信号:干扰类别及特征提取(一)

目录

第一部分:干扰类别

1.压制干扰

1.1噪声调幅瞄准式干扰(单音干扰)

1.2噪声调频阻塞式干扰(宽带噪声干扰)

1.3噪声调频扫频式干扰(线性调频)

2.欺骗干扰

2.1距离欺骗干扰(幅度调制干扰)

2.2密集假目标干扰

3.新型干扰

3.1间歇采样转发干扰

3.2灵巧噪声干扰

第二部分:特征提取


许畅.复杂电磁环境下干扰的仿真与识别[D].哈尔滨工业大学,2020

 【概述】:本课题对电子干扰进行建模,通过数学模型选择合适的仿真方法。将干扰分为三类:压制干扰、欺骗干扰及新型干扰。

第一部分:干扰类别

1.压制干扰

利用较大的时\频域幅度对雷达信号接收机进行压制,干扰雷达正常工作。包括:噪声调幅瞄准式干扰、噪声调频阻塞式干扰、噪声调频扫频式干扰。(不需要截获)

1.1噪声调幅瞄准式干扰(单音干扰)

干扰幅度需设置一个定值, 这个定值就是直流偏置U0,还需要一个调制噪声Un

1.2噪声调频阻塞式干扰(宽带噪声干扰)

噪声调频干扰在时域恒定值, 频率随机变化. $K_{FM}$ 为调频斜率, ut 为瞬时频率

1.3噪声调频扫频式干扰(线性调频)

扫频式干扰原理与阻塞式干扰相同,只是带宽范围较大且周期性变化


2.欺骗干扰

利用干扰机截获到的雷达信号转发后被雷达接收机接收,因为与目标反射信号相似使雷达不能有效地区分出真正的目标回波,达到欺骗的效果. 主要类型有距离欺骗干扰、密集假目标干扰。(需要截获、全部)

2.1距离欺骗干扰(幅度调制干扰)

距离欺骗干扰截获雷达信号经过调制后转发,为了尽可能达到欺骗的效果,通常时域波形不会做处理,仅仅调制时延和幅度,因此转发的干扰信号与雷达信号波形相似。

采用的雷达信号为线性调频信号, 其数学模型为

由于雷达信号用的是线性调频信号, 经过调制转发后的距离欺骗干扰的数学模型为:

2.2密集假目标干扰

距离假目标欺骗干扰通过对雷达信号采样调制后,转发一个与目标回波相似的干扰信号,达到欺骗效果。


3.新型干扰

利用射频存储器对雷达信号进行快速的采样转发,达到欺骗和压制双重效果。包括:间歇采样转发干扰、灵巧噪声干扰。(需要截获、片段)

干扰机运用传统方法对雷达信号采样时,为了使转发后的干扰信号不失真,至少需要采样整个脉冲重复周期的雷达信号。但是这种方法会导致一些问题,比如干扰机不能快速才产生欺骗干扰,容易被具有识别抑制干扰功能的雷达屏蔽掉。
 

3.1间歇采样转发干扰

干扰机在截获雷达信号片段后快速调制并转发,间歇采样转发干扰使用收发共用天线工
作。在采样时长上较短,一般为瞬采瞬发模式。

在电子干扰机硬件要求上,间歇采样转发干扰使用数字射频存储技术,采用收发共用天线工作

间歇采样转发干扰的转发模式可以分为直接转发和重复转发等类型。

3.2灵巧噪声干扰

灵巧噪声干扰的采样转发模式与间歇采样转发干扰相似,不同的是灵巧噪声干扰在采样后调制的过程中对频域做了调频处理,使得干扰信号的频域充满整个频谱空间。调频的方法多种多样,常用的有噪声调频和卷积等,加大了灵巧噪声干扰的欺骗性。

灵巧噪声干扰属于一个大类,它的特点是首先存储雷达信号,然后对其进行一定的噪声调制或组合。根据附加的调制的不同,可以分为很多类。例如之前研究过的间歇转发干扰就属于调幅灵巧噪声, 另外还可以有噪声调频干扰。 调幅灵巧噪声是由高斯白噪声与干扰机采样得到的雷达信号相乘得到,调频灵巧噪声是由高斯噪声与干扰机采样得到的雷达信号卷积得到。

雷达发射信号采用线性调频信号时,用高斯白噪声调频灵巧噪声干扰的表达式为


第二部分:特征提取

见下一篇

信号:干扰类别及特征提取(二)_四次方谱和二次方谱的关系-CSDN博客

  • 24
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多维特征信号识别是一种信号处理技术,它通过对信号进行多个维度的特征提取和分析,从而实现对信号进行分类识别。而SVM是一种常用的机器学习算法,可以用于解决分类和回归问题。 多维特征信号识别中,首先需要对信号进行预处理,去除噪声和干扰,提高信号的质量。然后,根据信号的特点和需求,选择合适的特征提取方法。常见的特征包括时域特征、频域特征和小波特征等。接下来,将提取到的多维特征作为输入,构建SVM分类器。在构建分类器时,需要确定SVM的参数,如核函数类型、核函数参数和正则化参数等。 在多维特征信号识别过程中,SVM主要用于两个方面:特征选择和分类器构建。对于特征选择,SVM可以通过计算特征的重要性或权重,选择具有较高区分度的特征,从而降低维度并提高识别性能。对于分类器构建,SVM将多维特征作为输入,通过求解最优超平面的方式,将信号分为不同的类别。SVM的目标是使得超平面与不同类别的样本之间的间隔最大化,从而达到最好的分类效果。 多维特征信号识别中,SVM具有以下优势:首先,它可以处理高维数据,并且在多特征情况下,可以有效地提取特征并减少维度;其次,SVM具有较好的泛化能力,适用于小样本学习;此外,SVM在处理非线性问题时,可以通过选择不同的核函数来实现非线性分类。 综上所述,多维特征信号识别中使用SVM可以有效地提取特征和构建分类器,以实现信号分类识别。该方法在各种信号处理领域中具有广泛的应用前景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值