以人为本 服务至上 科学管理 勤政高效

中意美三国研究人员合作提出稀疏学习类噪声干扰检测方法

  

  类噪声干扰(Noise-Like Jammers, NLJs)是声纳在实际工作中经常面临的有源人工干扰之一,它主要通过增加接收机中的类噪声信号来产生强噪声环境,以达到掩盖真实目标信息、干扰雷达和声纳自动检测的目的。

  以往研究曾提出旁瓣对消、协方差矩阵秩一修正、二阶自适应检测结构等抗干扰方法,从信号处理层面对噪声进行检测和抑制。但这些方法不能同时提供关于多个NLJs的数量、波达角度和接收功率的关键信息,综合性能亟待提升。

  为解决上述问题,中科院水下航行器信息技术重点实验室郝程鹏团队与意大利、美国和国内同行四方开展针对性的合作研究,提出基于迭代最小化稀疏学习(sparse learning via iterative minimization, SLIM)的两种NLJs检测方法,分别为稀疏循环似然比检测(sparse cyclic likelihood ratio test, SC-LRT)和稀疏双循环似然比检测(sparse doubly cyclic likelihood ratio test, SDC-LRT),新方法可实现对多个NLJs的检测,同时能准确估计其数量和波达角度,有效对抗来自天线旁瓣的NLJs攻击。

  相关研究成果在线发表于国际学术期刊 IEEE Transactions on Aerospace and Electronic Systems2020年影响因子/JCR分区:3.672/Q1)。

  研究结果显示,研究人员提出的SC-LRTSDC-LRT比现有基于协方差矩阵估计的稀疏迭代似然比检测(sparse iterative covariance-based estimation likelihood ratio test, SPICE-LRT)具有更高的检测概率(图1)和更低的参数均方根 (root mean squared, RMS) 估计误差(图2)。此外,在1000次独立仿真试验中,SLIM方法在3种采样间隔下的NLJs数量估计准确度均达到了99%,而SPICE方法在2度和3度的网格采样率时估计准确度为93%以上(图3~4)。

 

  图1 检测概率曲线(图/中科院声学所)

   

  图2 RMS误差值曲线(图/中科院声学所)

   

  图3 SLIM方法的NLJs数量估计直方图(图/中科院声学所)

   

  图4 SPICE方法的NLJs数量估计直方图(图/中科院声学所)

  这两种检测方法不但具有良好的NLJs检测性能,还能够对干扰数量和波达角度进行精确估计,丰富了声纳对抗有源人工干扰的手段。在下一步的研究中,研究人员将把所提出方法扩展应用到更为复杂的多个相干目标同时存在的情况中。

  本研究得到国家自然科学基金(No.61971412No.1708509)资助。

  关键词:

  类噪声干扰;干扰检测;参数估计;稀疏重构

  参考文献:

  YAN Linjie, Pia Addabbo, ZHANG Yuxuan, HAO Chengpeng, LIU Jun, LI Jian, Danilo Orlando. A Sparse Learning Approach to the Detection of Multiple Noise-Like Jammers. IEEE Transactions on Aerospace and Electronic Systems, Early Access Article, April 2020. DOI: 10.1109/TAES.2020.2988960. 

  论文链接

分享到 :