本發(fā)明屬于通信
技術(shù)領(lǐng)域:
,涉及一種干擾類型識別方法。
背景技術(shù):
:隨著電子信息技術(shù)的快速發(fā)展,當(dāng)前的通信體制越來越多,通信系統(tǒng)也越來越復(fù)雜,并且通信所處的電磁環(huán)境也日益復(fù)雜等。這給各種通信系統(tǒng)在抗干擾方面提出了巨大的挑戰(zhàn),特別是在軍事通信中,通信系統(tǒng)的抗干擾性能可能直接左右著戰(zhàn)爭的走向,因此世界各國不約而同地對本國軍事通信抗干擾技術(shù)進(jìn)行研究和探索,以便在復(fù)雜的國際形式下取得信息優(yōu)勢,保證本國的軍事安全。干擾識別作為通信對抗系統(tǒng)的重要組成部分,一方面,可以為認(rèn)知當(dāng)前電磁環(huán)境提供依據(jù);另一方面,可以為通信接收機(jī)針對不同干擾樣式然后選擇合適的抗干擾手段提供支持,從而使抗干擾手段更有針對性和更好的提高通信系統(tǒng)的抗干擾性能。通信對抗中的干擾信號種類很多,從不同的域來區(qū)分,可以分為時域干擾、頻域干擾、掃頻干擾、空域干擾。一方面,由于不同種類的干擾,抑制方法不一樣,所以有必要將不同種類的干擾區(qū)分開來從而采用更有針對性的干擾抑制方法;另一方面,當(dāng)一個系統(tǒng)包含多種不同種類的干擾時,在接收端所采取的干擾抑制方法的先后順序?qū)ο到y(tǒng)的性能也有比較大的影響(例如:一個頻域干擾,如果首先經(jīng)過時域干擾抑制后再進(jìn)行頻域抑制,很有可能先經(jīng)過的時域干擾抑制會對后續(xù)的頻域干擾抑制產(chǎn)生影響,使得干擾抑制性能變差)所以,對不同種類的干擾進(jìn)行分類,并識別出干擾類型,能避免上述情況的發(fā)生。對于干擾類型的自動識別,目前研究比較多的主要是在直接序列擴(kuò)頻(DirectSequenceSpreadSpectrum,DSSS)或跳頻擴(kuò)頻(Frequency-HoppingSpreadSpectrum,F(xiàn)HSS)系統(tǒng)中以及有關(guān)雷達(dá)輻射源信號的識別。寬帶干擾是針對擴(kuò)頻和跳頻系統(tǒng)的常見的有效干擾方式,因此,對于干擾類型識別主要是識別各種寬帶干擾,如寬帶噪聲干擾、寬帶梳狀干擾、寬帶掃頻干擾等;在雷達(dá)輻射源信號識別中,主要是對接收到的脈沖信號的脈內(nèi)調(diào)制特征和脈內(nèi)個體特征進(jìn)行分析并識別各自的輻射源以及對常見的欺騙干擾(距離欺騙、角度欺騙、速度欺騙)的分類。由此可見,目前干擾識別算法都是針對某一特定類型的干擾或者針對特定的應(yīng)用場景,干擾類型比較少,不適合復(fù)雜的電磁干擾環(huán)境。另一方面,干擾識別包括干擾特征提取和干擾分類兩個過程,其中干擾特征參數(shù)提取是干擾識別的核心,特征參數(shù)提取算法的選擇上也是多種多樣,比如用小波包變換提取特征參數(shù)、使用高階累積量、使用分?jǐn)?shù)階傅里葉變換等算法,上述算法雖然能準(zhǔn)確提取出干擾信號的特征參數(shù),但是大大增加計算的復(fù)雜度,不利于工程的實現(xiàn);在各種分類算法中,神經(jīng)網(wǎng)絡(luò)分類器分類時需要大量的訓(xùn)練樣本,容易出現(xiàn)欠學(xué)習(xí)、過學(xué)習(xí)和陷入局部極值等問題,支持向量機(jī)分類器在解決高維模式識別、非線性識別以及小樣本識別問題上具有很大的優(yōu)勢,但是也存在核函數(shù)的選擇、核參數(shù)的確定等問題,復(fù)雜度也比較高。技術(shù)實現(xiàn)要素:本發(fā)明所要解決的,就是提供了一種適合復(fù)雜電磁干擾環(huán)境的干擾識別方法,該方法通過提取一組無需干擾先驗信息并且對干噪比不敏感的分類特征參數(shù),并使用復(fù)雜度較低的決策樹分類算法,對無線通信系統(tǒng)中常見的干擾信號進(jìn)行識別,而且具有較好的識別性能。為了方便地描述本發(fā)明的內(nèi)容,首先對要識別的干擾信號進(jìn)行說明:針對無線通信系統(tǒng)常見的干擾類型,分為三大類:1)時域干擾:脈沖噪聲干擾、常見雷達(dá)脈沖信號;2)頻域干擾:部分頻帶干擾、瞄準(zhǔn)式干擾(AM干擾、FM干擾、BPSK干擾、BPSK干擾、QPSK干擾、CW干擾、單音干擾)多音干擾(梳狀干擾、隨機(jī)多音干擾);3)掃頻干擾:線性調(diào)頻干擾、噪聲調(diào)頻干擾、單音/多音掃頻干擾、鋸齒波掃頻干擾。本發(fā)明的技術(shù)方案是:一種干擾類型識別方法,其特征在于,包括以下步驟:a.提取信號的干擾特征參數(shù);所述干擾特征參數(shù)至少包括:時域峰均比Rpm、時域矩峰度a4、歸一化譜沖擊標(biāo)準(zhǔn)差δps;b.判斷提取的時域峰均比Rpm是否大于預(yù)設(shè)的時域峰均比門限值,若是,則判斷信號的干擾類型為噪聲脈沖干擾并結(jié)束判斷過程;若否,則進(jìn)入步驟c;c.對信號進(jìn)行頻域干擾檢測,具體方法為:將信號做NFFT點的FFT變換,然后做頻域干擾檢測處理,得到干擾頻點個數(shù)NJam和干擾頻點位置干擾功率和噪聲功率PNoise;d.根據(jù)步驟c的檢測結(jié)果,判斷NJam<1是否成立,若是,則判定當(dāng)前信號沒有干擾存在;若否,則進(jìn)入步驟e;e.對步驟c中檢測到的干擾進(jìn)行分簇,如果有多個簇存在,則計算所有簇所在頻點位置的標(biāo)準(zhǔn)差Cvar;f.對信號做短時傅里葉變換,提取信號的時頻圖,并將時頻圖二值化,然后計算每個時間段內(nèi)二值化序列的LZ復(fù)雜度,同時標(biāo)記出每個序列的新模式數(shù)量和新模式出現(xiàn)的對應(yīng)頻點的位置,最終得到信號的平均LZ復(fù)雜度和時頻圖干擾頻點位置的標(biāo)準(zhǔn)差的平均值Var;g.根據(jù)步驟a和步驟f中提取的特征參數(shù),使用分類方法中的決策樹將頻域干擾和掃頻干擾進(jìn)行分類。進(jìn)一步的,步驟a中所述提取信號的干擾特征參數(shù)的具體方法為:a1.提取信號的包絡(luò)A=[A1,A2,…,AL]T,由小到大排序,得到矢量A′=[A′1,A′2,…,A′L]T,其中,A′1≥A′2≥…≥A′L,設(shè)表示向下取整,取A′中前Lm個的平均值為信號的峰值包絡(luò)均值為則信號的時域峰均比為a2.提取時域矩峰度;具體為取時域信號的實部或者虛部為S=[S1,S2,…,SL]T,μ為S的均值,σ為S的標(biāo)準(zhǔn)差,信號的時域矩峰度為其中E[·]為求均值;a3.提取歸一化譜沖擊標(biāo)準(zhǔn)差;先對信號做NFFT點的FFT變化得到信號頻譜為P(n),則歸一化譜為E[·]為求均值;在得到信號的歸一化頻譜后,選擇長度Ln的滑動窗對頻譜進(jìn)行歸一化處理,得到頻譜的平坦部分;所述用減去頻譜的平坦部分提取歸一化頻譜中的沖激部分Pp‾(n)=P‾(n)-12Ln+1Σi=-LnLnP‾(n+i);]]>用于區(qū)分頻譜有無沖擊的干擾信號,定義歸一化譜沖擊部分標(biāo)準(zhǔn)差δps為:δps=1NFFTΣn=1NFFT[Pp‾(n)-(P)p‾n‾]2.]]>進(jìn)一步的,所述步驟f的具體方法為:f1.計算短時傅里葉變換:若輸入信號長度為L,短時傅里葉變換窗長為NSTFT,LOverlap為短時傅里葉變換加窗的重疊點數(shù),頻率點數(shù)為FFT點數(shù)NSTFT,時域上分段數(shù)為:為向下取整;所以短時傅里葉變換后得到一個NSTFT×K×P的三維時頻圖,其中P為與時間和頻率相對應(yīng)的能量值組成的向量;能量二值化門限為第i個時間段內(nèi)能量的最大值,Tpower值預(yù)設(shè)為10dB;通過二值化門限TH得到一個NSTFT×K的二維數(shù)組,這個二維數(shù)組就為信號的二值化時頻圖,其中有干擾的部分值為1,沒干擾的部分值為0;f2.搜索序列新模式:[N1,N2,....,NK]為二值化時頻圖的K個時間段,Nk=[c1,c2...,cN]為長度為NSTFT的0、1序列串,其中1≤k≤K,ci取0或者1,Nk中1的位置就表示第k個時間段干擾所在頻點的位置;從N1開始分別對每一個時間段做如下處理:f21.把Nk序列傳換成字符串形式{h(n)},然后定義{h(n)}的子序列S和Q,SQ表示S和Q的合并序列,SQ〈D〉表示將SQ中最后一個二進(jìn)制序列刪除后剩余的序列,設(shè)初始復(fù)雜度C(0)=1,S=h(1),Q=h(2),SQ=h(1)h(2);f22.若S=h(1),h(2)....h(i),Q=h(i+1)SQ<D>=h(1),h(2)....h(i);判斷Q是否是SQ<D>的子集,若Q屬于SQ<D>,復(fù)雜度c(n)不變,S不變,Q=h(i+1)h(i+2),重復(fù)步驟f22直到Q取到序列{h(n)}的最后一個二進(jìn)制符號;若Q不屬于SQ<D>,c=c+1,然后記錄新模式頻點的位置令S=SQ=h(1),h(2),h(3)..h(i+j),重復(fù)步驟f22直到Q取到序列{h(n)}的最后一個二進(jìn)制符號;f3.令Ck=c;為使復(fù)雜度值與序列長度無關(guān),Ck需要進(jìn)行歸一化處理;序列{h(n)}的長度是NSTFT,則歸一化的復(fù)雜度為:新模式頻點位置向量為f4.判斷所有時間段是否都計算完畢,若沒計算完,則回到步驟f21;若計算完畢,則進(jìn)入步驟f5;f5.得到模式數(shù)目向量C=[C1,C2,...,CK],計算信號的平均LZ復(fù)雜度f6.計算干擾頻點位置標(biāo)準(zhǔn)差:M=[M1,M2,..MK]為K個時間段新模式頻點的位置矩陣,由于每一個時間段得到模式數(shù)量不一定全部相等,還有部分點提取不準(zhǔn)確,有必要剔除奇異頻點,M′為剔除奇異頻點后的矩陣:M′=M11M21...MK′1M12M22...MK′2.........M1c′M2c′...MK′c′]]>其中c′為C=[C1,C2,...,CK]中最小值,K′≤K;對M′的每一行求標(biāo)準(zhǔn)差得V=[V1,V2,...,Vc′]T,干擾頻點位置標(biāo)準(zhǔn)差為進(jìn)一步的,步驟g中使用分類方法中的決策樹將頻域干擾和掃頻干擾進(jìn)行分類的具體方法為:g1.判斷由步驟f5中得到的復(fù)雜度lz是否大于預(yù)設(shè)的復(fù)雜度門限值Tlz=0.06,若是,則判斷干擾類型為頻域干擾中部分帶干擾、隨機(jī)多音、梳狀干擾或平穩(wěn)干擾中噪聲調(diào)頻干擾的一種,進(jìn)入步驟g2;若否,則判斷干擾類型為頻域干擾中瞄準(zhǔn)式干擾或平穩(wěn)干擾中線性調(diào)頻干擾、單/多音掃頻干擾、鋸齒波掃頻干擾的一種,進(jìn)入步驟g3;g2.判斷由步驟a3中得到的歸一化譜沖擊標(biāo)準(zhǔn)差是否大于預(yù)設(shè)的歸一化譜沖擊標(biāo)準(zhǔn)差門限值Tδps=1.0,若是,則判斷干擾類型為頻域干擾中隨機(jī)多音、梳狀干擾,進(jìn)入步驟g4;若否,則判斷干擾類型為頻域干擾中部分帶干擾或非平穩(wěn)干擾中噪聲調(diào)頻干擾的一種,進(jìn)入步驟g5;g3.判斷步驟f6中得到的時頻域干擾頻點位置標(biāo)準(zhǔn)差Var是否大于預(yù)設(shè)的時頻域干擾頻點位置標(biāo)準(zhǔn)差門限Tvar=14,若是,則判斷干擾類型為非平穩(wěn)干擾中線性掃頻、單/多音掃頻、鋸齒波掃頻;若否,則判斷干擾類型為頻域干擾中瞄準(zhǔn)式干擾、梳狀干擾;g4.判斷步驟e中得到的干擾簇頻點間隔方差Cvar是否大于預(yù)設(shè)的干擾簇頻點間隔方差門限值Tcvar=5,若是,則判斷干擾類型為頻域干擾中隨機(jī)多音;若否,則判斷干擾類型為頻域干擾中梳狀干擾;g5判斷步驟a2得到的時域矩峰度是否大于預(yù)設(shè)的時域矩峰度門限Ta4=2.85,若是,則判斷干擾類型為頻域干擾中部分帶干擾,若否,則判斷干擾類型為非平穩(wěn)干擾中噪聲調(diào)頻干擾。本發(fā)明的有益效果為,本發(fā)明可以對處于復(fù)雜電磁環(huán)境的無線通信系統(tǒng)中的敵意干擾做干擾檢測和識別,然后聯(lián)合決策出當(dāng)前電磁環(huán)境的狀況,并對有干擾環(huán)境下的干擾類型進(jìn)行分類;干擾檢測主要從時域和頻域兩個方面來確定干擾的存在性;干擾識別主要是從時域、頻域、時頻域提取特征參數(shù)并使用決策樹來將干擾分成時域干擾、頻域干擾、掃頻三大類并將部分干擾做了詳細(xì)識別;本發(fā)明提取的干擾特征參數(shù)具有較好的魯棒性并且對干噪比不太敏感,在使用算法復(fù)雜度較低的決策樹判決方法的情況下也能具有較好的干擾識別性能。附圖說明圖1是本發(fā)明干擾類型識別的詳細(xì)流程圖;圖2是步驟a中干擾特征參數(shù)的提取流程圖;圖3是步驟f中干擾特征參數(shù)的提取流程圖;圖4是決策樹判決流程圖;圖5是本發(fā)明干擾識別仿真的關(guān)于各種干擾類型識別性能圖。具體實施方式下面結(jié)合附圖和實施例,詳細(xì)描述本發(fā)明的技術(shù)方案:本實施方案是在靜默期內(nèi)對數(shù)據(jù)長度為L=30720×20的信號進(jìn)行干擾檢測和識別,系統(tǒng)中對信號加了窗長NFFT為2048的漢明窗,因此FFT長度NFFT為2048;頻域FCME干擾檢測功率累加長度Nsum為64,由此計算得到干擾檢測門限因子Tfactor為1.64,系統(tǒng)中其他干擾特征參數(shù)所用的門限均為仿真分析后取的經(jīng)驗值。S1、參數(shù)的設(shè)置:根據(jù)系統(tǒng)參數(shù)和各種干擾檢測及識別算法的理論和仿真分析確定干擾檢測門限因子Tfactor為1.64、時域峰均比門限Trpm為3.5、LZ復(fù)雜度門限Tlz為0.06、時頻域干擾頻點位置的標(biāo)準(zhǔn)差門限Tvar為14、歸一化沖擊標(biāo)準(zhǔn)差門限Tδps為1.0、時域矩峰度門限Ta4為2.85、干擾簇頻點間隔的標(biāo)準(zhǔn)差門限Tcvar為5;S2、干擾特征參數(shù)提取a:提取信號的時域峰均比Rpm、時域矩峰度a4、歸一化譜沖擊標(biāo)準(zhǔn)差δps;S21、提取時域峰均比:處理信號總長度為L首先提取信號的包絡(luò)A=[A1,A2,…,AL]T,由小到大排序,得到矢量A′=[A′1,A′2,…,A′L]T,其中,A′1≥A′2≥…≥A′L,設(shè)表示向下取整,取A′中前Lm個的平均值為信號的峰值包絡(luò)均值為則將信號的時域峰均比為S22、提取時域矩峰度:取時域信號的實部或者虛部為S=[S1,S2,…,SL]T,為S的均值,為S的標(biāo)準(zhǔn)差,信號的時域矩峰度為S23、提取歸一化譜沖擊標(biāo)準(zhǔn)差:先對信號分成k=300段每段長度為NFFT=2048,分段后數(shù)據(jù)為r=[r0,r1,…,rk-1],其中,第m段時域數(shù)據(jù)為對各段時域數(shù)據(jù)分別進(jìn)行FFT變換,得到k段頻域數(shù)據(jù)R=[R0,R1,…,Rk-1],其中,第m段頻域數(shù)據(jù)為然后對各段的相同頻點數(shù)據(jù)進(jìn)行模方求均值運算,得到的平均功率其中,第n個頻點的平均功率為將功率求開方運算得到信號的幅度譜為P(n)=[P(1),P(2)....P(NFFT)],信號歸一化譜為E[·]為求均值。在得到信號的歸一化頻譜后,選擇長度Ln(取為)的滑動窗對頻譜進(jìn)行歸一化處理,得到頻譜的平坦部分。用減去頻譜的平坦部分就可以提取歸一化頻譜中的沖激部分Pp‾(n)=P‾(n)-12Ln+1Σi=-LnLnP‾(n+i);]]>由就能很好區(qū)分頻譜有無沖擊的干擾信號,為了提取出這一參數(shù),定義歸一化譜沖擊部分標(biāo)準(zhǔn)方差δps:δps=1NFFTΣn=1NFFT[Pp‾(n)-(P)p‾n‾]2;]]>S3、判斷時域峰均比是否大與門限:將S2中提取的時域峰均比Rpm與門限值作比較,如果大于門限則判定為噪聲脈沖干擾;否則S4;S4、頻域干擾檢測:取接收數(shù)據(jù)的一部分,連續(xù)NFFT=2048個采樣點為一段,共分為k=64段r=[r0,r1,…,rk-1],其中,第m段時域數(shù)據(jù)為對各段時域數(shù)據(jù)分別進(jìn)行FFT變換,得到k段頻域數(shù)據(jù)R=[R0,R1,…,Rk-1],其中,第m段頻域數(shù)據(jù)為然后對各段的相同頻點數(shù)據(jù)進(jìn)行模方求均值運算,得到各個頻點的平均功率其中,第n個頻點的平均功率為然后根據(jù)自適應(yīng)門限檢測算法原理計算在分組長度為64虛警概率為Pfa=5e-6的情況下檢測門限因子Tfactor=1.64。然后對頻域信號做頻域FCME干擾檢測處理,得到干擾頻點個數(shù)NJam和干擾頻點位置干擾功率噪聲功率PNoise等干擾信息;S5、判斷頻域是否檢測到干擾:根據(jù)S4中檢測結(jié)果,如果NJam<1則判定當(dāng)前系統(tǒng)中沒有干擾存在,否則轉(zhuǎn)S6;S6、干擾信號處理:對S4中檢測到的干擾頻點位置前后相減得到頻點間隔向量將頻點間隔ΔPi小于6的當(dāng)成同一個簇,分簇個數(shù)為NCluster,每一個簇中心頻點位置為如果NCluster>1,則計算所有簇所在頻點位置的標(biāo)準(zhǔn)差其中S7、干擾特征參數(shù)提取b:對信號做短時傅里葉變換,提取信號的時頻圖,并將時頻圖二值化,然后計算每個時間段內(nèi)二值化序列的LZ復(fù)雜度,同時標(biāo)記出每個序列的新模式數(shù)量和新模式出現(xiàn)的對應(yīng)頻點的位置,最終得到信號的平均LZ復(fù)雜度和時頻圖干擾頻點位置的標(biāo)準(zhǔn)差的平均值Var,轉(zhuǎn)S8;S71、初始化參數(shù):設(shè)置二值化能量相對門限Tpower值為10dB、初始復(fù)雜度值lz=0、模式初始值c=1等;S72、計算短時傅里葉變換:輸入信號長度為L=30720×20,短時傅里葉變換窗長為NSTFT=1024,LOverlap=512為短時傅里葉變換加窗的重疊點數(shù),取1/2重疊加窗;由此計算時域上分段數(shù)為:為向下取整。所以短時傅里葉變換后得到一個NSTFT×K×P的三維時頻圖,其中P為與時間和頻率相對應(yīng)的能量值組成的三維向量。能量二值化門限為第i個時間段內(nèi)能量的最大值。通過二值化門限TH就得到一個NSTFT×K的二維數(shù)組,這個二維數(shù)組就為信號的二值化時頻圖,每一個分段中有干擾的頻點值為1,沒干擾的部分值為0;S72、搜索序列新模式:[N1,N2,....,NK]為二值化時頻圖的K個時間段,Nk=[c1,c2...,cN]為長度為N的0、1序列串,其中1≤k≤K,ci取0或者1,Nk中1的位置就表示第k個時間段干擾所在頻點的位置。從N1開始分別對每一個時間段做如下處理:S721、把Nk序列傳換成字符串形式{h(n)},然后定義{h(n)}的子序列S和Q,SQ表示S和Q的合并序列,SQ〈D〉表示將SQ中最后一個二進(jìn)制序列刪除后剩余的序列,設(shè)初始復(fù)雜度C(0)=1,S=h(1),Q=h(2),SQ=h(1)h(2)S722、若S=h(1),h(2)....h(i),Q=h(i+1)SQ<D>=h(1),h(2)....h(i)判斷Q是否是SQ<D>的子集S723、若Q屬于SQ<D>,復(fù)雜度c(n)不變,S不變,Q=h(i+1)h(i+2),繼續(xù)S722。S724、若Q不屬于SQ<D>,c=c+1,然后記錄新模式頻點的位置Mkc,令S=SQ=h(1),h(2),h(3)..h(i+j),繼續(xù)S722S73、上述過程直到Q取到序列{h(n)}的最后一個二進(jìn)制符號,然后令Ck=c。為使復(fù)雜度值與序列長度無關(guān),Ck需要進(jìn)行歸一化處理。序列{h(n)}的長度是NSTFT,則歸一化的復(fù)雜度可寫為:新模式頻點位置向量為表示第k個時間段標(biāo)記的第c個模式的頻點位置;S74、判斷所有時間段是否都計算完畢,若沒計算完,則轉(zhuǎn)S721;若計算完畢,轉(zhuǎn)步S75;S75、由上述步驟得到模式數(shù)目向量C=[C1,C2,...,CK],Ck表示第k個時間段內(nèi)搜索到的模式數(shù)量,然后計算信號的平均LZ復(fù)雜度S76、計算干擾頻點位置標(biāo)準(zhǔn)差:M=[M1,M2,..MK]為K個時間段新模式頻點的位置矩陣,由于每一個時間段得到模式數(shù)量不一定全部相等,還有部分點提取不準(zhǔn)確,有必要剔除奇異頻點,M′為剔除奇異頻點后的矩陣:M′=M11M21...MK′1M12M22...MK′2.........M1c′M2c′...MK′c′]]>其中c′為C=[C1,C2,...,CK]中最小值,K′≤K;對M′的每一行求標(biāo)準(zhǔn)差得V=[V1,V2,...,Vc′]T,干擾頻點位置標(biāo)準(zhǔn)差為S8、決策樹判決:根據(jù)S2和S7種提取的特征參數(shù),使用分類方法中的決策樹將頻域干擾和非平穩(wěn)干擾進(jìn)行詳細(xì)分類;S81、判斷由S75計算的復(fù)雜度lz是否大于門限值Tlz=0.06,如果大于門限則干擾類型可能是頻域干擾(部分帶干擾、隨機(jī)多音、梳狀干擾)或平穩(wěn)干擾(噪聲調(diào)頻干擾)中的一種,轉(zhuǎn)S82;如果小于門限則干擾類型可能為頻域干擾(瞄準(zhǔn)式干擾)或平穩(wěn)干擾(線性調(diào)頻干擾、單/多音掃頻干擾、鋸齒波掃頻干擾)的一種,轉(zhuǎn)S83;S82、判斷由S23計算的歸一化譜沖擊標(biāo)準(zhǔn)差是否大于門限Tδps=1.0,如果大于門限則干擾類型可能是頻域干擾(隨機(jī)多音、梳狀干擾),轉(zhuǎn)S84;如果小于門限則干擾類型可能為頻域干擾(部分帶干擾)或非平穩(wěn)干擾(噪聲調(diào)頻干擾)的一種,轉(zhuǎn)S85;S83、判斷由S76計算的時頻域干擾頻點位置標(biāo)準(zhǔn)差Var是否大于門限Tvar=14,如果大于門限則干擾類型為非平穩(wěn)干擾(線性掃頻、單/多音掃頻、鋸齒波掃頻);如果小于門限則干擾類型為頻域干擾(瞄準(zhǔn)式干擾、梳狀干擾);S84、判斷由S6計算的干擾簇頻點間隔方差Cvar是否大于門限值Tcvar=5,如果大與門限干擾類型為頻域干擾(隨機(jī)多音),否則干擾類型為頻域干擾(梳狀干擾);S85、判斷由S22計算的時域矩峰度是否大于門限Ta4=2.85,如果大于門限則干擾類型為頻域干擾(部分帶干擾),否則干擾類型為非平穩(wěn)干擾(噪聲調(diào)頻干擾);圖5為本實施方案的干擾類型識別的仿真性能。干擾類型為脈沖噪聲干擾、部分頻帶噪聲干擾、梳狀干擾、隨機(jī)多音干擾、噪聲調(diào)頻干擾、瞄準(zhǔn)式干擾(BPSK干擾)、掃頻干擾(寬帶鋸齒波干擾),其中瞄準(zhǔn)式干擾和掃頻干擾各自只取了其中一種,干擾具體參數(shù)見表1。信道為標(biāo)準(zhǔn)的AWGN信道,干擾識別過程是在靜默期進(jìn)行的,即僅接收到干擾和噪聲,由系統(tǒng)幀格式可知一個業(yè)務(wù)子幀采樣數(shù)據(jù)量為30720,其中靜默期時間為20個業(yè)務(wù)子幀,因此總的采樣點數(shù)為30720×20。在進(jìn)行頻域干擾檢測時,只取其中一部分?jǐn)?shù)據(jù),每次處理的采樣數(shù)據(jù)塊長度為L=2048×64,頻域上做NFFT=2048點的FFT,并作Nsum=64點的功率累加,計算得到的頻域干擾檢測門限因子為Tfactor=1.64;在短時傅里葉計算中加窗長度為NSTFT=1024,加窗類型為漢明窗,重疊加窗點數(shù)LOverlap為512;表1干擾仿真參數(shù)在圖5中,JNR從-10dB至50dB,以3dB為間隔取值,每個JNR值仿真100次得到不同干擾類型的干擾識別性能,其中,圖5中紅色線表示的是時域干擾(脈沖噪聲干擾)的識別性能,在JNR≥-7dB時基本都能正確識別出來;藍(lán)色線表示的是頻域干擾識別性能,部分頻帶噪聲干擾和瞄準(zhǔn)式干擾(BPSK)在JNR≥-3dB時,基本能準(zhǔn)確識別出來,而梳狀干擾和隨機(jī)多音干擾在JNR≥5dB時識別率在95%以上;黑色線表示的是掃頻干擾的識別性能,在JNR≥1dB時,基本上都能準(zhǔn)確識別出來??傮w上講,在JNR≥5dB時,所有干擾識別性能都在95%以上,具有較好的識別性能,并且高信噪比情況下識別性能基本不受干噪比的影響,具有較好的魯棒性。因此,本發(fā)明對不同干擾類型具有較好的分類效果,具有較好的應(yīng)用價值。當(dāng)前第1頁1 2 3