微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
在当今复杂的电磁环境下，有用信号往往会干扰到其他电磁系统。因此，如何抑制干扰是一个关键的问题。由于目前还没有一种通用的干扰抑制方法，因此需要对干扰进行识别，然后根据识别出的干扰，采用特定的抑制方法进行抑制。本文对15种可能的干扰信号进行了仿真，其中一些干扰信号是由两种不同的干扰混合而成的，并在不同的干扰噪声比（INR）下提取了7个时频域特征。在充分分析这些特征的基础上，设计了几种常用的分类器，如随机森林分类器、梯度提升分类器和神经网络分类器，用于识别这些复杂的干扰。数值试验验证了该自适应控制器的有效性.在INR=20dB的条件下，最终精度可达95.20%以上。
引言
随着无线通信和雷达设备的广泛使用，我们现在可用的电磁频段越来越少，电磁环境也越来越复杂。复杂的电磁环境导致每个电磁设备不可避免地受到干扰。为了保证设备的能力，如通信和雷达系统，我们可以提高设备的抗干扰能力，以抑制干扰。由于没有针对每种干扰的通用抑制方法，因此需要识别干扰，然后执行特定的抑制方法来处理干扰。
通常，干扰识别问题主要涉及两个方面的研究，一是不同干扰的特征提取，二是分类器的研究。大量的研究集中在干扰的特征提取上，如小波分析[1]、时频图像转换[2]、短时傅立叶变换[3]，以获得各种有用的特征。以往的研究通常使用这些特征来分析和识别单个干扰。一些分类和识别算法，使用机器学习算法[4]，是基于少量提取的特征，而一些算法，使用神经网络[5]，直接使用干扰，因此，没有特征提取的分类具有非常高的训练复杂度。
因此，为了适应实际的电磁环境，本文重点研究了复杂干扰的识别问题，并对以往工作中不常见的混合干扰进行了仿真。在第一阶段，我们使用从单个干扰样本中提取的特征，然后使用多个分类器来识别干扰。其次，为了提高性能，将多个干扰样本组合起来进行特征提取。这些提取的特征的尺度远小于原始干扰信号。因此，当使用这些特征作为数据集时，它可以显著降低训练的复杂度。测试结果表明，当INR≥5dB时，该方法的准确率均超过了90%。
文章插图
信号类型：单音、多音、线性扫频、部分频带、频率调制干扰及22组合式干扰
特征参数：频域矩偏度系数、时域矩峰度系数、频域矩峰度系数、平均频谱平坦系数、分数阶Fourier域的能量聚集度、单频能量压实测量
混淆矩阵：
结论
提出了15种干扰类型，包括5种基本干扰类型和它们的混合干扰类型，并提取了7个有用的特征。基于提取的特征，我们采用梯度提升分类器，随机森林分类器，和全连接神经网络识别干扰。构造了两个不同的数据集进行训练，并举例说明了混淆矩阵，以显示所提出的神经网络具有良好的识别精度。我们未来可能的研究将强调在更复杂的干扰情况下更好的神经网络。
