基于軟件無線電的通信偵察接收機(jī)關(guān)鍵技術(shù)研究.pdf

1、近年來，隨著作戰(zhàn)理論的不斷發(fā)展和作戰(zhàn)形式的不斷變化，通信偵察面臨的環(huán)境越來越復(fù)雜，迅速發(fā)展的先進(jìn)干擾和抗干擾通信技術(shù)也對通信偵察提出了越來越高的要求。為了應(yīng)對面臨的挑戰(zhàn)，提高通信偵察系統(tǒng)性能一直是電子對抗領(lǐng)域內(nèi)的研究熱點(diǎn)。作為通信偵察系統(tǒng)的核心，通信偵察接收機(jī)的功能是完成對無線電通信信號(hào)進(jìn)行搜索、截獲、測量、分析、識(shí)別、監(jiān)視，以及對輻射源進(jìn)行測向和定位，以便獲得信號(hào)的技術(shù)參數(shù)、輻射源位置、相關(guān)信息和情報(bào)。隨著通信對抗技術(shù)的發(fā)展，基于軟件

2、無線電技術(shù)的偵察接收機(jī)成為通信偵察接收機(jī)發(fā)展的必然趨勢。因此，本論文重點(diǎn)研究了基于軟件無線電的通信偵察接收機(jī)的關(guān)鍵技術(shù)，進(jìn)一步提高通信偵察接收機(jī)的性能，滿足我軍對信息進(jìn)行準(zhǔn)確的截獲和偵察的需求。
　　首先，為了滿足電子對抗中對通信偵察接收機(jī)提出的寬頻段、多模式等要求，本文詳細(xì)分析了基于軟件無線電技術(shù)的智能天線的結(jié)構(gòu)和算法，建立了基于智能天線的通信偵察接收機(jī)模型，該通信偵察接收機(jī)能從時(shí)域、頻域、空域?qū)邮招盘?hào)進(jìn)行三維處理，工作頻段寬

3、，波形適應(yīng)能力強(qiáng)，系統(tǒng)功能模塊化，軟件易于升級(jí)，可擴(kuò)展性好。本文研究了該通信偵察接收機(jī)中的基于多相濾波的信道化處理模塊，推導(dǎo)了基于多相濾波結(jié)構(gòu)的復(fù)信號(hào)和實(shí)信號(hào)的信道化處理模塊的數(shù)學(xué)模型，對實(shí)信號(hào)信道化處理模型進(jìn)行了仿真分析；并對通信偵察接收機(jī)中智能天線部分進(jìn)行了深入研究，推導(dǎo)了基于信號(hào)循環(huán)平穩(wěn)性的CAB盲數(shù)字波束形成算法，用該算法對通信偵察接收機(jī)中的數(shù)字波束形成模塊進(jìn)行仿真分析。由于智能天線具有良好的方向性，基于智能天線的通信偵察接收機(jī)

4、不僅在寬頻帶范圍內(nèi)實(shí)現(xiàn)了全概率截獲信息，還能夠?qū)崿F(xiàn)測向功能。
　　其次，由于擴(kuò)頻通信在通信對抗中的廣泛應(yīng)用，通信偵察接收機(jī)需要對擴(kuò)頻通信信號(hào)進(jìn)行檢測和參數(shù)估計(jì)。因此，本文重點(diǎn)研究了對直擴(kuò)信號(hào)的擴(kuò)頻碼周期估計(jì)的倒譜法。針對短碼周期估計(jì)，提出了基于經(jīng)典譜估計(jì)的改進(jìn)倒譜法，對傳統(tǒng)倒譜法進(jìn)行了三方面改進(jìn)：利用有偏自相關(guān)函數(shù)對功率譜進(jìn)行估計(jì)、對自相關(guān)函數(shù)加窗處理、對所求倒譜進(jìn)行頻譜校正，仿真結(jié)果表明改進(jìn)后的倒譜法比傳統(tǒng)倒譜法的峰值更加突出、

5、平滑，利于周期峰值搜索，信噪比容限提高了2.1dB。同時(shí)，還提出了基于現(xiàn)代譜估計(jì)的改進(jìn)倒譜法，先用Yule-Walker法或Burg法進(jìn)行功率譜估計(jì)，然后再求其倒譜并進(jìn)行頻譜校正，本文還總結(jié)出了適用于倒譜法的確定AR模型階數(shù)的經(jīng)驗(yàn)準(zhǔn)則。仿真結(jié)果表明，應(yīng)用現(xiàn)代譜估計(jì)的倒譜法比應(yīng)用經(jīng)典譜估計(jì)的倒譜法估計(jì)效果更好。針對長碼周期估計(jì)，研究了m序列延遲相乘的特性，并在此基礎(chǔ)上提出用基于延遲相乘的改進(jìn)倒譜法來估計(jì)長碼周期，先對待估計(jì)信號(hào)進(jìn)行延遲相乘

6、預(yù)處理，再用針對短碼的改進(jìn)倒譜法進(jìn)行周期估計(jì)，仿真結(jié)果表明，延遲相乘預(yù)處理使改進(jìn)后的倒譜法對長碼信號(hào)也能進(jìn)行周期估計(jì)，解決了已有的擴(kuò)頻碼周期估計(jì)方法無法對長碼周期進(jìn)行有效估計(jì)的問題。
　　然后，為了對接收到的非擴(kuò)頻信號(hào)或解擴(kuò)后的信號(hào)進(jìn)行調(diào)制方式的識(shí)別與分類，首先要提取信號(hào)特征，并選擇適當(dāng)?shù)奶卣鳂?gòu)成特征向量作為后續(xù)的調(diào)制識(shí)別分類器的輸入。本文研究了信號(hào)基于瞬時(shí)信息的特征提取方法、基于小波分解的細(xì)節(jié)特征提取方法、基于高階累積量的特征提

7、取方法和基于分形理論的特征提取方法，由這四組特征參數(shù)構(gòu)成了原始特征集。本文提出用遺傳算法進(jìn)行特征選擇，在深入研究了遺傳算法的原理、基本操作、運(yùn)算流程與主要特點(diǎn)的基礎(chǔ)上，進(jìn)行了基于遺傳算法的信號(hào)特征選擇器設(shè)計(jì)，并用離散小波神經(jīng)網(wǎng)絡(luò)(DWNN)分類器驗(yàn)證遺傳算法應(yīng)用于數(shù)字調(diào)制識(shí)別的有效性。仿真結(jié)果表明，遺傳算法能夠?qū)Σ煌哪Ｊ浇M合選擇出適用于該模式的特征向量，降低了特征向量維數(shù)，從而提高了后續(xù)的分類器的性能。
　　最后，為了實(shí)現(xiàn)對多種

8、信號(hào)調(diào)制方式的自動(dòng)識(shí)別與分類，本文深入研究了DWNN和ART2A神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上提出了基于ART2A-DWNN組合神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別分類器。DWNN分類器的收斂速度快，不存在局部極小點(diǎn)，具有較強(qiáng)的抗噪性，且識(shí)別特征相近的調(diào)制方式的能力較強(qiáng)，但是不具備可擴(kuò)展性，在同時(shí)識(shí)別很多種調(diào)制方式時(shí)識(shí)別效果不佳。而ART神經(jīng)網(wǎng)絡(luò)具有良好的可擴(kuò)展性和識(shí)別性能。組合神經(jīng)網(wǎng)絡(luò)分類器將ART2A-E神經(jīng)網(wǎng)絡(luò)和DWNN結(jié)合起來，ART2A-E神經(jīng)網(wǎng)絡(luò)作為組