 背景介绍 数字射频存储器 (Digital Radio Frequency Memory, DRFM) 具有高速采样并复制雷达发射信号的能力，因此广泛应用于电子对抗领域。基于DRFM的干扰机将截获的雷达发射信号延时叠加后重复转发，由于与雷达发射信号高度相关，干扰信号不仅在时域覆盖目标回波，同样也会获得匹配滤波增益，沿距离维形成密集假目标群，使得雷达系统无法检测或跟踪真实目标。
（a）时域回波(实部)
图1 雷达接收信号时域回波和一维距离像 支持向量机 (Support Vector Machine, SVM) 是一种基于监督学习的二元广义线性分类器，其对小样本、非线性及高维类具有良好的分类效果，广泛应用于雷达辐射源识别领域。类似地，本文将这种思想迁移到干扰与目标的识别与分类问题上，寻求一种高效地智能化干扰辨识与抑制方法。 团队工作 面向国家重大需求，西安电子科技大学全英汇教授团队长期致力于敏捷雷达电磁博弈对抗、复杂电磁环境感知等技术的研究。针对延时叠加转发的密集假目标干扰，课题组提出一种基于SVM的智能化干扰辨识与抑制方法，通过已训练模型对干扰和目标进行识别与分类，从而有效抑制干扰。所提算法具有良好的泛化性能，适用于小样本、强干扰等不同场景。 该工作已发表在《雷达学报》网络优先出版的论文“基于SVM的捷变频雷达密集转发干扰智能抑制方法”（杜思予，刘智星，吴耀君，全英汇等）。 论文介绍 该文首先给出了捷变频雷达信号模型和密集转发干扰模型，对捷变频波形抗干扰原理进行了分析。
图2 捷变频雷达信号模型
图3 密集转发干扰原理 接下来针对密集转发干扰特点，该文提出一种基于支持向量机(SVM)的智能干扰抑制算法。根据干扰和目标脉压数据的差异，分别从横向和纵向提取特征参数，联合实现干扰与目标的识别与分类，并通过平滑滤波和稀疏重构完成相参处理和目标检测。
图4 SVM分类结果
图5 相参处理结果
图6 分类精度随JSR变化曲线
图7 分类精度随训练样本比例变化曲线
图8 不同虚警率下检测概率随JSR变化曲线 作者简介 杜思予，硕士研究生，主要研究方向为雷达波形优化及抗干扰。 刘智星，博士研究生，主要研究方向为捷变相参雷达信号处理及抗干扰。 吴耀君，副研究员，硕士，主要研究方向为捷变雷达抗干扰、雷达目标特性识别、新体制雷达。 全英汇，教授，博士，主要研究方向为电磁博弈对抗、敏捷雷达、雷达遥感等。 |
|
|
