基于惩罚因子可变的雷达分布式干扰信号产生方法技术

一种基于惩罚因子可变的雷达分布式干扰信号生成方法，其实现步骤是：用获取的雷达参数判定雷达威胁等级并设置约束条件；构建与每个STAP雷达威胁等级值对应的目标函数；设置惩罚因子的值；用计算欧式距离的方法确定相邻向量并组成相邻向量索引集合；用基于标准遗传算法得到变异后的个体；判断惩罚因子可变的PBI分解公式并求解目标函数的最优解；利用最优解中的最优干扰信号完成对对方STAP雷达组网的干扰。本发明专利技术采用了惩罚因子可变的PBI分解算法生成的干扰信号具备充足的能量，提升了对STAP雷达的干扰性能，可用于多部干扰机和STAP雷达组成的干扰场景。雷达组成的干扰场景。雷达组成的干扰场景。

Radar distributed jamming signal generation method based on variable penalty factor

【技术实现步骤摘要】
基于惩罚因子可变的雷达分布式干扰信号产生方法


[0001]本专利技术属于雷达
，更进一步涉及雷达干扰
中的一种基于惩罚因子可变的惩罚边界交集APBI(Adaptive Penalty
‑
based Boundary Intersection)分解的空时自适应处理STAP(Space
‑
Time Adaptive Processing)雷达分布式干扰方法。本专利技术可用于干扰机对目标函数求解最优解，然后利用最优解产生的干扰信号，对雷达进行干扰。

技术介绍

[0002]相比于地基雷达较为简单的杂波抑制过程，机载雷达所面对的信号探测环境更为复杂。这种雷达对于强杂波和干扰的抑制主要通过STAP技术来实现，STAP雷达具有极强的自适应性，可对强杂波和常规干扰进行有效抑制。由此可见，具有优越杂波抑制性能的STAP雷达无疑使得干扰方在实施对抗行动时存在一定难度。更为严重的是，在无干扰情况下干扰方的战机将无法得到有效掩护，使作战方案的部署毁于一旦。目前，STAP雷达干扰领域处于起步阶段，现今对STAP算法的干扰研究仅集中在设计有效的干扰样式，从而破坏STAP算法中训练样本的独立同分布条件，但实现该技术需要通过侦察设备精确获取敌方雷达的重要参数及位置信息，对侦察技术提出了更高要求，实现难度较大。因此，对STAP雷达进行干扰研究是抑制STAP雷达性能的有效手段，对掩护干扰方目标具有重要意义。
[0003]张嘉曦在其发表的论文“对机载雷达STAP的干扰方法研究”(西安电子科技大学，硕士学位2018年)中公开了一种STAP的干扰方法。该方法首先将干扰天线对准STAP雷达的主瓣方向，然后对STAP雷达发射单点源主瓣干扰信号。该方法存在的不足之处是，只运用了单点源主瓣干扰方法对STAP雷达进行干扰，由于实施主瓣干扰需要较多先验信息，无法同时对多个目标进行有效干扰。
[0004]西安电子科技大学在其申请的专利文献“基于PBI的STAP雷达分布式干扰信号产生方法”(专利号202110382564.6，2021.04.09)中公开了一种对STAP雷达的分布式干扰信号产生方法。该方法首先干扰机接收雷达信号得到雷达的参数信息判定雷达的威胁等级，根据不同的威胁等级构建满足约束条件的目标函数集合；利用基于PBI的分解算法对种群中各组初始干扰信号生成解的最优解，每个种群最优解中包含干扰样式和干扰功率的最优分布式干扰信号可以在实现对雷达干扰的同时保持干扰信号能量，并且可以应用于多部干扰机和多部雷达组成的“多对多”干扰场景，解决了现有技术无法同时对多个目标进行干扰的问题。但是，该方法仍然存在的不足之处是，由于该方法所使用的PBI算法之中的惩罚因子是不变的，使得多个干扰机对多个STAP雷达的干扰信号能量损失过大，且分解算法寻优干扰信号结果受惩罚因子的影响比较大，干扰效果不佳。

技术实现思路

[0005]本专利技术的目的在于针对上述已有技术的不足，提出了一种基于惩罚因子可变的PBI的STAP雷达分布式干扰信号产生方法，用于解决基于PBI的STAP雷达分布式干扰产生的最佳干扰信号的干扰能信号能量损失过大的问题，使得生成的干扰信号在完成对STAP雷达
干扰的同时保证了干扰信号具备充足的能量。
[0006]实现本专利技术目的的具体思路是，根据干扰机截获的STAP雷达参数信息判定雷达的威胁等级；根据不同的威胁等级构建满足约束条件的目标函数集合；惩罚因子可变的PBI分解算法可以在搜索寻优的每一代调整每个目标函数的惩罚因子值，利用惩罚因子可变的PBI分解算法对种群中各组干扰信号生成解的最优解，最优解中包含干扰功率和干扰样式的分配方案，可以在实现对STAP雷达干扰的同时保持干扰信号能量，并且本专利技术生成的分布式干扰信号可以应用于“多对多”干扰场景，解决了现有技术无法同时对多个目标进行干扰的问题。
[0007]本专利技术的具体步骤包括如下：
[0008](1)用获取的雷达参数信息判定雷达威胁等级；
[0009](2)设置目标函数集合的约束条件；
[0010]设置目标函数集合的约束条件为，每个干扰机的归一化干扰功率之和均为1，且在干扰同一部STAP雷达时，每个干扰机所用干扰样式均为同一种干扰样式；
[0011](3)构建与每个STAP雷达威胁等级值对应的目标函数f
i
(x)组成目标函数集合F(x)；
[0012](4)利用惩罚因子可变的PBI分解算法求解目标函数的最优解；
[0013](4a)设置种群规模大小为K，K＞200，产生满足目标函数的约束条件的K组干扰信号生成解向量；
[0014](4b)计算每组当前迭代时干扰信号生成的解向量与其余组各初始干扰信号生成的解向量之间的欧式距离，将所有欧式距离中最小的欧式距离对应解向量作为当前迭代时干扰信号生成的解向量的相邻向量，将所有相邻向量组成相邻向量索引集合；
[0015](4c)从相邻向量索引集合中任意选择两个索引，利用基于标准遗传算法对所选两个索引相对应的初始干扰信号生成解向量依次进行交叉、变异操作，得到当前迭代时变异后的个体y
*
；
[0016](4d)利用下述公式，求解当前迭代时产生干扰信号的最优解：
[0017]min{g
apbi
(x|η,σ)＝d
i,1
+θ
i
d
i,2
}
[0018]其中，min{
·
}表示取最小值操作，g
apbi
(x|η，σ)表示用参数η,σ对x优化的PBI的分解操作，x表示当前迭代时干扰信号生成解，η表示由STAP雷达的初始干扰信号生成的解向量，σ表示参考解向量，σ＝(σ1,σ2,
…
,σ
i
…
,σ
N
)
T
，1≤i≤N，N表示目标函数的总数，σ
i
表示第i个目标函数对应的参考解，T表示转置操作，d
i,1
表示当前迭代时第i个目标函数的第一参数向量d1的值，d
i,2
表示当前迭代时第i个目标函数的第二参数向量d2的值，θ
i
表示当前迭代时的第i个目标函数的惩罚因子；
[0019](4e)按照下式，设置当前迭代时惩罚因子θ
i
的值：
[0020][0021]其中，表示上一次迭代时的第i个目标函数的惩罚因子，Δθ
i
表示第i个目标函数的惩罚因子变化量；该变化量是由下式计算得到的：
[0022][0023]其中，sgn(
·
)表示符号函数，表示当前迭代时所有目标函数的第二参数向量的平均值，表示上一次迭代时第i个目标函数的惩罚因子值θ
i
的最小值；
[0024](4f)如果g
apbi
(y
*
|η
i
,σ
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于惩罚因子可变的PBI雷达分布式干扰信号产生方法，其特征在于，考虑种群的多样性和收敛性，当目标函数具有相同场景的时候，惩罚因子取第t代的所有目标函数的惩罚因子的最小值，考虑收敛性，否则，其他情况的都有各自的惩罚值，取决于个体的多样性，利用惩罚因子可变的PBI分解算法对种群中各组初始干扰信号生成解的最优解，该方法的具体步骤包括如下：(1)用获取的雷达参数信息判定雷达威胁等级；(2)设置目标函数集合的约束条件；设置目标函数集合的约束条件为，每个干扰机的归一化干扰功率之和均为1，且在干扰同一部STAP雷达时，每个干扰机所用干扰样式均为同一种干扰样式；(3)构建与每个STAP雷达威胁等级值对应的目标函数f
i
(x)组成目标函数集合F(x)；(4)利用惩罚因子可变的PBI分解算法求解目标函数的最优解；(4a)设置种群规模大小为K，K＞200，产生满足目标函数的约束条件的K组干扰信号生成解向量；(4b)计算每组当前迭代时干扰信号生成的解向量与其余组各初始干扰信号生成的解向量之间的欧式距离，将所有欧式距离中最小的欧式距离对应解向量作为当前迭代时干扰信号生成的解向量的相邻向量，将所有相邻向量组成相邻向量索引集合；(4c)从相邻向量索引集合中任意选择两个索引，利用基于标准遗传算法对所选两个索引相对应的初始干扰信号生成解向量依次进行交叉、变异操作，得到当前迭代时变异后的个体y
*
；(4d)利用下述公式，求解当前迭代时产生干扰信号的最优解：min{g
apbi
(x|η,σ)＝d
i,1
+θ
i
d
i,2
}其中，min{
·
}表示取最小值操作，g
apbi
(x|η，σ)表示用参数η,σ对x优化的PBI的分解操作，x表示当前迭代时干扰信号生成解，η表示由STAP雷达的初始干扰信号生成的解向量，σ表示参考解向量，σ＝(σ1,σ2,
…
,σ
i
…
,σ
N
)
T
，1≤i≤N，N表示目标函数的总数，σ
i
表示第i个目标函数对应的参考解，T表示转置操作，d
i,1
表示当前迭代时第i个目标函数的第一参数向量d1的值，d
i,2
表示当前迭代时第i个目标函数的第二参数向量d2的值，θ
i
表示当前迭代时的第i个目标函数的惩罚因子；(4e)按照下式，设置当前迭代时惩罚因子θ
i
的值：其中，θ
i
‑1表示上一次迭代时的第i个目标函数的惩罚因子，Δθ
i
表示第i个目标函数的惩罚因子变化量；该变化量是由下式计算得到的：其中，sgn(
·
)表示符号函数，表示当前迭代时所有目标函数的第二参数向量的平均值，θ
imin
表示上一次迭代时第i个目标函数的惩罚因子值θ
i
的最小值；(4f)如果g
apbi
(y
*
|η
i
,σ
i
)≤g
apbi
(x
k
|η
i
,σ
i
)公式成立，判定当前迭代时变异后的个体y
*
优于相邻向量索引集合中的任何一个当前迭代时干扰信号生成解x
k
，则用...

【专利技术属性】
技术研发人员：刘高高，王钊，杨文博，鲍丹，蔡晶晶，武斌，秦国栋，李鹏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：