计算机仿真2019,36(02),1-5

军事侦察通信系统跳频信号分选

陈利波龚晓峰雒瑞森陈思南

四川大学电气信息学院

导出/参考文献分享打印

摘要：

跳频信号分选作为跳频通信侦察工作中的重要一环, 为跳频信号后续处理提供了基础, 但是在复杂电磁环境下, 各种噪声信号同时存在且跳频网台个数未知, 现有的跳频信号分选算法, 分选正确率往往不理想。为了解决这个问题, 提出了一种基于DBSCAN聚类算法的跳频信号分选方法, 通过对截获信号的方位、功率、周期等特征参数进行聚类, 估计出检测范围内跳频信号的个数。最后的仿真表明, 该算法能有效排除噪声干扰, 且在跳频网台个数未知的条件下, 依然具有较高的分选正确率。

关键词：

跳频;带噪声密度聚类;通信对抗;信号分选;

作者简介： 陈利波 (1991-) , 男 (汉族) , 甘肃省陇南市人, 硕士研究生, 主要研究领域为跳频信号检测。; 龚晓峰 (1965-) , 男 (汉族) , 浙江省金华市人, 教授, 硕士研究生导师, 主要研究领域为检测技术与自动化装置。; 雒瑞森 (1986-) , 男 (汉族) , 甘肃省酒泉市人, 讲师, 博士, 主要研究领域为信号处理、灾情分析预警、控制理论与控制工程。; 陈思南 (1992-) , 男 (汉族) , 湖北省随州市人, 硕士研究生, 主要研究领域为数字信号处理、调制制式识别。;

收稿日期：2017-10-17

Frequency Hopping Signal Sorting in Military Reconnaissance Communication System

CHEN Li-bo GONG Xiao-feng LUO Rui-sen CHEN Si-nan

College of Electrical Engineering and Information, Sichuan University

Abstract：

Signal sorting is an important part of the frequency hopping signals reconnaissance, which provides the basis for the subsequent processing of FH signals. However, the existing frequency hopping signal sorting algorithms is often not ideal owing to the concurrence of various noise signals and the unknown number of FH radios in the complex electromagnetic environment. A sorting method of frequency hopping signals based on DBSCAN clustering algorithm is proposed in this paper to solve this problem, and the number of FH stations in the detection range can be estimated by clustering the characteristic parameters such as the DOA, power and period of intercepted signals. Finally, the simulation results have proven that the proposed algorithm can effectively eliminate noise interference and still has high sorting accuracy when the number of FH radios is unknown.

Keyword：

Frequency hopping;DBSCAN;Communication countermeasure;Signal sorting;

Received： 2017-10-17

1 引言

跳频通信作为一种重要的扩频通信方式, 具有不易被截获、抗干扰能力和组网能力强的特点, 广泛应用于军事通信领域的同时, 传统的通信对抗工作开始面临严峻的挑战。开展专门针对跳频通信的侦察技术的研究, 对于实战环境下的电子对抗具有重要意义。然而现代战场电磁环境越来越复杂, 空间中同时存在不同的通信信号以及各种噪声信号, 要从各种干扰信号中快速检测出目标跳频信号, 难度极高。通常, 跳频信号的侦察工作分为4个阶段:信号截获、参数估计、信号分选以及分选后信号处理 (解跳、解调等) 。在复杂的电磁环境下, 各个跳频信号的跳频序列往往是未知的, 这些信号混叠在一起, 使得后续处理相当困难, 而信号分选技术则为这些后续处理提供了理论基础, 其作为跳频信号侦察工作中的重要一环, 也得到了越来越多的研究人员的重视。

文献[1]利用同网台信号的时间相关性对异步组网电台信号进行分选, 通过对定频信号分析处理, 来剔除定频信号造成的频率碰撞, 提高了分选正确率, 但并未考虑异步组网中跳频信号也会造成频率碰撞的情况。传统的基于时频分析的网台分选方法中, 文献[2]使用STFT算法运算量小, 但是存在固有的无法同时满足时间精度和频率精度的问题, 文献[3]利用Gabor&SPWVD组合时频分析方法能得到较清晰时频图的优点, 实现了跳频信号分离, 但运算量较大。文献[4]和文献[5]研究了欠定条件下的跳频信号分选问题, 但都是基于三个假设条件, 只适用于特定情况。文献[6]提出一种基于熵分析的跳频信号分选方法, 借助短时Renyi熵得到不同跳频信号时频域的特点进而分选出对应信号。文献[7]利用跳频信号每跳的TOA参数对跳频电台进行分选, 要求电磁环境简单且只适用于异步组网的电台。文献[8]先利用时频投影图得到可能的跳变点和频率, 提高了频率检测概率。文献[9]对K-Means聚类算法进行了改进, 利用提出的参数统计直方图峰值搜索方法预估聚类个数并可以得到优化的初始聚类中心, 但是该算法的准确度依赖于预先估计的直方图的预分箱数, 实用性不高。为了估计预分箱数, 文献[10]提出利用参数估计值的最大误差范围来确定的方法, 但其只考虑了二维参数的情况, 且只有在较低维数情况下, 该算法复杂度才可以接受;另一方面, K-Means和KHM算法均存在无法识别定频、以及其它单点噪声的干扰的问题。综上所述, 跳频信号分选往往面临算法只能适应单一组网模式, 需要预估信号个数, 无法识别噪声干扰等问题, 针对这些不足, 本文首次提出一种基于DBSCAN算法的跳频信号分选方法, 该算法能适应不同的组网模式, 同时具有良好的抗噪性能和较高的分选正确率。

2 跳频信号数学模型

在跳频通信系统中, 信号的载波频率按照跳频序列设置的规律伪随机跳变, 经过传输信道后, 接收到的信号模型可定义如式 (1) 所示

x(t)=A∑krectTH(t−kTH−T0)ej2πfk(t−kTH−T0)+n(t) (1)x(t)=A∑krectΤΗ(t-kΤΗ-Τ0)ej2πfk(t-kΤΗ-Τ0)+n(t) (1)

其中

rectTH(t)={1t∈(−TH/2‚TH/2)0else (2)rectΤΗ(t)={1t∈(-ΤΗ/2‚ΤΗ/2)0else (2)

式 (1) 中, 0≤t≤T, T是观测时长, A为信号功率, rect_TH表示宽度为T_H的矩形窗, T_H是跳周期, ƒ_k是载频频率, T₀是起跳时刻 (决定第一个载频持续时间) , n (t) 是加性高斯白噪声。

对接收到的混合信号通过前期预处理, 可以得到信号的跳周期 (T_H) 、来波方位 (DOA) 、信号功率 (P) 等信息。本文所研究的是在已经获得信号每跳 (hop) 的各参数的基础上, 依据同一电台信号特征相似程度高以及不同电台信号特征相似程度低的原理, 通过对获得的信号的各特征信息进行聚类, 来进行信号的分选。因此, 待分选数据集可表示为X={x₁, x₂, x₃, …, x_i}, 0<i<n, 其中x_i=[T_H, DOA, P], n为采集到的hop总数。

在实战环境下, 事先很难确定敌方跳频网络的组网方式以及跳频电台的数量, 再加上检测环境中存在各种各样的噪声信号, 这就导致跳频信号的分选工作及其困难。考虑到DBSCAN聚类算法无需确定聚类个数且对噪声适应性较好, 本文提出一种基于DBSCAN的跳频信号分选算法。

3 基于DBSCAN的跳频信号分选

3.1 DBSCAN算法原理

DBSCAN (Density-Based Spatial Clustering of Application with Noise) 是一种著名的密度聚类算法, 它基于一组邻域 (neighborhood) 参数 (∈, MinPts) 来刻画样本分布的紧密程度。其基本思想是:对于由密度可达关系导出的最大的密度相连样本集合中的每一个点, 在其给定的半径范围 (∈) 内都至少包含给定数目 (MinPts) 的点。于是DBSCAN算法实现过程为, 先根据给定的邻域参数 (∈, MinPts) 找出所有核心对象, 然后以任一核心对象为出发点, 找出由其密度可达的样本生成的聚类簇, 直到所有核心对象均被访问过为止。

对于样本集X={x₁, x₂, x₃, …, x_n}, 输入参数 (∈, MinPts) , DBSCAN聚类算法流程如下:

1) 初始化核心对象集合Ω=∅, 初始化聚类簇数k=0, 初始化未访问样本集合Γ=X, 初始化簇划分C=∅ ;

2) 对样本集Γ中每一个样本x_j, 找到样本x_j的∈-邻域子样本集N∈ (x_j) , 如果N∈ (x_j) 样本个数满足|N∈ (x_j) |≥MinPts, 则将样本x_j加入核心对象样本集合Ω=Ω∪{x_j}, 直到所有样本均被遍历;

3) 选取核心对象o∈Ω, 更新类号k=k+1, 找到由o密度可达的所有样本组成的集合C_k={x′∈Γ|x′由o密度可达};

4) 更新未访问样本集合Γ=Γ\C_k, 更新核心对象集Ω=ΩΩ∩C_k) , 如果Ω≠∅, 转到步骤3) , 不然则转到步骤5) ;

5) 输出簇划分结果C={C₁, C₂, …, C_k}。

该算法将具有足够高密度的区域划分为一类, 并可以在带有“噪声”的空间数据库中发现任意复杂形状的聚类簇, 能有效排除噪声的干扰, 并且聚类结果不受输入顺序的影响, 聚类速度快^[12]。但其需要用户确定∈和MinPts两个输入参数, 而参数值的不同会导致不同的聚类结果, 例如, 在给定∈值的情况下, 如果MinPts选择过大, 确定的核心点数量会少于应有数量, 最终导致数据对象较少的簇被丢弃, 可能被误判为噪声;MinPts选择过小, 会导致确定的核心点数量多于应有数量, 从而错误地把噪声归到簇内。给定MinPts的情况下, 如果∈选择过小, 会导致大量对象被错误地标记为噪声, 一个自然簇也会被错误地拆分成多个簇;∈选择过大, 则可能把噪声错误的归入聚类簇, 导致应当分离的多个自然簇被错误地合并为一个簇。为了解决这一问题, 本文先采用绘制降序k-距离图的方法估计参数∈, ∈确定后, 再根据每个点∈-邻域的对象数量来确定MinPts, 流程如下:

1) 解析样本数据文件;

2) 由式 (3) 计算每个点与其它所有点之间的欧氏距离D_ij, 得到k-距离集合DIST_n×n;

DISTn×n={dist(i‚j)|1≤i≤n‚1≤j≤n} (3)DΙSΤn×n={dist(i‚j)|1≤i≤n‚1≤j≤n} (3)

3) 对所有点的k-距离集合进行升序排序;

4) 绘制的排序后的k-距离曲线, 曲线拐点对应的k-距离值, 就是所求∈;

5) 依次计算出每个点的∈-邻域的对象的个数;

6) 根据式 (4) 计算数据对象的数学期望, 即可得到MinPts

MinPts=1n∑inPi (4)ΜinΡts=1n∑inΡi (4)

式 (4) 中:P_i表示第i个点的∈-邻域的点数。

3.2 分选步骤

跳频通信系统按照组网方式可以分为同步组网和异步组网两种。同步组网时, 跳频网络的时间基准是统一的, 具有相同的起跳时刻, 此时可用的信号特征参数有:周期、功率、来波方向等;异步组网时, 各跳频网络的时间基准不统一, 相对同步组网, 可用特征参数又多了一个跳时刻, 分选时可根据实际情况灵活选择特征参数。

实际应用中, 监测环境中存在的跳频网络个数是未知的, 其组网方式也是未知的, 但是同一个跳频网络内各电台具有相同的跳频周期。所以可以先根据周期的不同, 把待分选混合信号分成不同的跳频网络。再根据其它参数, 利用DBSCAN聚类算法, 分选出网络内的各个跳频电台。在待分选信号参数较多的时候, 这种分步分选的方法, 比直接对混合信号参数聚类的分选方法更加高效, 其分选过程如图1所示。

图1 跳频信号分选过程示意图 下载原图

4 仿真研究

异步组网和同步组网相比, 虽然前者的抗干扰能力和容纳电台数目的能力不如后者, 但是其起跳时刻、跳频频率表等没有约束关系, 所以组网形式便捷、组网速度更快, 组网也更加容易, 战术运用灵活, 所以实际应用中异步组网更为常见。考虑到上面这些因素, 本文选取跳时刻, 来波方向, 跳周期, 信号功率等作为聚类参数, 对异步组网跳频信号进行仿真。

4.1 实验1

仿真条件:信号1为跳频信号, 30跳, 跳周期、来波方位为 (10ms, 15°) ;信号2为跳频信号, 20跳, 跳周期、来波方位为 (20ms, 50°) ;信号3为跳频信号, 20跳, 跳周期、来波方位为 (30ms, 40°) ;信号4为跳频信号, 20跳, 跳周期、来波方位为 (40ms, 60°) ;信号5为突发干扰信号, 相当于一个单点噪声, 跳周期、来波方位为 (40ms, 25°) 。为了更好的模拟真实环境, 将各维的参数随机叠加偏差, 跳周期偏差在[-3.5ms, 3.5ms]均匀分布;来波方位偏差在[-5°, 5°]均匀分布, 仿真结果如图2～图4所示。

图2 本文算法分选结果 下载原图

图3 文献[9]算法分选结果 下载原图

图4 文献[10]算法分选结果 下载原图

从图2～图4可以看出, 本文所提算法估计的聚类个数为4, 文献[9]估计的聚类个数为5, 文献[10]估计的聚类个数为4, 但是误把噪声和信号3聚为一类。由聚类结果图可以看出, 本文算法正确分选出了跳频信号, 且能剔除噪声干扰。

4.2 实验2

仿真条件:利用实验1仿真条件, 进行100次独立的Monte-Carlo实验, 对比各算法分选正确率, 结果见表1。

表1 实验2分选正确率 导出到EXCEL

	文献[9]	文献[10]	本文
分选正确率%	78	93	97

为了有效评价算法可靠性, 这里引入分选正确率的概念, 其定义如式 (5)

分选正确率=正确分选的跳数信号总跳数×100% (5)分选正确率=正确分选的跳数信号总跳数×100% (5)

实验1和实验2仿真结果表明, 本文算法能正确分选出跳频信号, 而且分选正确率较高, 而文献[9]和文献[10]分选正确率较低。分析其原因, 一方面, 不管是K-Means算法还是KHM算法, 其都要预先确定聚类数, 而在军事侦察通信系统中, 由于实际电磁环境复杂性, 事先并不能准确地知道跳频电台的数量。文献[9]和文献[10]通过搜索参数直方图峰值的方法来确定聚类个数, 但是其结果容易受到预分箱数的影响, 峰值个数估计不准导致最终分选结果的错误, 文献[10]虽然对直方图方法做了改进, 但分选正确率依然有待提高;另一方面, K-Means和KHM算法对噪声识别能力差, 噪声的存在会严重影响聚类结果。所以当信号密集且存在突发信号等噪声时, 基于K-Means算法及其改进算法的分选正确率都比较低, 而本文算法不需提前预估聚类数且对噪声有很好的适应性, 不存在以上问题, 所以同等条件下本文算法具有较高的分选正确率。

4.3 实验3

一般来说, 获得的信号的特征越多, 信号分选的正确率就越高, 在低维空间无法完成的分选问题在高维空间可能会得到解决, 但随着选取的特征维数的增加, 运算量也会急剧增加。所以实际中应合理选取特征矢量的维数, 这里选取信号三维特征数据进行仿真, 以验证跳频信号特征参数较多时DBSCAN算法的适应性。

图5 信号特征分布图 下载原图

仿真条件:信号1为跳频信号, 跳时刻、来波方位和信号功率为 (1ms, 20°, -3dB) ;信号2为跳频信号, 参数为 (2ms, 50°, -2dB) ;信号3为跳频信号, 参数为 (3ms, 35°, -3dB) ;信号4为突发信号, 参数为 (3ms, 40°, 1dB) 。跳时刻偏差在[-0.7ms, 0.7ms]均匀分布;来波方位角度偏差在[-5°, 5°]均匀分布, 功率偏差在[-1dB, 1 dB]均匀分布, 信号特征分布如图5所示, 聚类分选结果如图6～图8所示。

图6 本文算法分选结果图 下载原图

图7 文献[9]算法分选结果 下载原图

图8 文献[10]算法分选结果 下载原图

从图7～图9可以看出, 本文算法聚类结果为3, 正确分选出了3个跳频信号, 且识别出了干扰, 在相同的实验条件下, 文献[9]算法聚类结果为2, 与实际情况出入较大, 文献[10]聚类结果为3, 并把突发信号归入了与其特征最为相近的信号。

4.4 实验4

仿真条件同实验3, 进行100次独立的Monte-Carlo实验, 分选正确率见表2。

表2 实验4分选正确率 导出到EXCEL

	文献[9]	文献[10]	本文
分选正确率%	67	80	91

由实验3和实验4可以看出, 在存在噪声的复杂电磁环境下, 信号特征较多时本文算法依然具有较好的分选性能。实验过程中发现, 文献[9]在信号特征维数较高且分布密集时, 容易出现局部最优的分选结果而非全局最优, 这就导致分选正确率大大降低。文献[10]中基于KHM的聚类算法会把噪声归为与其特征最为相似的信号, 这将会影响后续的跳频序列估计等工作, 但本文算法能直接把突发信号等噪声识别出来, 为后续的跳频信号处理提供了方便。同时也证明了DBSCAN算法对噪声的不敏感性, 说明即使电磁环境很复杂时, 其对跳频信号的分选仍然具有较高的实用价值。

5 总结

本文提出了一种基于DBSCAN聚类算法的跳频信号分选方法, 首次将DBSCAN算法运用到跳频信号分选领域, 为军事侦察通信系统中跳频信号分选提供了另外一种思路。相对于传统的分选方法, 本文算法不但适用于异步组网电台, 也适用于同步组网电台的分选, 同时由于DBSCAN算法不需要预估聚类数, 且能有效排除噪声干扰, 保证了结果可靠性, 实用性也颇高。仿真表明, 该算法在复杂电磁环境下的跳频信号分选中能达到很好的分选效果。但另一方面, 由于DBSCAN算法中, 聚类结果依赖∈和Minpts两个输入参数, 本文虽然运用了绘制k-距离曲线的求∈继而求Minpts的解决方案, 但毕竟会有一定的时间开销, 实际应用中能否通过已经掌握的接收机测量误差范围、测向算法精度等已有数据, 提前由样本数据训练得到∈和Minpts, 以满足特定环境中高速跳频信号分选实时性和快速性的要求, 还值得继续去研究。