無人機測控鏈路干擾感知與識別技術研究.pdf

1、復雜電磁環(huán)境已成為制約無人機(Unmanned Aerial Vehicle，UAV)測控系統(tǒng)可靠和有效通信的重要因素，干擾認知(Jamming Cognition，JC)是通過感知周圍的電磁環(huán)境，運用干擾檢測、干擾識別、干擾參數(shù)估計等技術手段實現(xiàn)對電磁環(huán)境的感知和識別，為通信系統(tǒng)的認知決策和抗干擾傳輸提供依據(jù)，以使系統(tǒng)能夠不斷調整傳輸參數(shù)和決策參數(shù)以達到最佳的傳輸效果，因此，干擾認知已成為無人機正常工作和高效傳輸?shù)闹匾Ｕ稀?br>　

2、　本文主要針對無人機測控鏈路中常見的干擾類型，從干擾認知策略的制定、干擾檢測、干擾多維特征參數(shù)的提取、干擾分類算法幾個方面研究無人機測控鏈路干擾感知與識別技術，并進行性能仿真分析，主要內容如下：
　　第一部分主要介紹了本文的研究背景和意義，并對無人機測控鏈路的基本情況和目前的干擾感知技術與識別技術進行闡述。
　　第二部分主要研究了無人機測控鏈路干擾認知策略和干擾認知過程。具體包括將無人機測控鏈路常見干擾分為時域、頻域、非平穩(wěn)

3、三種類型；給出了干擾認知策略制定時需要考慮的四個因素；制定了無人機測控鏈路干擾認知策略并給出了干擾認知過程。
　　第三部分主要研究了時域干擾檢測算法和頻域干擾檢測算法。針對時域干擾，主要研究了時域分組檢測算法，推導了分組檢測門限因子，分析了算法實現(xiàn)流程，在此基礎上，進一步研究了脈沖噪聲干擾的周期和占空比估計算法；針對非靜默期下的頻域干擾檢測，主要研究了基于Welch譜的改進FCME檢測算法；仿真結果表明，時域分組干擾檢測算法和脈沖

4、干擾參數(shù)估計算法都有較好的性能，基于Welch譜的改進FCME算法性能優(yōu)于傳統(tǒng)FCME算法，具有較好的檢測性能，而且誤檢概率也比較低，很適用于非靜默期干擾檢測。
　　第四部分主要從時域、頻域、分形域幾個維度研究了多維干擾特征參數(shù)的提取算法。具體特征參數(shù)包括：時域峰均比(Time Domain Peak To Average Ratio， TDPAR)、時域矩峰度(Time Domain Kurtosis，TDK)、干擾帶寬因子(J

5、amming Bandwidth Factor，JBF)、頻域峰均比(Frequency Domain Peak To Average Ratio， FDPAR)、歸一化譜沖擊部分標準差(Normalized Spectrum Standard，NSSD)、盒維數(shù)(Box Dimension，BD)、LZ復雜度、時頻圖干擾位置標準差(Time Frequency Position Standard Deviation)，TFPSD。理論

6、分析了脈沖噪聲干擾的時域特征參數(shù)值；為了適用于非平穩(wěn)干擾，本文提出了使用短時傅里葉變換提取時頻二值圖對LZ復雜進行改進，并對時頻圖提取干擾頻點位置標準差特征參數(shù)。最后，對所有干擾特征參數(shù)進行仿真分析。仿真結果表明，時域特征參數(shù)對脈沖干擾具有較好的區(qū)分能力；干擾帶寬因子和頻域峰均比對瞄準式干擾有較好的區(qū)分能力；歸一化譜沖擊部分標準差對多音干擾有好的區(qū)分能力；分形維數(shù)在JSNR?10dB有較好魯棒性并對部分干擾類型有較好區(qū)分能力。
　

7、　第五部分主要研究了決策樹(Decision Tree，DT)干擾分類算法和支持向量機(Support Vector Machine，SVM)干擾分類算法?；诙嗑S特征參數(shù)構建了靜默期決策樹和非靜默期決策樹；制定了一套支持向量機識別多種干擾類型的結構，仿真分析了不同分類算法下的干擾識別性能。仿真結果表明，決策樹判決中瞄準式干擾非靜默期識別性能優(yōu)于靜默期識別性能；非靜默期情況下，支持向量機的識別性能優(yōu)于決策樹識別性能；當JSNR>10dB