基于图像特征的电子有源干扰分类方法

曹广地

(中国电子科技集团公司第二十研究所,陕西 西安710068)

现代战争中,雷达作为一种可以对战场环境进行全空域、全天候的探测设备,可以为指挥系统或武器系统提供必要的决策和打击信息[1]。伴随雷达技术的发展的是对其探测性能进行削弱甚至摧毁的电子干扰技术。相应的,雷达也不断的采取一些措施对电子干扰进行博弈。为了对干扰进行精细化的抑制,就要对干扰信号进行分析和感知。常规的干扰分类方法通过提取干扰信号在时域或者频域的统计特征,但由于干扰信号复杂多变,时域或者频域的特征并不能很好的体现干扰信号的特性,而且单纯的从某一维进行特征提取时并未考虑信号的时频的耦合,故本文提出一种将干扰信号通过时频变换,将信号变换到时频域,将其视作一副图片,在时域和频域的联合域提取LBP(Local Binary Pattern)特征,进而构建SVM(Support Vector Machine)分类器进行干扰分类。

1 干扰分类方法

本文所提的方法的干扰分类方法流程为：首先对干扰信号进行时频变换,从一维数据变成二维图像,然后提取图像的LBP特征用于构建支持向量机分类器进行干扰分类。

1.1 电子有源干扰类型

电子有源干扰是敌方干扰设备释放的一种主动式干扰,可以分为电子压制式和电子欺骗式两种。电子压制式干扰是干扰机发射大功率的信号,从而提高信干噪比,将信号淹没在干扰之中,无法检测。电子欺骗式干扰是干扰机释放和雷达所发射信号类似的干扰信号,经过雷达处理后在距离维、方位维、俯仰维、速度维等产生虚假目标,造成虚警[2]。本文主要讨论电子压制式干扰,包含：

1.1.1 与雷达发射波形无关的干扰：主要包含射频噪声电子有源干扰、噪声调幅/调频/调相电子有源干扰、脉冲干扰[3]。

1.1.2 与雷达发射波形有关的干扰：主要包括灵巧噪声电子有源干扰[4]、切片转发式电子有源干扰[5]、稀疏假目标干扰、密集假目标电子有源干扰[6]、复合电子有源干扰。

1.2 干扰特征提取

干扰的特征是用于描述干扰信号之间本质差异,常规的干扰特征是从干扰信号时域或者频域提取的对干扰具有可区分性和对噪声变化不强烈的统计量[7]。常见比较稳定的特征有时域的矩偏度、矩峰度、频域的矩偏度、矩峰度等。

本文中所用到的特征是将干扰信号通过时频变换的方式从一维时域信号变换到二维时频信号,然后进行特征提取,所采取的变换方法为短时傅里叶变换(STFT)[8],如下式：

其中,w(t)是一个长度有限的窗函数,相当于用该滑动的窗函数对信号进行部分截取,然后进行傅里叶变换。对变换后的二维信号按下式进行归一化处理,变为灰度图像。

然后对完成归一化的灰度图进行LBP 特征提取[9-10]。LBP 特征具有灰度不变性和旋转不敏感性,LBP 特征提取的流程如图1 所示,每幅图片由多个像素点构成,首先按矩形或者圆形的方式选取每个像素点周围的区域像素,用区域中间的像素点的值分别和周围像素点进行比较,从而进行0-1 二值化；然后按照顺时针方向,将中心像素点周围的经过二值化的数合并成一组二进制数,作为该中心像素点的LBP 特征值；将灰度图像划分为多个细胞区域,利用每个区域的像素点的LBP 特征值构建直方图；最后将每个区域的直方图拼接起来作为该图像的LBP 特征。

图1 LBP 特征提取示意

1.3 分类器

随着机器学习的发展,分类器多种多样,本文采用有监督学习的支持向量机分类器(SVM)[11-12]。SVM分类器的基本思想是在特征空间中寻求一个最优分类超平面,使之到两类特征点的距离最大。

2 实验

2.1 数据集

表1 常规一维特征干扰分类结果统计表

表2 基于图像LBP 特征的干扰分类结果统计表

实验的数据采用仿真数据,雷达采用脉冲压缩技术,发射线性调频信号,调频脉冲宽度为100us,调频带宽为2MHz,采样率设为4MHz,脉冲重复间隔为1000us。涉及到的干扰信号为上述的和雷达发射信号有关和无关的十类干扰。按不同参数产生不同干噪比情况的数据,生成的数据中每种干扰有301 个数据,数据总量为3010。

随机变化数据集中的数据的顺序,最后按7:3 的比例划分训练数据和测试数据,其中训练数据的数据量为2107,测试数据的数据量为903。分类器采用支持向量机,核函数采用线性核,多分类方式采用“一对一”方式,利用训练数据集进行分类器的训练,利用测试集进行测试,然后统计分类指标。

2.2 试验一：提取一维特征进行干扰信号分类

本实验采用常规方法,提取时域和频域具有稳定性,噪声弱敏感性、可分性的特征,包括时域、频域的矩峰度、矩偏度、包络起伏度共六类特征进行分类,多次试验取平均后统计出分类指标。如表1 所示。

从表中可以看出,采用该种方法,对于噪声调幅、稀疏假目标、密集假目标、复合干扰、切片转发式、灵巧噪声这几类电子有源干扰,识别效果较为理想。而对于其它的干扰识别效果比较差,出现比较多的误判,综合指标比较低。最终统计的准确率为81.64%,可以看出并不是很理想。

2.3 试验二：提取LBP 特征并结合SVM分类器进行干扰分类

对数据进行短时傅里叶变化后提取二维图像的LBP 特征,其中短时傅里叶变化的参数：窗函数采用长度为50 的汉明窗,变化的点数为64,重叠的长度为20,变化后的图像大小为64*132。LBP 特征提取的参数为：矩形邻域的大小取3*3,块的大小为24*32,提取的特征大小为472。

利用训练集对支持向量集分类器进行训练,利用测试集对训练好的分类器进行测试,多次试验后统计评价指标,结果如表2 所示。

从表中可以看出,识别效果相比试验一有很大的提升,综合指标F1 比较稳定,最终采用此方法的准确率为92.9%

3 结论

研究表明,本文所提的基于图像特征的电子有源干扰信号分类算法相比于传统方法具有高的识别效果。