基于人工智能的多模态雷达自适应抗干扰优化算法

许 诚，程 强，赵 鹏，程玮清

（空军预警学院，湖北武汉 430019）

0 引 言

多模态雷达是一种采用多种制导模式对目标进行探测和跟踪的雷达系统[1]。多模态雷达利用多种不同工作模式的雷达波束，例如线性调频、相位编码等[2]，可以实现对目标的高精度、高分辨率的探测和跟踪，其可以同时具备宽带和窄带雷达的优点，提高雷达系统性能和可靠性[3]，同时还可以降低雷达系统的成本。多模态雷达在无人驾驶、机器人、安防监控、边境防护等领域中应用较多[4]。虽然多模态雷达作为一种先进的雷达技术，具有多种工作模式和信号形式，能够适应复杂环境和多种目标探测需求，但是其面临着更为复杂的干扰和防御问题，因此，研究多模态雷达自适应抗干扰技术具有重要意义[5]。

文献[6]为实现雷达抗干扰，针对雷达阵列中的干扰色散问题进行分析，确定其形成因素后，采用多波束联合抗干扰方法进行干扰抑制。该方法在应用过程中对于单一的干扰信息具有较好的应用效果，但对于复杂干扰信号的抑制效果较差。文献[7]为提升雷达抗干扰能力，以假目标抗干扰为核心，通过对雷达信号相位的控制，实现抗干扰，但是该方法在应用过程中会影响雷达其他功能系统的精度。

人工智能由多个领域组成，可实现机器的智能应用，其在应用过程中通过机器视觉、智能控制、自动规划等完成目标的处理，其在多个领域中均具有较好的应用效果[8]。因此，文中针对多模态雷达自适应抗干扰需求，提出基于人工智能的多模态雷达自适应抗干扰优化算法。

1 多模态雷达自适应抗干扰优化

1.1 多模态雷达信号模型

有源干扰是多模态雷达应用过程中存在的主要干扰类别，该干扰包含压制性干扰和欺骗性干扰。其中，压制性干扰的影响水平十分有限，欺骗性干扰的影响较为严重。欺骗性干扰是由于干扰机直接将接收的雷达信号进行存储以及变换后进行转发，以此生成的欺骗干扰信号和目标回波之间的相干性较高，导致其在相干处理过程中的抑制效果较差，会造成严重干扰[9-11]。因此，需对干扰信号的载频、幅度等参数进行处理，以此获取其中的虚假目标信息，并进行抗干扰处理。

雷达发射信号以线性调频信号为例，其计算公式为：

式中：A表示雷达发射信号幅度；φ0表示发射信号初始相位；j表示虚数单位；φ(t)表示t时刻的信号相位。

如果在雷达距离为R0处存在一个目标，则雷达接收机接收的真实信号ST(t)计算公式为：

式中AT表示目标信号的幅值。

1.2 干扰信号欺骗原理

通过1.1 节分析雷达信号后，文中仅以欺骗性干扰中的两种典型干扰为例进行相关分析，分别为距离速度同步欺骗干扰和频谱弥散干扰，两种干扰的详细情况如下所述。

1.2.1 距离速度同步欺骗干扰

雷达在应用过程中能够同时完成速度和距离的测量，如果只考虑单一的欺骗干扰，那么抗干扰效果较差。因此，需同时对距离和速度进行同步干扰，能够使雷达获取错误的速度和距离信息[12]，保证抗干扰效果。距离速度同步欺骗干扰的表达式为：

式中：ARV表示距离速度同步欺骗干扰信号幅度；Δfj表示干扰信号的多普勒频率；Δtj表示干扰信号的转发延时。

在进行距离速度同步欺骗干扰时，雷达接收的总回波信号计算公式为：

式中：sse(t)表示目标回波；n(t)表示高斯噪声。

1.2.2 频谱弥散干扰

频谱弥散干扰是密集假目标的干扰类别之一，其主要是干扰机截获空间雷达信号后，通过对信号进行时域压缩获取干扰子脉冲时宽[13]，该时宽是截获信号的1n。如果干扰信号的调制斜率是截获信号的n倍，那么采用复制的方式进行干扰信号子脉冲处理即可获取频谱弥散干扰。该干扰会先产生1 个子波，其计算公式为：

式中：k′表示调频斜率；Ag表示该干扰信号幅度。

将J1(t) 重复n次即可获取整个频谱弥散干扰的时域模型，其计算公式为：

1.3 自适应抗干扰优化

通过1.2 节完成干扰信号欺骗原理分析后，则进行多模态雷达自适应抗干扰优化处理，文中选择人工智能领域中的YOLOv5s 深度学习方法完成自适应抗干扰优化，方法结构如图1 所示。

图1 YOLOv5s 深度学习方法结构

YOLOv5s 深度学习方法在进行多模态雷达自适应抗干扰优化时，将获取的S(t)和J(t)回波数据划分成训练集和测试集，将训练集输入YOLOv5s 模型中进行训练，并获取训练后模型。

完成模型训练后，将测试集输入到训练完成的YOLOv5s 模型中进行检测，获取其中存在干扰的时间和数据，并且生成训练张量和待处理张量，分别用F和η表示。

计算各张量在各模态下的展开矩阵，并获取矩阵展开情况下的左奇异矩阵Un()n= 1,2,3 ，在此基础上获取多域干扰投影子空间矩阵，其计算公式为：

式中：P1、P2、P3分别表示振幅、载波频率和初始相位三种模态展开矩阵的投影矩阵。

向估计的子空间中进行张量投影，获取η在该空间中的投影分量͂，其公式为：

式中：η1、η2、η3分别表示三种模态的投影分量结果。

用η减去公式（8）的计算结果，即可获取抑制干扰后的期望信号ηs，其计算公式为：

通过上述内容即可完成多模态雷达自适应抗干扰优化，实现雷达欺骗性信号干扰的抑制，提升雷达的精准性。

2 实验结果分析

为验证本文算法在多模态雷达自适应抗干扰优化中的应用效果，文中以某地区的海洋探测雷达作为实例研究对象，该地区使用的多模态雷达相关参数如表1所示。

表1 多模态雷达相关参数

为验证研究算法对于多模态雷达自适应抗干扰优化性能，文中采用干扰对消比ξCR和干扰输出功率Qi作为评价指标，两者的取值均在0～1 之间，干扰对消比ξCR的值越大，表示算法的抗干扰性能越佳；干扰输出功率Qi的值越小，表示算法的抗干扰性能越佳。干扰对消比ξCR和干扰输出功率Qi的计算公式为：

式中：wHc和wHa分别表示用于区分常规和自适应两种波束形成的对应信号幅值；Ri表示接收干扰信号的协方差矩阵；wc和wa分别表示用于区分常规和自适应两种波束形成的对应自适应权矢量。

依据上述公式计算本文算法在不同干扰距离下干扰对消比ξCR和干扰输出功率Qi的测试结果，如表2所示。

表2 多模态雷达自适应抗干扰优化性能测试结果

对表2 测试结果进行分析后得出：在不同干扰距离下，通过本文方法进行多模态雷达自适应抗干扰处理后，干扰对消比ξCR的值均在0.935 以上，干扰输出功率Qi的值均在0.017 以下，该算法能够有效完成雷达欺骗干扰信号的抑制。

为直观验证本文算法对于多模态雷达自适应抗干扰优化的应用性，以多干扰和单一干扰两种干扰类别为例，通过本文算法对其进行自适应抗干扰优化，获取优化前后雷达的频率结果，如图2 和图3 所示。

图2 多干扰优化处理结果

图3 单一干扰优化处理结果

对图2 和图3 测试结果进行分析后得出：通过本文算法进行多干扰和单一干扰处理后，雷达信号频率中的干扰信号被有效抑制和处理，显著提升了多模态雷达的抗干扰能力，降低欺骗信号的干扰水平，保证雷达应用的精准性。

3 结 论

多模态雷达在应用过程中容易受到欺骗干扰信号的影响，降低雷达的测量精度，因此，为提升雷达的抗干扰性能，本文提出基于人工智能的多模态雷达自适应抗干扰优化算法。通过多模态雷达信号模型分析干扰信号欺骗原理，计算欺骗干扰时雷达接收的总回波信号，并将其输入至人工智能的YOLOv5s 深度学习模型中，通过训练和映射处理，完成多模态雷达自适应抗干扰优化，测试结果验证了该算法的应用效果良好，可提升多模态雷达的抗干扰能力。