置学习速率和最大收敛次数；然后构造优化函数并建立块稀疏贝叶斯数学模型,添加扰动项；接着根据特征功率门限判断是否是干扰信号特征功率,如果是则构造块稀疏恢复子字典进行相应迭代；最后判断如果达到最大迭代次数,则利用稀疏恢复反射系数进行数据恢复,从而抑制干扰信号,有效提高目标检测概率。本发明可以分离雷达有用回波和干扰信号,有效改善目标信号的信干噪比、抑制干扰信号,降低运算量。(The invention relates to an improved block sparse Bayesian anti-interference method based on power characteristic value extraction, belongs to the technical field of radar signal processing, and particularly relates to a method for solving the problems of suppression type narrow-band interference and main lobe interference in electronic interference. Firstly, acquiring radar intermediate frequency echo data and caching, then initializing block sparse Bayesian data block size, and setting learning rate and maximum convergence times; then constructing an optimization function, establishing a block sparse Bayesian mathematical model, and adding a disturbance term; then judging whether the characteristic power is the interference signal characteristic power according to a characteristic power threshold, and if so, constructing a block sparse recovery sub-dictionary to perform corresponding iteration; and finally, if the maximum iteration times is judged, data recovery is carried out by using the sparse recovery reflection coefficient, so that interference signals are suppressed, and the target detection probability is effectively improved. The invention can separate radar useful echo and interference signal, effectively improve the signal-to-interference-noise ratio of target signal, inhibit interference signal and reduce the operation amount.)

一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法

技术领域

本发明属于雷达信号处理技术领域，特别适用于电子干扰为窄带压制干扰进入雷达接收机影响雷达检测概率的场景。

背景技术

现代电子战场电磁环境复杂多变，针对雷达的工作方式设计的电子干扰样式形态各异。尤其针对常规搜索雷达，窄带压制式干扰是敌方常用的一种电子攻击手段，针对压制式干扰典型主动抗干扰做法采用频率捷变、典型被动抗干扰做法采用副瓣对消和副瓣抑制结合信号和数据处理点、航迹质量评估等方法抑制干扰信号，但是这种主动抗干扰措施对于相控阵雷达有限的带宽资源负担过大、被动抗干扰措施势必带来目标检测概率的损失过大等不良影响、并且针对来自雷达主瓣的干扰无从下手。因此，针对窄带压制式干扰特别来自主瓣方向的干扰如何有效抑制干扰信号，降低信干比损失是雷达目标检测的关键技术之一。

西安交通大学在其申请的发明专利文献“一种基于块稀疏特性的混合高斯频谱感知方法”(公开号：CN108880713A，申请号：CN201810490654.5)中公开了一种基于块稀疏特性的混合高斯频谱感知方法。该方法主要是构造高斯噪声下的块稀疏贝叶斯数学模型最终重构了主用户的功率谱信息，但是该方法无法针对非高斯模型，针对非平稳噪声环境和窄带干扰环境的恢复效果不佳。

文献《基于块稀疏贝叶斯学习的调频通信梳状干扰抑制》(兵工学报,2018,Vol.9,No.1pp:9-12)中提出了利用“干扰信号在频域表现的稀疏特性，建立块稀疏贝叶斯数学模型下的学习框架，通过期望最大化算法进行梳状干扰的恢复”。但是该算法在干扰信号时域不稀疏条件下无法有效恢复干扰信号，并且在数据样本较大时存在收敛性问题。

发明内容

本发明的目的是针对背景不是平稳高斯白噪声条件下，接收机混入来自天线主瓣的窄带压制干扰，提出一种收敛速度快、目标信噪比损失小的抗干扰方法，以克服现有技术处理过程中目标信噪比损失严重、无法抑制从雷达主瓣进入的窄带干扰以及收敛速度慢等问题。

本发明的具体技术方案为：

首先采集雷达中频回波数据，构造稀疏恢复感知原理系统模型。雷达中频回波系统为：

E_cho'＝Φ'[Re(σ_I ^T)Re(σ_U ^T)Im(σ_I ^T)Im(σ_U ^T)]^T+[ε_IU]^T

其中感知矩阵是一个2N×2M维度的矩阵，矩阵按照行展开数学表达式可以表示为[Re(D)-Im(D)Im(D)Re(D)]，D表示复数字典。ε_IU表示为回波信号除干扰之外的额外叠加，常见叠加以噪声形式体现，并假设实数部分和复数部分分别为M维向量。待提取的回波信号表示为[Re(σ_I ^T)Re(σ_U ^T)Im(σ_I ^T)Im(σ_U ^T)]^T并定义为2N×1的向量。

然后初始化感知矩阵相关参数、分块矩阵元素大小根据信号干扰噪声比SINR设置分块最小结构F_g的大小，如果信号干扰噪声比SINR＞T_ΔdB，就设定分块最小结构为F_g＝10；否则设定分块最小结构F_g＝6。T_Δ根据实际雷达背景选择。按照上述设定块结构对采集得到的复数雷达回波信号进行复数分割成对应位置的实数的对应划分，这里定义最终可以得到的雷达受到干扰信号元素稀疏贝叶斯块元素结构为Θ_I＝{[1:g_I],[g_I+g_U+1:2g_I+g_U]}；有用雷达目标回波信号的稀疏贝叶斯块元素结构表示为Θ_U＝{[g_I+1:g_I+g_U],[2g_I+g_U+1:2g_I+2g_U]}。设置学习速率和最大迭代次数大小。

构造系统优化代价函数：

代价函数根据块稀疏贝叶斯模型下期望最大化算法进行了相关符合雷达回波特征的改进，引入了扰动项δ_i，防止出现不收敛情况。其中

表示似然函数，γ_i是一个非负的超参数，B_i代表一个正定矩阵用于表征块之间的内部互联关系。

接着利用特征功率的定义门限加快了计算速度，提升了计算效率。根据矩阵特征值的物理含义定义为：

上述门限计算式在干扰信号空间内部完成，每个被分成块的向量对应的主协方差矩阵为γ_iB_i，干扰信号被最终分成的块序号为g_I。设定为0.5表征加权系数。利用初始信息和雷达回波矩阵信息对改进后的块稀疏贝叶斯架构下的期望最大化算法相关参数进行估计。根据设定门限判断是否是干扰信号的特征功率，如果超过门限进行干扰信号和雷达有用回波信号的恢复子字典的建立，否则遍历下一个数据判断当达到最大值后，利用字典信息进行干扰信号的重构和有用回波信号的重构。如果判断干扰信号超过此计算门限，则分别构造雷达有用回波矩阵子字典和干扰信号矩阵子字典如下：

上述公式的W_N和Ε_mn示为W_N＝exp(-j2π/N),Ε_mn＝exp(jπkt²),其中k表示发射信号的调频斜率。干扰信号的子字典D_I是N×N维，雷达有用回波D_U信号子字典是N×M维。

干扰信号和雷达有用回波信号的具体重构方式为：

其中，和分别是干扰信号和雷达有用回波信号经过本发明恢复出的各自的有效反射系数。利用重构后的信息进行雷达回波的后续雷达信号处理与干扰识别。

下面结合附图1对本发明做进一步详细描述。

附图说明

图1是本发明基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法的处理流程图。

图2是本发明具体实施例中添加窄带射频干扰后对采集的雷达回波脉压求模图。

图3是本发明具体实施例中采用基于功率特征值改进块稀疏贝叶斯抗干扰方法处理后恢复的干扰信号波形图。

图4是本发明具体实施例中采用基于功率特征值改进块稀疏贝叶斯抗干扰方法处理后恢复的雷达有用回波信号波形图。

图5是采用基于功率特征值改进块稀疏贝叶斯抗干扰方法处理后恢复的雷达有用回波信号经过脉压求模后和没有受到干扰信号直接脉压求模后的对比图。

图6是本发明具体实施例中采用基于功率特征值改进块稀疏贝叶斯抗干扰方法后的信号干扰噪声功率比改善。

图7是采用基于功率特征值改进块稀疏贝叶斯抗干扰方法处理后恢复的雷达有用回波信号经过脉压求模后和没有受到干扰信号直接脉压求模后的失真度统计。

具体实施方式

下面结合附图以及具体实施例来详细说明本发明，不作为对本发明的限定。本发明基于功率特征值改进块稀疏贝叶斯抗干扰方法示意图如图1所示，具体过程如下：

步骤一：采集雷达中频回波数据构造稀疏恢复感知原理系统模型。

考虑雷达中频回波结构特性，雷达中频回波系统为：

E_cho'＝Φ'[Re(σ_I ^T)Re(σ_U ^T)Im(σ_I ^T)Im(σ_U ^T)]^T+[ε_IU]^T

其中感知矩阵是一个2N×2M维度的矩阵，矩阵按照行展开数学表达式可以表示为[Re(D)-Im(D)Im(D)Re(D)]，ε_IU表示为回波信号除干扰之外的额外叠加，常见叠加以噪声形式体现，并假设实数部分和复数部分分别为M维向量。待提取的回波信号表示为[Re(σ_I ^T)Re(σ_U ^T)Im(σ_I ^T)Im(σ_U ^T)]^T并定义为2N×1的向量。

步骤二：初始化感知矩阵相关参数、分块矩阵元素大小、设置学习速率和最大迭代次数大小；

1)干扰信号和有用回波信号的分块分别独立进行，并根据信号干扰噪声比SINR设置分块最小结构F_g，当信号干扰噪声比SINR＞T_ΔdB设分块最小结构为F_g＝10，否则设定分块最小结构F_g＝6。这里设置T_Δ＝5，雷达受到电子压制窄带干扰信号元素块结构表示为Θ_I＝{[1:g_I],[g_I+g_U+1:2g_I+g_U]}，同样地可以定义有用雷达回波信号元素块结构表示为Θ_U＝{[g_I+1:g_I+g_U],[2g_I+g_U+1:2g_I+2g_U]}。

2)初始化自适应学习类型adaptive＝2，并设置最大迭代次数max_iter＝20，设置学习速率learn_lamda＝0.001，超参数pure_gama＝0.01。

步骤三：构造系统优化代价函数，利用初始信息和雷达回波矩阵信息对改进后的块稀疏贝叶斯架构下的期望最大化算法相关参数进行估计。

代价优化函数设定为：

代价函数根据块稀疏贝叶斯模型下期望最大化算法进行了相关符合雷达回波特征的改进，引入了扰动项δ_i，防止出现不收敛情况。防止出现不收敛情况。其中表示似然函数，γ_i是一个非负的超参数，B_i代表一个正定矩阵用于表征块之间的内部互联关系。

步骤四：根据设定门限判断是否是干扰信号的特征功率，如果超过门限进行干扰信号和雷达有用回波信号的恢复子字典的建立。

根据步骤三本发明定义了功率特征值门限，并且利用此门限减少了计算量，必然加快了计算速度，提升了计算效率。根据矩阵特征值的物理含义定义为：

上述门限计算式在干扰信号空间内部完成，每个被分成块的向量对应的主协方差矩阵为γ_iB_i，干扰信号被最终分成的块序号为g_I。设定为0.5表征加权系数。如果判断干扰信号超过此计算门限，则分别构造雷达有用回波矩阵子字典和干扰信号矩阵子字典如下：

上述公式的W_N和Ε_mn示为W_N＝exp(-j2π/N),Ε_mn＝exp(jπkt²),其中k表示发射信号的调频斜率。干扰信号的子字典D_I是N×N维，雷达有用回波信号子字典是N×M维。

步骤五：利用子字典信息对干扰信号和回波信号进行重构，恢复原始雷达有用回波信号。

具体重构公式表示为：

其中，和分别是干扰信号和雷达有用回波信号经过稀疏恢复出的各自雷达有效反射系数。

步骤六：利用重构后的信息进行脉冲压缩处理和干扰信号识别。

下面通过数据仿真对本发明作进一步的举例说明。

假设在仿真区域有两个点目标信号，目标的速度分别为0m/s和300m/s，目标距离分别设定为3.3km和5.1km处，目标的信干噪比设定为0dB和-12dB，雷达载频设定为3GHz，雷达发射信号设定为线性正调频信号，信号的时间宽度设定为2us，带宽设定为1MHz。光速设定为3×10⁸m/s。

图2所示是雷达回波信号和噪声以及调频窄带干扰混合之后不经过任何抗干扰措施，直接脉压求模图。从图中可以看到，尽管经过脉冲压缩提高了信噪比，但是干扰信号依旧远大于目标信号，脉压之后的求模主瓣也淹没在干扰中，无法进行后续给定指标下的目标检测，根据虚警率计算得到检测门限进行常规检测，必然造成目标漏检现象。图3和图4所示是经过本发明基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法恢复出的干扰信号和雷达有用回波信号，从图中可以看到雷达目标回波信号和干扰信号基本完全分离。图5所示是对比经过本发明恢复后的回波脉压求模值和未加干扰的雷达原始回波脉压求模值。对比前后的失真度图7所示，可以看到经过干扰分离后脉压求模的最大损失为1.5％，完全满足工程设计指标要求，并且从图6所示可以看到，经过本方法基于功率特征值提取的块稀疏贝叶斯抗干扰方法带来了平均信干噪比为12.48dB。