-
有源欺骗式干扰[1]主要应用于自卫式干扰和随队干扰中,可以利用雷达的匹配滤波增益,以较小功率达到较好的干扰效果,故其干扰技术及对抗策略成为学者研究的热点问题[2]。针对欺骗式干扰,单站雷达可利用发射信号优化[3]、运动学信息[4]和极化信息[5],以及DRFM量化误差[6-7]对假目标进行鉴别,但单站雷达成本有限、视角单一,所能达到的抗干扰效能有限,对于逼真度较高的有源假目标,对抗效果不理想。
组网雷达可充分发挥多雷达数据融合的优势,利用真实目标的空间分布差异实现假目标的有效识别[8]。对于真目标,各节点雷达上产生的量测值转换到统一坐标系下,是位置信息重合、速度信息一致的。虽然由于雷达两量测误差的存在,可能不是完全相同的,也会位置相对“集中”,速度近似相同,称之为真实目标的空间相关性。然而,对于假目标,在干扰机没有准确获知所有节点雷达参数的情况下,无法对组网雷达进行协同欺骗,其位置相对“分散”,速度参数相差较大,即不具备空间相关性。利用真假目标空间相关性的差异,文献[9]提出一种自适应门限同源检验进行假目标鉴别的方法,是数据融合对抗欺骗式干扰的典型方法。
组网雷达中各雷达的相对位置会直接影响目标的空间相关性检验,因此,研究欺骗式干扰下组网雷达的优化布站有重要意义,通过优化布站可切实提高组网雷达抗欺骗式干扰的能力,降低组网雷达被欺骗概率。本文首先分析得到组网雷达被欺骗概率的理论值;在此基础上,研究被欺骗概率最小和雷达网覆盖范围最大下的联合优化布站问题;最后,对组网雷达的优化布站进行仿真分析。
HTML
-
以两部节点雷达为例,对组网雷达的被欺骗概率理论值进行仿真验证,设真实目标的位置坐标为(50, 30) km,各节点雷达参数如表 1所示。
位置坐标/km 测距误差/m 测角误差/rad 雷达1 (15, 0) 70 0.002 雷达2 (75, 0) 70 0.002 在$ {H_0} $条件下,进行10万次Monto Carlo实验,统计出真实目标的马氏距离的累积分布函数,如图 2所示,与$ {\chi ^2}(2) $分布的累积分布函数进行比较,可以看到两个分布曲线非常近似。利用Kolmogorov-Smirnov检验,对真实目标的马氏距离的统计采样值进行测试,多次测试结果均表明真实目标的马氏距离是服从$ {\chi ^2}(2) $分布的。
设距离欺骗假目标的欺骗距离为300 m,进行多次Monto Carlo仿真实验,统计出该假目标的马氏距离的累积分布函数与理论分布函数式如图 3所示。可以看到经验分布函数与理论分布函数非常近似。
选择显著性水平$ \alpha $为0.01,得到检测门限$ \delta $为9.21,统计出真目标的检测概率及组网雷达被欺骗概率如表 2所示。
对真实目标鉴别概率/% 对假目标误判概率/% 仿真结果 98.98 2.8 理论结果 99.00 2.4 同时,对区间进行检测,x轴的范围为-50~150 km,y轴的范围为-20~110 km,可以得到整个区域的真目标的检测概率,及组网雷达被欺骗概率的仿真统计结果和理论结果,如图 4所示。
从表 2及图 4的仿真结果可以看到,组网雷达被欺骗概率的理论值与仿真实验统计出来的概率十分接近,从而验证了本文对组网雷达被欺骗概率的理论分析是正确的。
-
以3部节点雷达组成的组网雷达为例,进行优化布站仿真分析,不失一般性,设探测区域$ {\mathit{\Omega} _D} $为圆形区域,且等半径地分成5个子区域,每个子区域的加权系数由内到外依次增加:
式中,$ {X_0} $表示探测区域的圆心;$ R $为其半径。每个子区域的加权系数分别为:
雷达可布站范围$ \mathit{\Psi} $为长方形区域:x轴变化范围为-80~-40 km,y轴变化范围为-80~80 km,各节点雷达的参数相同,其威力范围半径$ R_{i\max }^{} = 100 $ km,测角精度0.002 rad,测距精度70 m;两雷达之间的最小距离限制为$ \Delta {R_{\min }} = 10 $km,其他参数与4.1节相同。
选择探测区域中心$ {X_0} = {[0, 0]^{\rm{T}}} $,半径$ R = 10 $km,在不同加权系数$ \lambda $下,可以得到对3部雷达进行优化布站的结果,如图 5所示。
选择探测区域中心$ {X_0} = {[0, 20]^{\rm{T}}} $km,半径$ R = 10 $km,在不同加权系数$ \lambda $下,可以得到对3部雷达进行优化布站的结果,如图 6所示。
根据图 5和图 6的仿真结果,可以看到$ \lambda = 0 $的情况下,3部节点雷达在可布站区域内尽可能的分散,以保证整个组网雷达的覆盖范围最大;$ \lambda = 1 $的情况下,3部节点雷达在可布站区域内尽可能的靠近探测区域,因为此时可以得到相对探测区域的最大空间角度差异,而空间角度的差异越大,数据融合对假目标的鉴别效果越好。