以人为本 服务至上 科学管理 勤政高效

中意美三國研究人員合作提出稀疏學習類噪聲幹擾檢測方法

  

  類噪聲幹擾(Noise-Like Jammers, NLJs)是聲納在實際工作中經常面臨的有源人工幹擾之一,它主要通過增加接收機中的類噪聲信號來産生強噪聲環境,以達到掩蓋真實目標信息、幹擾雷達和聲納自動檢測的目的。

  以往研究曾提出旁瓣對消、協方差矩陣秩一修正、二階自適應檢測結構等抗幹擾方法,從信號處理層面對噪聲進行檢測和抑制。但這些方法不能同時提供關于多個NLJs的數量、波達角度和接收功率的關鍵信息,綜合性能亟待提升。

  爲解決上述問題,中科院水下航行器信息技術重點實驗室郝程鵬團隊與意大利、美國和國內同行四方開展針對性的合作研究,提出基于叠代最小化稀疏學習(sparse learning via iterative minimization, SLIM)的兩種NLJs檢測方法,分別爲稀疏循環似然比檢測(sparse cyclic likelihood ratio test, SC-LRT)和稀疏雙循環似然比檢測(sparse doubly cyclic likelihood ratio test, SDC-LRT),新方法可實現對多個NLJs的檢測,同時能准確估計其數量和波達角度,有效對抗來自天線旁瓣的NLJs攻擊。

  相關研究成果在線發表于國際學術期刊 IEEE Transactions on Aerospace and Electronic Systems2020年影響因子/JCR分區:3.672/Q1)。

  研究結果顯示,研究人員提出的SC-LRTSDC-LRT比現有基于協方差矩陣估計的稀疏叠代似然比檢測(sparse iterative covariance-based estimation likelihood ratio test, SPICE-LRT)具有更高的檢測概率(圖1)和更低的參數均方根 (root mean squared, RMS) 估計誤差(圖2)。此外,在1000次獨立仿真試驗中,SLIM方法在3種采樣間隔下的NLJs數量估計准確度均達到了99%,而SPICE方法在2度和3度的網格采樣率時估計准確度爲93%以上(圖3~4)。

 

  圖1 检测概率曲线(圖/中科院聲學所)

   

  圖2 RMS误差值曲线(圖/中科院聲學所)

   

  圖3 SLIM方法的NLJs数量估计直方圖(圖/中科院聲學所)

   

  圖4 SPICE方法的NLJs数量估计直方圖(圖/中科院聲學所)

  這兩種檢測方法不但具有良好的NLJs檢測性能,還能夠對幹擾數量和波達角度進行精確估計,豐富了聲納對抗有源人工幹擾的手段。在下一步的研究中,研究人員將把所提出方法擴展應用到更爲複雜的多個相幹目標同時存在的情況中。

  本研究得到國家自然科學基金(No.61971412No.1708509)資助。

  關鍵詞:

  類噪聲幹擾;幹擾檢測;參數估計;稀疏重構

  參考文獻:

  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. 

  論文鏈接

分享到 :