跨界 · 融合 · 服務 · 創新
綜上，各方法特點如表1所示。
表1 不同檢測方法對比分析
Table 1 Comparisons of different detection methods
目前，干擾檢測估計通常由專用設備或通信設備本身的算法來實現，一般來說，后一種情況的開銷和成本較低。但無論哪種情況下，都需要事先累積獲得的干擾活動的潛在指標（或度量），依賴先前獲得的無干擾和有干擾條件下的通信行為及其相關頻譜知識。針對具有子空間結構的強擾動信號檢測問題，在先驗知識不完整或不確定的情況下，通過合并子空間的部分先驗知識來應對訓練受限的場景，基于先驗知識的層次模型來表示知識，用于提高子空間探測器，從而驗證了合理使用歷史數據可以減輕收集必要信息壓力的可行性，對于減少干擾檢測的重復工作具有重要的推廣應用價值。
1.2 干擾分類識別
在干擾檢測估計的前提下，后續干擾處理的重要一環是干擾的分類識別，其研究重點在于特征的提取和智能決策過程。其中，智能決策技術的實質在于自適應地在一個巨大解空間中尋找到目標函數的最優解組合策略的過程。目前，融合多學科的人工智能技術，如機器學習、生物啟發式算法、模糊神經網絡等方法，它們通過遞歸反饋式的學習和局部交互的方式，與傳統方法相比，能夠更快地發現局部最優解，已被廣泛研究并應用于復雜策略和環境下的網絡多點協同和系統性能優化。
而針對特征提取方式的不同，常見的干擾分類識別方法主要可分為兩類：一是根據干擾信號自身的特性，利用深度學習、機器學習等智能方法，自主進行特征檢測并分類，需要依賴數據的支持，實時性和處理速度受限，提取的特征缺乏信號相關理論的支撐，物理意義不強；二是為提高處理速度及其特征的合理性，利用傅里葉變換、分數階和小波變換等變換域方法以及稀疏分解、匹配追蹤等方法進行頻譜特征分析，據此提出相應的關聯維數、熵特征和高階累積量等作為干擾識別的特征參數，再結合簡單的分類算法實現，一定程度上降低了硬件實現的難度，但由于局限于特定的干擾類型或調制方式的小樣本空間，對于大規模訓練樣本效率不高，實際干擾處理的推廣應用受限。
2 干擾的變換分析
當前，無人系統面臨的通信干擾類型和樣式不斷變化，出現了窄帶、梳狀譜等干擾類型和轉發、欺騙等干擾樣式；同時干擾策略不斷優化，既有功率、頻率的交織，又有內容、時機的對抗。考慮到干擾的頻譜劃分，可分為瞄準式干擾、多頻點干擾和攔阻式干擾[12-13]，其中，瞄準式干擾通常指干擾與被干擾信號頻譜的重合度較高的一類干擾形式，如窄帶干擾等；多頻點干擾是對多載頻信號的干擾，可分為頻分多頻點干擾、時分多頻點干擾和綜合多頻點干擾等；攔阻式干擾是對被干擾信號的頻帶范圍進行廣域覆蓋的干擾方式，通常為寬帶干擾，如掃頻攔阻式干擾和梳狀譜干擾等。本文結合以上實際中常見的干擾類型，采用載波或脈沖信號與噪聲相結合的干擾形式分別展開研究。
2.1 干擾分類建模
單音干擾（或稱連續波干擾）屬于最簡單的干擾類型，根據被干擾信號的載頻特征，可通過發射大功率的連續波實施干擾：
式中，J0是干擾幅值，f0為干擾頻點，θ0為相位。
多音干擾實際上是多個單音干擾的疊加：
式中，Ji表示第i個干擾分量的幅值，fi表示第i個干擾頻點，θi為相位。
部分頻帶干擾通常指干擾帶寬較窄的干擾（一般不超過被干擾信號帶寬的10%），可通過窄帶濾波器實現：
式中，f H和f L分別表示窄帶濾波器的上、下截止頻率。
線性調頻干擾通常指頻率隨時間而線性變化，且在某個時間段內呈寬帶特性的干擾，其功率譜具有非平穩特性：
式中，fi0為初始頻率，μi0為調頻率。
脈沖干擾可通過高斯白噪聲與匹配濾波器的沖激響應卷積相得到：
式中，n(t)為高斯白噪聲，h(t)為沖激響應。
梳狀譜干擾是一種阻塞式干擾，其包絡在時域上恒定，可通過鋸齒波干擾和窄帶干擾疊加生成：
式中，f0為中心頻率，Δt為延時，k為調頻率。
2.2 變換處理方法
考慮到干擾在時變和非平穩方面的多樣性，可以將變換域劃分為不同維度的多個域（如時域、頻域、分數域、小波域等），各變換域的基分別是t、ej wt、chirp信號以及Ψa,b(t)等，它們之間可以相互轉換，也可以獨立進行信號處理。通過將多類干擾自適應地進行變換分析和處理，從而提高干擾處理能力。目前，基于變換分析的數字信號處理方法主要有以下幾種：
離散傅里葉變換（discrete Fourier transform，DFT）。DFT通過時頻域變換能夠得到信號的整體頻譜，可用于平穩信號的處理[14]，其時頻域變換關系為：
其中，ωN=e(-2πi)/N。
分數階傅里葉變換（fractional Fourier transform，FrFT）。FrFT主要用于處理非平穩信號，階次p變換比傳統的傅里葉變換應對非平穩信號更加有效，但運算量也更加復雜和耗時[15]，其信號變換關系推導如下：
離散小波變換（discrete wavelet transform，DWT）。DWT通過變化的時間窗口實現對信號頻譜的非均勻分解，從而提取出近似系數和細節系數，可以有效處理非平穩信號的細節信息[16]。其離散小波函數和變換系統可表示為：
