论文部分内容阅读
航天测控在军事领域的应用非常广泛,卫星对抗成为空间信息侦查与对抗的主要领域。在这个基础上,研究航天测控链路的干扰感知、自动识别具有非常重要意义。经过多年的发展,干扰信号的感知和识别已经取得了很多的成果,但是大多数的方法只能针对特定的干扰类型进行检测,具有很大的局限性。同时,大多数的干扰类型识别的特征提取使用的是传统的模式识别方法,需要人工进行干扰信号的特征的提取,这需要消耗很大的工作量。本文从能量检测算法和深度学习网络着手,研究干扰信号的检测、特征识别和参数估计的机理及实现方法。本文首先对有涉及到的5种需要感知识别的干扰信号进行了分析说明,5种干扰信号包括音频干扰、同频带窄带干扰、扫频干扰、矩形脉冲干扰以及扩频干扰。之后,通过对能量检测算法和恒虚警检测算法的研究,成功使用能量检测算法对干扰信号进行了存在性的检测,实验表明干扰信号在干噪比较高的环境下取得了很好的成果,但是在干噪比较低的环境下,能量检测算法的性能急剧下降。因此,本文提出了使用深度学习网络和能量检测算法对干扰信号进行联合检测的方法。实验结果表明,基于卷积神经网络的干扰检测算法在干噪比很低的环境下检测性能优于能量检测算法。然后使用了深度学习网络对5种干扰信号进行了特征的提取,使用多维尺度分析方法对提取出的特征信息进行了分析,结果表明提取出的特征具有明显的可分性与鲁棒性,接着将提取出了干扰信号特征送入Softmax分类器进行分类。实验结果该种分类方法在干噪比为-5dB~15dB时对单一干扰信号的分类正确率几乎达到了100%,而并存干扰的分类正确率达到了99%以上。最后,利用四阶统计特性代替原能量检测器的平方特性,在感知到对方干扰卫星通信后,利用“窗”的思想,采用第二类切比雪夫滤波器估计窄带干扰信号的中心频率和宽带干扰信号的带宽。实验结果,在干噪比为-5dB~15d B的环境下干扰信号参数估计的准确率在96%以上。