一种基于TMS320C6678平台的多特征有源干扰信号分类判别方法与流程

一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法
技术领域
1.本发明涉及雷达信号处理技术领域，具体涉及一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法。


背景技术：

2.随着现代电子战的迅猛发展，以武器及平台隐身、电子干扰、超低空突防、反辐射导弹为代表的电子战技术对雷达系统的工作性能甚至是生存能力构成了严峻的挑战。因此，研究雷达的抗干扰问题是当前极为重要的课题。
3.雷达干扰大致分为压制式干扰和欺骗式干扰。本质上，雷达干扰分类判别就是利用干扰信号和有用信号的特征差异，干扰信号与有用信号的特征差异可能体现在时域、频域、空域和极化域的任一个或多个域中，因此可以从不同的域中进行研究。
4.干扰类型识别包括干扰信号特征提取分析和干扰信号类型判别两个部分。干扰信号特征分析主要是从信号处理的角度出发，提取干扰信号在多个变换域上的特征参数，从而为干扰样式识别奠定基础，同时也能为有源干扰的抑制提供必要的参数信息。干扰信号类型判别是基于信号特征采用多种有效的分类算法对信号类型进行判别，常用的分类算法包括支持向量机(svm)、神经网络、统计判决树、深度学习等。
5.提取信号的有效特征参数是干扰信号类型识别的关键因素之一。针对射频噪声干扰、噪声调幅干扰、噪声调频干扰、距离欺骗干扰、速度欺骗干扰和角度欺骗干扰等六种主要干扰形式。将分别从时域、频域、变换域等多个方面提取对干噪比稳健性较好的特征参数。


技术实现要素：

6.要解决的技术问题
7.为了避免现有技术的不足之处，本发明提出一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法。
8.技术方案
9.一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法，其特征在于步骤如下：
10.步骤1：对读取的原始时域数据求模值，并统计均值，得到脉间幅度方差门限tvar、波形熵门限twe、时域矩偏度门限tskew；
11.步骤2：对徙动补偿后的脉压数据进行fft处理，得到频谱信息，统计谱熵门限tse、距离维二阶矩门限tm2以及白化因子门限tw；
12.步骤3：利用统计方法多次统计6维先验特征门限，取门限均值作为综合门限thr，利用对应6维参数的特征权值wi，综合门限thr满足；
[0013][0014]
步骤4：利用步骤1和步骤2得到的6维时、频域特征值，进行加权求和，计算实时综合门限t：
[0015]
t＝w1*tskew w2*twe w3*tvar w4*tse w5*tm2 w6*twh
[0016]
步骤5：根据实时计算的综合干扰特征门限t与先验干扰特征门限thr进行比较，如果t》thr，输出干扰类型判别结果，否则进行正常处理流程。
[0017]
本发明进一步的技术方案：步骤1中所述的波形熵计算公式为x＝{x1,x2,x3,...,xn}为信号序列，
[0018]
本发明进一步的技术方案：步骤1中所述的脉间幅度方差计算公式
[0019]
本发明进一步的技术方案：步骤1中所述的时域矩偏度计算公式
[0020][0021][0022]
本发明进一步的技术方案：步骤2中谱熵计算公式为其中x＝{x1,x2,x3,...,xn}为频谱序列。
[0023]
本发明进一步的技术方案：步骤2中所述的白化因子门限计算如下：
[0024]
step 1、计算得到频谱功率均值e1；
[0025]
step 2、统计频谱中除去大于e1部分的功率均值e2；
[0026]
step 3、统计频谱中除去大于e2部分的功率均值e3；
[0027]
step 4、计算
[0028]
本发明进一步的技术方案：步骤3中采用monte-carlo统计方法。
[0029]
本发明进一步的技术方案：步骤3中先验特征门限的获取方法：根据tms320 c6678平台适用场景，进行外场测试，获取时域、频域6维调制特征的先验门限信息thr。
[0030]
本发明进一步的技术方案：步骤4中的多次》50。
[0031]
有益效果
[0032]
本发明提出的一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法，结合提取的干扰特征，提出了基于决策树分类方法的雷达有源干扰信号分类判别技术。对信号进行特征提取类似于对信号进行非线性变换，是把对干扰信号的观察研究从信号空间
转移到特征参数空间。在特征提取过程中选择能够体现干扰信号特性并能够将其与其他干扰类型区分开来的特征参数，舍弃无用的信号信息。
[0033]
本发明的方法利用决策树方法的干扰类型判别，算法计算比较简单，能够在复杂干扰背景下，仍然能够快速、实时进行干扰类型判别。
附图说明
[0034]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0035]
图1决策树方法的干扰类型判别流程图；
[0036]
图2时域矩偏度系数与jnr的关系曲线；
[0037]
图3 a1与jnr的关系曲线；
[0038]
图4 a2与jnr的关系曲线；
[0039]
图5脉间幅度方差与jnr的关系曲线。
具体实施方式
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0041]
本发明提供了一种基于tms320 c6678平台的多特征有源干扰信号分类判别方法，该方法包括以下步骤：(a)对于全方位干扰侦察方式获取检测后的窄带信号数据；对于帧间干扰侦察方式获取mtd(动目标检测)后信号频域数据；(b)对读取的原始时域数据求模值，并统计均值以及二阶矩(m2)，得到功率门限均值、脉间幅度方差参数、时域矩偏度；(c)对原始数据fft处理，得到频谱信息，计算谱熵和白化因子；(d)根据多次(》50)统计的6维特征门限，取门限均值作为综合门限thr，利用决策树分类判别约束条件计算6维参数的特征权值wi；(e)根据统计的6维特征参数权值wi计算实时综合干扰特征门限t，并与先验干扰特征门限thr进行比较，如果t》thr，输出干扰类型判别结果，否则进行正常处理流程。
[0042]
现参考图1描述根据本发明的多特征方法，为方便描述，设输入的复数向量为x，向量长度为n，数据类型为单精度浮点型也即float型。
[0043]
如图1所示，包括以下步骤：
[0044]
步骤1：获取原始时域回波数据以及进行fft计算后的频域数据；
[0045]
步骤2：计算时域脉间幅度方差门限、波形熵门限、时域矩偏度；
[0046]
1)假设信号序列为x＝{x1,x2,x3,...,xn}，波形熵计算公式为其中得到波形熵参数。
[0047]
2)方差计算公式，
[0048]
[0049]
其中得到脉间幅度方差。
[0050]
3)时域矩偏度(skew)，它表征的是一个分布的不对称程度。如果分布曲线右边的拖尾比左边的长，则称分布有正偏度。反之，则称分布有负偏度。计算公式为：
[0051][0052]
步骤3：对徙动补偿后的脉压数据进行fft处理，得到频谱信息，统计谱熵、距离维二阶矩以及白化因子特征参数；
[0053]
4)假设频谱序列为x＝{x1,x2,x3,...,xn}，谱熵计算公式为其中
[0054]
5)根据公式统计得到白化因子门限参数tw：
[0055]
step 1、计算得到频谱功率均值e1；
[0056]
step 2、统计频谱中除去大于e1部分的功率均值e2；
[0057]
step 3、统计频谱中除去大于e2部分的功率均值e3；
[0058]
step 4、计算
[0059]
步骤4：根据平台适用场景，进行外场测试，获取时域、频域等6维调制特征的先验门限信息thr，利用约束条件计算出6维参数的特征权值wi，满足；
[0060][0061]
步骤4：利用计算的6维时、频域特征值，进行加权求和，计算实时综合门限t。
[0062]
t＝w1*tskew w2*twe w3*tvar w4*tse w5*tm2 w6*twh
[0063]
步骤5：并与先验干扰特征门限thr进行比较，如果t》thr，输出干扰类型判别结果；
[0064]
方法如图2矩偏度系数与干扰噪声比(jnr)的关系曲线如图2所示。其中仿真条件如下：遮盖式干扰中的调制噪声带宽δfv＝10mhz，均值为0，方差σ2＝1，载频fj＝100mhz，采样频率fs＝300mhz。噪声调幅干扰的有效调制系数噪声调频的调频斜率k
fm
＝10mhz/v。欺骗式干扰中：lfm信号带宽2mhz，脉宽10μs，prf＝1khz，拖引采用匀速拖引方式。角度欺骗干扰中的幅度起伏按幂函数方式变化。对每类干扰信号在每个jnr下做50次monte-carlo实验。其它特征参数的仿真条件均同上。
[0065]
由图2可以看出，当jnr》0db时，噪声调频干扰的偏度为正，说明其分布曲线右边的拖尾比左边的长；噪声调幅干扰的偏度一直为负，其分布曲线左边的拖尾要更长一些；而其它几种干扰样式的偏度值基本上在零附近，说明其分布基本上是对称的。因此，通过时域矩偏度系数这一特征参数就可以将噪声调幅干扰和其它干扰样式区分开来。
[0066]
由图3可以看出加性高斯白噪声(awgn)的频谱包络是平坦的，而其它信号的频谱的包络一般都会起伏变化，并且变化的程度也都不一样。因此，可以按照以下方法计算加性
高斯白噪声因子a1和a2，根据其取值范围不同，就可以将信号分类。a1与jnr的关系曲线分别如图3所示。由图中可以看出，各种干扰样式的值都随着jnr的增加而增大，其中噪声调幅干扰增长得要更快一些。当jnr》9db时，噪声调幅干扰的值已经远大于其它几种干扰样式。
[0067]
a2与jnr的关系曲线分别如图4所示。由图中可以看出，噪声调幅干扰和噪声调频干扰的a2的值随着jnr的增加而迅速增大，最终达到160左右；而其它几种干扰样式的值基本上不变，保持在10左右。因此，通过a2参数的值就可以将噪声调幅干扰和噪声调频干扰从这几种干扰样式中区分开来。
[0068]
将脉间幅度方差作为一个特征参数。其与jnr的关系曲线如图5所示。由图中可以看出，几种干扰样式的t4的值都随着jnr的增加而减小。其中，当jnr》6db时，角度欺骗干扰和噪声调幅干扰的值将保持在3.6和0.75左右；而其它几种干扰样式的值都在0附近；因此可以看到，当jnr》6db时，可以通过t4的值将角度欺骗干扰区分开来。
[0069]
通过以上实验结果可以看出，本发明结合提取的干扰特征，提出了基于决策树分类方法的雷达有源干扰信号分类判别技术。对信号进行特征提取类似于对信号进行非线性变换，是把对干扰信号的观察研究从信号空间转移到特征参数空间。在特征提取过程中选择能够体现干扰信号特性并能够将其与其他干扰类型区分开来的特征参数，舍弃无用的信号信息。
[0070]
综合考虑所有仿真实验，可以说明，本发明方法能够在tms320 c6678平台进行实时干扰类型的判别。利用选取的干扰分类特征，用最小的资源代价来获得更优的判别结果。
[0071]
本发明方法不仅可以应用于tms320c6678平台，也可以应用于其它嵌入式平台；不仅可以应用于动目标检测处理平台，也可以应用于抗干扰平台。
[0072]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。