探究复杂环境下未知雷达辐射源信号分选的理论

摘要：在复杂的信号对抗环境中，雷达辐射源信号的分选和识别成为雷达对抗中的重点，是现代化高科技战争中的关键环节。文章针对复杂的信号对抗环境，探讨了未知雷达辐射源信号分选与识别理论。

关键词：复杂环境；未知雷达；源信号；分选；识别

在电子对抗领域，雷达信号分选和识别是非常关键的。随着电子科技的不断发展，越来越复杂的信号环境和各类新型雷达不断出现，新型雷达的抗干扰能力越来越完善，这对雷达信号的分选与识别工作提出了挑战。

1复杂环境下未知雷达辐射源信号分选理论

1.1雷达辐射源信号分选概述

雷达在实际工作中，主要是截获接收机所收到的一些列脉冲信号，其中包括由多部雷达发出的干扰信号和噪音脉冲信号，这些脉冲信号以到达时间的先后排列而成。所谓雷达辐射源信号分选，指的就是对这些错综复杂的电子信号进行分离，找出有用信号的过程。

高密度脉冲流主要表现为信号的密集度，通常情况下可达到20万/秒；交错杂乱的信号来自于现代电子对抗的复杂环境，接收机只能接收到交错杂乱的信号；复杂的波形是现代电子对抗中的一大特性，主要是由于雷达技术的不断发展，新型雷达的出现所导致的。波形的复杂性，加大了对抗信号处理的难度；多变的脉冲参数是由于多部雷达发出的信号所致，目的在于产生干扰。

1.2雷达辐射源信号分选依据

雷达信号分选设计主要是根据实际目标和战术要求，此外，还需要把侦查系统技术要求作为重要依据。

1.2.1对指定环境信号流密度和指定信号的适应性

前面已经提到，目前的电子抗争环境中的脉冲信号已经到达了20万/秒，雷达辐射源信号分选的重要依据之一就是能够适应此种信号流密度。此外，比较常见的雷达信号形式通常包括：常规信号、线性调频信号、PRI参差信号和频率捷变信号等，也是作为信号分选的主要依据。

1.2.2DOA范围和精度

DOA指的是雷达和接收机之间的方位角。DOA是一个与辐射源位置密切相关的信息参数，不会被雷达信号的多变影响，是信号分选的可靠途径，通常情况下，将DOA作为雷达信号分选的首选参数。

1.2.3脉宽测量精度

对脉冲宽度测量的精确性，受到雷达波形的影响。一般情况下，接收机输出的脉冲信号都会存在前后沿失真现象，在多径效应的影响下，要是把超过某基准电平宽度作为脉宽，会存在很大的误差。近年来所采用的新型测量技术，使脉宽测量精度得到了提高。因此，脉宽可以作为辅助分选参数。

1.2.4脉内调制特征参数

脉内调制包括了脉内频率调制、脉内相位调制和脉内幅度调制，前两者主以冲压缩信号作为主要信号形式，原因在于这种信号对雷达的检测性能有很好的保障作用，被广泛应用于现代新型雷达。

1.3雷达辐射源信号的分选方法

1.3.1重频分选

利用单个参数对辐射源进行识别的过程称为重频分选。重频分选包括两种实现方法，一种是硬件分选，另一种是软件分选。其中，硬件分选指的是通过逻辑电路来实现，具有较强的实时性，但在雷达信号形式上存在局限性，只能针对常规信号进行分选；软件分选指的是通过软件编程来实现，软件可以对重频变化信号进行分选，能够满足较复杂的信号环境的分选。

1.3.2重频、脉宽组合分选

在信号环境复杂多变的情况下，仅仅依靠重频分选的方法会使得分选时间过久，在遇到多个PRI抖动、跳变或周期调制的时候，重频分选不能对信号进行正确的分选。如果在重频基础上再引进脉宽分选，就可以解决分选时间久的问题，而且能够实现对宽、窄脉冲信号的分选。

1.3.3多参数分选

多参数分选方法主要包括了时域、频域多参数和空域、频域、时域多参数。其中，时域、频域多参数分选法是为了实现对频率捷变和频率分集雷达的分选和识别，需要侦查系统对每个脉冲的射频、脉宽、脉幅和到达时间进行处理，之后实行多参数信号的分选；而当信号流中存有多个频域和时域变化脉冲时，仅仅依靠频域、时域参数是很难进行信号分选的，需要在此基础上加一个方位参数来综合分选。

2复杂环境下未知雷达辐射源信号识别

2.1识别过程

雷达辐射源信号识别是建立在信号分选的基础之上的，通过对雷达辐射信号的分选，提取的特征构成了对脉冲的描述，其中主要包括了脉冲到达角、到达时间、脉冲幅度和脉宽等。通过对这些数据的分析和测量，就可以得出其它参数，这些参数共同组成雷达辐射源信号的识别模式。

特征的选择和分类器的设计是信号源识别过程中的两个核心部分。针对复杂多变的雷达信号，能够准确识别其特征是实现源信号识别的关键所在，分类器的设计也在一定程度上影响着源信号识别的正确性。

2.2识别方法

早在20世纪70年代，国外已经开始了对雷达辐射源信号识别的研究，而我国开始相关研究的时间较晚，大概到了20世纪80年代。经过30多年的发展，雷达辐射源信号的识别技术也得到了阶段性的发展。

2.2.1特征数据匹配

在20世纪70年代和80年代，特征参数匹配法是使用最多的源信号识别方法，其主要特点在于特征数据库的构建，通过对测得数据与数据库之间的比较分析，利用属性测度和距离函数等进行参数匹配。此方法过分依赖之前的数据，没有创新，不能实现学习目的；对一些不完整的畸变信号识别能力不够，不能识别数据库之外的数据。在随后的发展中，大概到了90年代左右，已被新的有效方法所替代。

2.2.2人工智能技术

在20世纪80年代后期，在人工智能技术的大力发展下，诸如：专家系统、人工神经网络、模糊推理和遗传算法等人工智能方法已经开始被用在雷达辐射源信号的识别中。专家系统指的是一种能够模拟行业专家思维的程序，其含有大量的专业知识和经验。专家系统也是存在缺陷的，对新型雷达的辐射源信号不能作出正确判断，并且随着雷达对抗技术的不断发展，专家技术数据库需要不断更新，这样会不断增加开销。因此，在之后的发展中，专家系统也是被慢慢地替代掉。

2.2.3多传感器数据融合技术

进入21世纪以后，为了更好地解决单传感器识别性能低的问题，相关研究领域已经开始了多传感器的应用。把获得的信息通过数据之间的融合，就能得到比较合理的融合结果，避免了因传感器单一性，而导致的数据信息不全面性。多传感器数据融合方法解决了数据处理上的不确定性，提高了识别精度，将是未来雷达辐射源信号识别方法的发展方向。

3结语

雷达辐射源信号的分选和识别，对于新时代的雷达抗争有着积极的促进作用，在科学技术飞速发展的情况下，只有不断地找出以往技术中的不足之处，并加以改进创新，才能在这个复杂的电子信号对抗环境中更好地发展壮大。另外，雷达技术的发展，需要更多的人才和更先进的技术来共同实现。