基于改进乌鸦搜索算法的雷达同频信号分离
1 引言
随着雷达技术的飞速发展,现代战场表现出复杂电磁环境[1-3],电磁频谱日益拥挤,同频干扰现象的出现概率大幅度增加。尤其对于舰载雷达[4],舰船通常需要编队协同探测,这导致舰载雷达间较为靠近,当其频率相同或者相近时就会出现同频干扰现象,这将严重影响雷达的探测能力,甚至对雷达产生损坏[5]。因此如何消除舰载雷达间的同频干扰问题一直是现代**领域的研究热点。
由于目标回波信号与同频干扰信号混叠,雷达无法正常工作,因此如何较好地分离出各个同频信号就是解决同频干扰问题的关键。近年来,独立分量分析(ICA)法作为盲源分离(BBS)的主要方法被许多学者应用于信号分离领域[6-10]。文献[6]采用一种快速固定点的方法(FastICA)实现了雷达信号分离。文献[7]分析了信噪比对分离效果的影响,并利用矩阵联合对角化特征向量法(JADE)实现信号分离。然而传统独立分析方法过于依赖初值,存在收敛速度慢和分离精度不高等问题。为了解决这些问题,部分学者将群智能算法应用于独立分量分析方法的寻优过程中。文献[8]将粒子群优化(PSO)算法与ICA相结合,提高了对信号的分离性能,但算法所用时间较长;文献[9]利用鲸鱼算法(WOA)作为ICA的寻优算法,实现了对信号的快速分离,但WOA容易陷入局部最优,影响分离精度;文献[10]将人工蜂群(ABC)算法应用于ICA中,提升了分离精度,但算法受参数影响较大,寻优稳定性较差。
针对上述方法存在的不足,本文提出了一种基于改进乌鸦搜索算法的独立分量分析法(GSACSA-ICA)。乌鸦搜索算法(CSA)[11]结构简单、参数少且操作灵活,因此被广泛应用于各个工程领域。但标准CSA仍存在随机性较大、易陷入局部最优等问题。为此利用反向学习策略、黄金正弦算子提高算法的寻优稳定性,通过莱维飞行策略帮助算法跳出局部最优点,并设置动态感知概率加快算法的收敛速度。仿真结果表明,所提改进乌鸦搜索算法拥有良好的寻优性能与收敛速度,与ICA结合后具有良好的分离性能,对同频干扰表现出良好的抑制效果。
2 雷达同频信号分离基本原理
2.1 独立分量分析
ICA是伴随着BBS问题发展起来的,是盲源分离的一种重要方法[12]。ICA旨在对观测到的混合信号进行盲分离,从而重构出源信号。假设共有
式中:
式中:
综上所述,ICA的原理如
2.2 基于ICA的雷达同频信号分离模型
对于雷达信号,通常由不同雷达设备发射,因此可以保证信号间相互独立。同时,发射的雷达信号通常都是非高斯信号,服从高斯分布的信号只有一个高斯噪声。因此雷达的发射信号符合ICA对源信号的要求,可以使用ICA对雷达信号进行分离。
在ICA中,对信号独立性的判断指标通常有负熵和峭度两种[13]。峭度是度量非高斯性的一种指标,且不需要通过非线性函数模拟原信号的概率密度。因此,本文选取峭度作为信号分离的判断依据。随机信号的峭度可以表示为
由于峭度存在正负关系,若其为正值则表示信号为超高斯信号,为负值则表示信号为亚高斯信号,而等于0时表示信号为高斯信号,因此通常使用峭度的绝对值来判断分离信号的非高斯性。针对峭度这一性质,结合乌鸦搜索算法的特点,算法中的适应度函数设置为
式中:
3 基于改进乌鸦搜索算法的独立分量分析
3.1 改进乌鸦搜索算法
在自然界中,乌鸦对于食物存在两种不同行为:储藏食物与偷窃食物。Askarzadeh[11]受乌鸦的智能行为启发,提出了一种乌鸦搜索算法(CSA)。虽然CSA表现出较好的寻优性能与快速收敛能力,但其本质上还是一种群智能算法,因此同样存在着算法早熟、搜索精度不高、易陷入局部最优等问题。为此,本文对CSA进行改进,提出了一种基于多策略改进的乌鸦搜索算法(GSACSA)。
3.1.1 反向学习初始化种群
由于智能算法都是以随机值作为初始解开始进行搜索的,算法的收敛速度受初始解影响较大,当初始解离最优解差距过大时,将严重影响算法性能,耗费算法更多的时间。针对这一缺陷,Tizhoosh[14]于2005提出了一种反向学习(OBL)策略,其在搜索过程中同时搜索当前解与反向解,选择较好的解作为初始解,这将大大提高算法的寻优效率。因此,本文对初始乌鸦种群引入OBL策略,保证算法的初始乌鸦种群处在较优的位置,加快算法的收敛速度。利用OBL生成初始种群反向解的描述如下。
设
式中:
3.1.2 感知概率动态调整
感知概率(AP)是乌鸦发现自己被其他乌鸦跟踪的概率,影响着算法的收敛性能。较小的AP值将使得乌鸦种群以跟随为主,加快乌鸦向最优解移动,即趋向于局部搜索;而较大的AP值将导致乌鸦种群以随机飞行为主,趋向于全局搜索[15]。但在标准CSA中,AP通常被设置为固定常数0.1,不利于算法的搜索效率。为了进一步提高算法的性能,将AP设置为动态调整,改进后的AP为
式中:
相比于固定参数0.1,改进后的AP在迭代前期将保持一个较大的值,使得算法进行随机飞行的概率增大,保证算法的全局搜索能力,避免过早陷入局部最优;随着迭代进行,AP将逐渐减小,在迭代后期AP将变成一个较小的值,使得乌鸦跟踪飞行的概率增大,促进种群快速集中,加强算法的局部搜索能力。
3.1.3 黄金正弦算子
在标准CSA中,每只乌鸦随机选择一只乌鸦进行跟踪,导致乌鸦跟踪成功后位置的更新也存在盲目性,不一定好。针对这一缺陷,受樽海鞘群算法[16]的启发,引入领导者的思想,在每次迭代过程中取一定数量的适应度值较优的乌鸦作为领导者,同时引入黄金正弦算子更新领导者的寻优过程,增强算法的寻优能力。黄金正弦算子是Tanyildizi等[17]于2017年所提出的黄金正弦算法中的方法,其通过构造正弦函数模型来求解问题。黄金正弦算子定义为
式中:
式中:黄金分割数
因此,改进后的跟踪阶段(PA
式中:
3.1.4 莱维飞行策略
在标准CSA中,当乌鸦跟踪被发现后(PA
式中:
式中:
式中:
3.2 GSACSA-ICA分离雷达同频信号
在使用GSACSA-ICA分离信号前,通常需要对信号进行预处理操作。预处理主要分为两个阶段:零均值和白化。零均值又叫作中心化,目的是使得处理后的信号均值为零;而白化则对信号施加一个线性变化,生成一个各个分量间互不相关的新向量,以此去除各个分量间的耦合,便于研究。对于预处理后的信号
GSACSA-ICA处理雷达同频信号的流程如
1)采样得到观测信号,并对观测信号进行中心化和白化处理;
2)初始化参数,即最大迭代次数
3)按照
4)按照
5)按照适应度值对乌鸦种群进行排序,对于排序后的乌鸦种群,按照
6)按照
7)检查新位置的可行性,计算新位置的适应度值;
8)更新乌鸦记忆和最优位置;
9)判断迭代次数是否已达到最大迭代次数
10)按照
4 仿真与性能分析
4.1 仿真实验平台说明
实验均采用MATLAB R2021a仿真,算法代码基于MATLAB R2021a编写,运行环境为Windows11(64位)操作系统,CPU型号为AMD Ryzen 7 4800HS with Radeon Graphics,CPU主频为2.9 GHz,计算机内存大小为16 GB。
4.2 算法性能测试
4.2.1 参数设置
为了验证所提算法的性能,选取一些群智能优化算法,包括粒子群优化(PSO)算法[19]、黄金正弦算法(Gold-SA)[17]、乌鸦搜索算法(CSA)[11]、肖子雅等[20]提出的改进乌鸦搜索算法(ICSA),与所提GSACSA进行对比。各算法种群规模均为30,求解的问题维度均为30,算法的最大迭代次数均为400,算法共有参数均保持一致。
4.2.2 算法性能对比分析
为了评估GSACSA的性能,对不同的函数优化问题进行实验。选取6个维度为30的典型测试函数,包括三个单峰函数
表 1. 基准测试函数
Table 1. Benchmark test function
|
对6个测试函数的寻优结果如
表 2. 不同算法对6个函数的仿真结果
Table 2. Simulation results of different algorithms for six functions
|
图 4. 测试函数收敛曲线。(a) 收敛曲线;(b) 收敛曲线;(c) 收敛曲线;(d) 收敛曲线;(e) 收敛曲线;(f) 收敛曲线
Fig. 4. Convergence curves of text function. (a) Convergence curve of ; (b) convergence curve of ; (c) convergence curve of ; (d) convergence curve of ; (e) convergence curve of ; (f) convergence curve of
对于单峰函数:由
对于多峰函数:由
综上所述,在算法基本条件相同的情况下,无论是对三个单峰函数还是三个多峰函数,相较其他四种算法,GSACSA表现出更好的寻优性能与鲁棒性。
4.3 信号分离效果分析
4.3.1 分离效果分析
假设某雷达网中有三部雷达:1部探测雷达和2部同频干扰雷达。3部雷达均为低截获概率雷达,载频均为
图 5. 雷达信号波形。(a)目标回波信号;(b)同频干扰信号1;(c)同频干扰信号2
Fig. 5. Radar signal waveforms. (a) Target echo signal; (b) co-frequency interference signal 1; (c) co-frequency interference signal 2
图 6. 雷达信号频谱。(a)目标回波信号;(b)同频干扰信号1;(c)同频干扰信号2
Fig. 6. Radar signal frequency spectra. (a) Target echo signal; (b) co-frequency interference signal 1; (c) co-frequency interference signal 2
从
针对接收到的观测信号,使用所提GSACSA-ICA进行信号分离,算法迭代过程中适应度值变化曲线如
由
图 9. 分离后输出信号波形。(a)分离信号1;(b)分离信号2;(c)分离信号3
Fig. 9. Signal output waveforms after separation. (a) Separate signal 1; (b separate signal 2; (c) separate signal 3
图 10. 分离后输出信号频谱。(a)分离信号1;(b)分离信号2;(c)分离信号3
Fig. 10. Signal output frequency spectra after separation. (a) Separate signal 1; (b) separate signal 2; (c) separate signal 3
从
从
4.3.2 分离效果对比
针对雷达同频信号分离问题,引入分离度与性能指数作为评价信号分离程度的指标。分离度计算公式为
式中:
式中:
为了验证GSACSA-ICA的分离性能,分别选取FastICA[21]、文献[22]所提出的方法(IPSO-ICA)、文献[9]所提出的方法(IWOA-ICA)、基于标准乌鸦搜索算法的独立分量分析法(CSA-ICA)与GSACSA-ICA进行比较。仿真实验参数设置同上文,各方法的最大迭代次数均为100,共有参数均保持一致。
表 3. 各方法分离信号的分离度和性能指数
Table 3. Separation degree and performance index of signals separated by each method
|
从
5 结论
针对复杂环境下舰载雷达受同频干扰影响而无法正常工作的问题,提出了一种基于多策略改进的GSACSA-ICA。首先,利用反向学习策略、动态感知概率、黄金正弦算子、莱维飞行改进标准CSA,由此得到寻优性能更优的GSACSA。其次,将GSACSA与ICA结合,利用GSACSA寻找使信号峭度最大的分离矩阵,根据分离矩阵还原出源信号。仿真结果表明,GSACSA在多维问题寻优上表现出良好的寻优性能与鲁棒性。GSACSA-ICA能够成功分离同频信号,且对雷达同频信号的分离性能与收敛速度均优于相关信号分离方法,表明所提GSACSA-ICA是有效的,能实现抗雷达同频干扰的目的。
[1] 傅有光, 王宁, 孟晋丽. 复杂电磁环境下的雷达反干扰技术[J]. 现代雷达, 2019, 41(12): 1-7.
Fu Y G, Wang N, Meng J L. Radar ECCM technology in the complex electromagnetic environment[J]. Modern Radar, 2019, 41(12): 1-7.
[2] 唐莽, 张其伟, 柳立志, 等. 雷达制导武器系统复杂电磁环境影响效应研究[J]. 现代雷达, 2021, 43(10): 1-8.
Tang M, Zhang Q W, Liu L Z, et al. A study on the complex electromagnetic environment influence effects on radar guided weapon system[J]. Modern Radar, 2021, 43(10): 1-8.
[3] 吴梦思, 江杨林, 唐伟. 复杂电磁环境对地波雷达观察的影响[J]. 雷达与对抗, 2020, 40(4): 21-23.
Wu M S, Jiang Y L, Tang W. Impact of complex electromagnetic environment on ground-wave radars[J]. Radar & ECM, 2020, 40(4): 21-23.
[4] 闫明松, 魏旭鸿. 海上编队舰载雷达协同探测技术研究[J]. 舰船电子对抗, 2021, 44(4): 7-11, 120.
Yan M S, Wei X H. Research into the cooperative detection technology of shipborne radar for sea formation[J]. Shipboard Electronic Countermeasure, 2021, 44(4): 7-11, 120.
[5] 方小星, 朱志宇, 张冰, 等. 基于探测性能的舰载雷达电磁兼容分析[J]. 现代雷达, 2016, 38(2): 6-10.
Fang X X, Zhu Z Y, Zhang B, et al. Electromagnetic compatibility analysis of ship-borne radar based on radar detection performance[J]. Modern Radar, 2016, 38(2): 6-10.
[6] 王国涛, 姜秋喜, 刘方正. 基于改进FastICA的雷达信号分离方法[J]. 探测与控制学报, 2021, 43(6): 43-49.
Wang G T, Jiang Q X, Liu F Z. An improved FastICA radar signal sorting method[J]. Journal of Detection & Control, 2021, 43(6): 43-49.
[7] 王瑜, 李小波, 毛云翔, 等. 基于JADE盲源分离算法的雷达信号研究[J]. 现代防御技术, 2017, 45(1): 147-152.
Wang Y, Li X B, Mao Y X, et al. Radar signal research based on JADE blind source separation algorithm[J]. Modern Defence Technology, 2017, 45(1): 147-152.
[8] 季策, 单长芳, 沙毅, 等. 基于分组简化粒子群算法的盲源分离[J]. 东北大学学报(自然科学版), 2018, 39(6): 787-791.
Ji C, Shan C F, Sha Y, et al. Blind source separation based on grouping simplified particle swarm optimization algorithm[J]. Journal of Northeastern University (Natural Science), 2018, 39(6): 787-791.
[9] 褚鼎立, 陈红, 宣章健. 基于改进鲸鱼优化算法的盲源分离方法[J]. 探测与控制学报, 2018, 40(5): 76-81.
Chu D L, Chen H, Xuan Z J. Blind source separation based on improved whale optimization algorithm[J]. Journal of Detection & Control, 2018, 40(5): 76-81.
[10] Wang R J, Zhan Y J, Zhou H F. A class of sequential blind source separation method in order using swarm optimization algorithm[J]. Circuits, Systems, and Signal Processing, 2016, 35(9): 3220-3243.
[11] Askarzadeh A. A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm[J]. Computers & Structures, 2016, 169: 1-12.
[12] 张晓通. 松鼠算法的改进及其在盲源分离中的应用研究[D]. 太原: 中北大学, 2021.
ZhangX T. Research on the improvement of squirrel search algorithm and its application in blind source separation[D]. Taiyuan: North University of China, 2021.
[13] 李著成, 黄祥林. 仿生智能优化算法及其在盲源分离中的应用[J]. 中国传媒大学学报(自然科学版), 2016, 23(6): 66-71.
Li Z C, Huang X L. Bionic intelligent optimization algorithm and its application to blind source separation[J]. Journal of Communication University of China (Science and Technology), 2016, 23(6): 66-71.
[14] TizhooshH R. Opposition-based learning: a new scheme for machine intelligence[C]∥International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC'06), November 28-30, 2005, Vienna, Austria. New York: IEEE Press, 2005: 695-701.
[15] 唐菁敏, 郑锦文, 曲文博. 基于改进自适应乌鸦搜索算法的无源定位[J]. 重庆邮电大学学报(自然科学版), 2021, 33(3): 372-377.
Tang J M, Zheng J W, Qu W B. Improved adaptive crow search algorithm based on passive location[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2021, 33(3): 372-377.
[16] Mirjalili S, Gandomi A H, Mirjalili S Z, et al. Salp swarm algorithm: a bio-inspired optimizer for engineering design problems[J]. Advances in Engineering Software, 2017, 114: 163-191.
[17] Tanyildizi E, Demir G. Golden sine algorithm: a novel math-inspired algorithm[J]. Advances in Electrical and Computer Engineering, 2017, 17(2): 71-78.
[18] 霍林, 郭雅蓉, 覃志健. 具有自适应步长的柯西变异乌鸦算法[J]. 计算机科学, 2020, 47(12): 218-225.
Huo L, Guo Y R, Qin Z J. Crow search algorithm with Cauchy mutation and adaptive step size[J]. Computer Science, 2020, 47(12): 218-225.
[19] KennedyJ, EberhartR. Particle swarm optimization[C]∥Proceedings of ICNN'95-International Conference on Neural Networks, November 27-December 1, 1995, Perth, WA, Australia. New York: IEEE Press, 2002: 1942-1948.
[20] 肖子雅, 刘升, 韩斐斐, 等. 正弦余弦指引的乌鸦搜索算法研究[J]. 计算机工程与应用, 2019, 55(21): 52-59.
Xiao Z Y, Liu S, Han F F, et al. Crow search algorithm based on directing of sine cosine algorithm[J]. Computer Engineering and Applications, 2019, 55(21): 52-59.
[21] 朱生睿, 魏芳. 一种基于盲源分离的雷达抗同频干扰方法研究[J]. 软件, 2021, 42(10): 54-56, 92.
Zhu S R, Wei F. Research on a radar anti-co-frequency interference method based on blind source separation[J]. Software, 2021, 42(10): 54-56, 92.
[22] 陶宇. 基于群智能算法的盲源分离问题的研究[D]. 沈阳: 东北大学, 2014.
TaoY. Research on blind source separation problem based on swarm intelligence algorithms[D]. Shenyang: Northeastern University, 2014.
Article Outline
陈奕翰, 刘以安, 宋海凌. 基于改进乌鸦搜索算法的雷达同频信号分离[J]. 激光与光电子学进展, 2023, 60(12): 1228006. Yihan Chen, Yian Liu, Hailing Song. Separation of Radar Co-Frequency Signal Based on Improved Crow Search Algorithm[J]. Laser & Optoelectronics Progress, 2023, 60(12): 1228006.