跨界 · 融合 · 服務(wù) · 創(chuàng)新
綜上，各方法特點(diǎn)如表1所示。
表1 不同檢測(cè)方法對(duì)比分析
Table 1 Comparisons of different detection methods
目前，干擾檢測(cè)估計(jì)通常由專用設(shè)備或通信設(shè)備本身的算法來實(shí)現(xiàn)，一般來說，后一種情況的開銷和成本較低。但無論哪種情況下，都需要事先累積獲得的干擾活動(dòng)的潛在指標(biāo)（或度量），依賴先前獲得的無干擾和有干擾條件下的通信行為及其相關(guān)頻譜知識(shí)。針對(duì)具有子空間結(jié)構(gòu)的強(qiáng)擾動(dòng)信號(hào)檢測(cè)問題，在先驗(yàn)知識(shí)不完整或不確定的情況下，通過合并子空間的部分先驗(yàn)知識(shí)來應(yīng)對(duì)訓(xùn)練受限的場(chǎng)景，基于先驗(yàn)知識(shí)的層次模型來表示知識(shí)，用于提高子空間探測(cè)器，從而驗(yàn)證了合理使用歷史數(shù)據(jù)可以減輕收集必要信息壓力的可行性，對(duì)于減少干擾檢測(cè)的重復(fù)工作具有重要的推廣應(yīng)用價(jià)值。
1.2 干擾分類識(shí)別
在干擾檢測(cè)估計(jì)的前提下，后續(xù)干擾處理的重要一環(huán)是干擾的分類識(shí)別，其研究重點(diǎn)在于特征的提取和智能決策過程。其中，智能決策技術(shù)的實(shí)質(zhì)在于自適應(yīng)地在一個(gè)巨大解空間中尋找到目標(biāo)函數(shù)的最優(yōu)解組合策略的過程。目前，融合多學(xué)科的人工智能技術(shù)，如機(jī)器學(xué)習(xí)、生物啟發(fā)式算法、模糊神經(jīng)網(wǎng)絡(luò)等方法，它們通過遞歸反饋式的學(xué)習(xí)和局部交互的方式，與傳統(tǒng)方法相比，能夠更快地發(fā)現(xiàn)局部最優(yōu)解，已被廣泛研究并應(yīng)用于復(fù)雜策略和環(huán)境下的網(wǎng)絡(luò)多點(diǎn)協(xié)同和系統(tǒng)性能優(yōu)化。
而針對(duì)特征提取方式的不同，常見的干擾分類識(shí)別方法主要可分為兩類：一是根據(jù)干擾信號(hào)自身的特性，利用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等智能方法，自主進(jìn)行特征檢測(cè)并分類，需要依賴數(shù)據(jù)的支持，實(shí)時(shí)性和處理速度受限，提取的特征缺乏信號(hào)相關(guān)理論的支撐，物理意義不強(qiáng)；二是為提高處理速度及其特征的合理性，利用傅里葉變換、分?jǐn)?shù)階和小波變換等變換域方法以及稀疏分解、匹配追蹤等方法進(jìn)行頻譜特征分析，據(jù)此提出相應(yīng)的關(guān)聯(lián)維數(shù)、熵特征和高階累積量等作為干擾識(shí)別的特征參數(shù)，再結(jié)合簡(jiǎn)單的分類算法實(shí)現(xiàn)，一定程度上降低了硬件實(shí)現(xiàn)的難度，但由于局限于特定的干擾類型或調(diào)制方式的小樣本空間，對(duì)于大規(guī)模訓(xùn)練樣本效率不高，實(shí)際干擾處理的推廣應(yīng)用受限。
2 干擾的變換分析
當(dāng)前，無人系統(tǒng)面臨的通信干擾類型和樣式不斷變化，出現(xiàn)了窄帶、梳狀譜等干擾類型和轉(zhuǎn)發(fā)、欺騙等干擾樣式；同時(shí)干擾策略不斷優(yōu)化，既有功率、頻率的交織，又有內(nèi)容、時(shí)機(jī)的對(duì)抗。考慮到干擾的頻譜劃分，可分為瞄準(zhǔn)式干擾、多頻點(diǎn)干擾和攔阻式干擾[12-13]，其中，瞄準(zhǔn)式干擾通常指干擾與被干擾信號(hào)頻譜的重合度較高的一類干擾形式，如窄帶干擾等；多頻點(diǎn)干擾是對(duì)多載頻信號(hào)的干擾，可分為頻分多頻點(diǎn)干擾、時(shí)分多頻點(diǎn)干擾和綜合多頻點(diǎn)干擾等；攔阻式干擾是對(duì)被干擾信號(hào)的頻帶范圍進(jìn)行廣域覆蓋的干擾方式，通常為寬帶干擾，如掃頻攔阻式干擾和梳狀譜干擾等。本文結(jié)合以上實(shí)際中常見的干擾類型，采用載波或脈沖信號(hào)與噪聲相結(jié)合的干擾形式分別展開研究。
2.1 干擾分類建模
單音干擾（或稱連續(xù)波干擾）屬于最簡(jiǎn)單的干擾類型，根據(jù)被干擾信號(hào)的載頻特征，可通過發(fā)射大功率的連續(xù)波實(shí)施干擾：
式中，J0是干擾幅值，f0為干擾頻點(diǎn)，θ0為相位。
多音干擾實(shí)際上是多個(gè)單音干擾的疊加：
式中，Ji表示第i個(gè)干擾分量的幅值，fi表示第i個(gè)干擾頻點(diǎn)，θi為相位。
部分頻帶干擾通常指干擾帶寬較窄的干擾（一般不超過被干擾信號(hào)帶寬的10%），可通過窄帶濾波器實(shí)現(xiàn)：
式中，f H和f L分別表示窄帶濾波器的上、下截止頻率。
線性調(diào)頻干擾通常指頻率隨時(shí)間而線性變化，且在某個(gè)時(shí)間段內(nèi)呈寬帶特性的干擾，其功率譜具有非平穩(wěn)特性：
式中，fi0為初始頻率，μi0為調(diào)頻率。
脈沖干擾可通過高斯白噪聲與匹配濾波器的沖激響應(yīng)卷積相得到：
式中，n(t)為高斯白噪聲，h(t)為沖激響應(yīng)。
梳狀譜干擾是一種阻塞式干擾，其包絡(luò)在時(shí)域上恒定，可通過鋸齒波干擾和窄帶干擾疊加生成：
式中，f0為中心頻率，Δt為延時(shí)，k為調(diào)頻率。
2.2 變換處理方法
考慮到干擾在時(shí)變和非平穩(wěn)方面的多樣性，可以將變換域劃分為不同維度的多個(gè)域（如時(shí)域、頻域、分?jǐn)?shù)域、小波域等），各變換域的基分別是t、ej wt、chirp信號(hào)以及Ψa,b(t)等，它們之間可以相互轉(zhuǎn)換，也可以獨(dú)立進(jìn)行信號(hào)處理。通過將多類干擾自適應(yīng)地進(jìn)行變換分析和處理，從而提高干擾處理能力。目前，基于變換分析的數(shù)字信號(hào)處理方法主要有以下幾種：
離散傅里葉變換（discrete Fourier transform，DFT）。DFT通過時(shí)頻域變換能夠得到信號(hào)的整體頻譜，可用于平穩(wěn)信號(hào)的處理[14]，其時(shí)頻域變換關(guān)系為：
其中，ωN=e(-2πi)/N。
分?jǐn)?shù)階傅里葉變換（fractional Fourier transform，F(xiàn)rFT）。FrFT主要用于處理非平穩(wěn)信號(hào)，階次p變換比傳統(tǒng)的傅里葉變換應(yīng)對(duì)非平穩(wěn)信號(hào)更加有效，但運(yùn)算量也更加復(fù)雜和耗時(shí)[15]，其信號(hào)變換關(guān)系推導(dǎo)如下：
離散小波變換（discrete wavelet transform，DWT）。DWT通過變化的時(shí)間窗口實(shí)現(xiàn)對(duì)信號(hào)頻譜的非均勻分解，從而提取出近似系數(shù)和細(xì)節(jié)系數(shù)，可以有效處理非平穩(wěn)信號(hào)的細(xì)節(jié)信息[16]。其離散小波函數(shù)和變換系統(tǒng)可表示為：
北京高博特廣告有限公司 版權(quán)所有，并保留所有權(quán)利 ? 2018 -2021
