随着现代雷达电子对抗技术的发展,雷达需要高效准确地获知敌方施加的干扰类型,并采取针对特定干扰类型的抗干扰方法。干扰感知模块可利用不同干扰间的特征差异性区分干扰类型,达到识别敌方干扰信号类型的目的。针对日益复杂的电磁环境,干扰感知模块的训练与优化更加具有现实意义。本文针对传统雷达系统不能准确侦察敌方干扰信号类型,无法基于特定干扰类型采取相对应抗干扰措施的问题,完成基于干扰感知的地基阵列雷达抗干扰建模与仿真。使其可通过训练完备的干扰感知模块实现对敌方干扰信号的识别,针对特定干扰信号类型采取相应抗干扰措施,较传统雷达抗干扰过程更加高效准确。本文首先完成多种类型有源干扰信号、目标回波信号的建模与仿真,并基于时域、熵理论和灰度共生矩阵等多种变换域提取相应特征;然后利用所提取的特征建立原始特征空间,基于原始特征空间生成训练矩阵,以训练支持向量机(SVM)、随机森林和BP神经网络三种分类器,即得到干扰感知模块,实现对有源干扰信号的识别;接下来采用SVM-RFE、ReliefF和Q学习三种特征选择优化算法,基于原始特征空间产生最优特征子集,并生成训练矩阵,以训练最优支持向量机分类器,得到训练完备的最优干扰感知模块,通过比较可知,基于Q学习的SVM分类器干扰识别性能最优;最后将训练完备的最优干扰感知模块与地基阵列雷达抗干扰系统组合,产生有源干扰信号对该模块进行测试并完成后续抗干扰处理。本文的核心是干扰感知模块的设计与训练,主要过程包括干扰信号特征提取、分类器训练和特征选择优化。设计的基于Q学习算法的SVM分类器相较于其他分类器,干扰信号的识别率均有所提高且所需特征数目较少。干扰感知模块后续研究前景广阔,可通过提取区分度更好的特征、优化分类器训练算法和研究新的特征选择优化算法等方面,进一步提高干扰感知模块性能,使干扰感知模块有更大的工程价值。