无人机集群对多雷达参数测量的影响效应

摘要

为验证无人机(UAV)集群电子对抗的效果，针对集群本体、集群压制干扰、集群转发干扰、集群相干干扰对多雷达参数测量的影响机理进行了探讨，并重点分析了信噪比、干信比、目标回波与UAV本体回波幅值比等影响因素。首先基于贪心算法对UAV干扰资源进行资源分配，然后通过仿真分析了几种干扰方式对雷达参数测量的影响。实验结果表明：集群本体对雷达的影响效果较小，主要原因是UAV体积小，回波功率低；集群压制干扰由于增大了检测阈值，使多雷达的目标检测概率大幅降低；集群转发干扰能产生大量假目标，导致雷达测角误差较大；集群相干干扰可使雷达测角偏离主波束方向，形成角度欺骗。综合分析，压制干扰、转发干扰和相干干扰这3种干扰方式运用在集群干扰中都具有较好的干扰效果。

关键词

无人机(UAV)集群; 电子对抗; 多雷达; 干扰

电子对抗技术是现代信息化战场的关键技术，只有在电子对抗技术上领先才能在信息化战场上掌握主动权。近年来，随着信息技术的持续发展，雷达技术的不断进步，各种新体制雷达开始用于现代信息化战场。在探测范围和测量精确度上，新体制雷达有较大提高，并对传统干扰方法有一定的抑制效果。雷达干扰技术面临严峻的挑战，急需新型有效的干扰策略。随着无人机(UAV)技术的发展和应用，体积小、价格便宜、易操控、零伤亡等众多的优点使无人机集群干扰成为可能。无人机集群与电子对抗技术相融合成为了一种新型的干扰技术，文献[1]阐述了无人机集群的作战理念。军用无人机已在现代电子对抗中广泛运用，在集群干扰和掩护目标等方面，无人机集群都有较好的效果。在集群干扰方面，相对于单一的干扰机，无人机集群能够产生大量的假目标，造成雷达虚警和漏报^[2]。在集群掩护目标方面，大量无人机本体和其产生的虚假目标会对雷达造成角度欺骗，同时低成本的无人机可以充当诱饵掩护目标^[3]。无人机集群在电子对抗中的干扰效果是一个重要的研究问题，可为集群自适应干扰和现代化电子战提供可靠的理论支撑。

不同的干扰样式运用在无人机集群干扰中会产生什么样的干扰效果，多雷达下的无人机干扰资源如何快速合理地进行资源分配，这些都是有待研究的关键点。通过数字射频存储(Digital RF Memory，DRFM)技术，可以实现间歇式转发欺骗干扰，能够在对应的距离域形成多个假目标，使雷达角度测量产生偏差^[4-6]。每个无人机都可以形成假目标，整个集群就能形成大量的假目标，从而构成多假压制，雷达检测概率下降^[7-8]。现代战场通常是同时出现多部雷达，无人机集群协同干扰也能对多雷达产生一定的干扰效果^[9-10]。如何更有效地协同干扰也是一直以来的研究重点。无人机本身较为密集，释放干扰后雷达回波更为密集。无人机本体及释放干扰究竟对雷达的检测及参数测量有什么影响，这是值得研究的课题。本文对集群压制、集群转发欺骗以及集群相干干扰等情况进行理论和仿真分析，有望对无人机集群对抗策略提供一定的理论指导。

1 雷达参数测量的基本原理

雷达接收的信号通常包含目标回波信号、干扰信号和噪声。对接收的回波信号经过脉冲压缩处理后进行目标检测，恒虚警检测(Constant False-Alarm Rate，CFAR)是最为常见的检测方法，其检测原理见图1。因为和通道能量最大，雷达一般先进行和通道距离CFAR检测，检测到目标后测距，然后再和差法测角。

图1  CFAR检测原理

Fig.1  CFAR detection principle

单元平均CFAR(Cell Averaging-CFAR，CA-CFAR)距离检测的原理是通过检测窗口信号值的平均值来判断是否有目标。图1中D为检测单元，假定参考单元长度为N，保护单元长度为M，则目标检测的阈值为：

$$P_{\mathrm{T}}=\alpha \times \frac{\mathrm{1}}{N}{\displaystyle \sum _{n=\mathrm{1}}^N}s(n)$$

(1)

式中：s(n)为雷达接收的信号；$\alpha$为乘法因子。当检测单元的值大于目标检测阈值P_T，假设H₀成立，则检测单元内有目标；当检测单元的值小于目标检测阈值P_T，假设H₀不成立，则检测单元内无目标。乘法因子$\alpha$可通过式(2)推导，其中P_FA为虚警概率^[11]。

$$\alpha =\mathrm{1.13}\sqrt[]{N\left({P_{\mathrm{F}\mathrm{A}}}^{-\mathrm{1}/N}-\mathrm{1}\right)}$$

(2)

以二维情况为例说明测角原理。通过CA-CFAR检测后可以在距离域上判断是否有目标，将有目标的距离域标记下来，然后对目标进行测角。单脉冲测角因其测角方法简单、测角精确度高广泛用于雷达测角，其原理见图2。假设天线1和天线2接收的信号分别为s₁和s₂，对应的和差功率(能量)为Σ和Δ，通过其比值来确定目标角度与等信号轴(OA)的夹角θ，如式(3)所示，其中k表示相应曲线的斜率。由式(3)可知，信号的Σ和Δ的比值以及曲线斜率k可以唯一确定夹角θ，然后通过等信号轴(OA)的角度和夹角θ来推导出目标的角度^[12]。

图2  单脉冲测角

Fig.2  Monopulse angle measurement

$$\frac{\Delta }{\Sigma }=k\theta$$

(3)

2 无人机集群干扰资源分配

仿真场景设为无人机群刚释放阶段，比较集中，为使干扰更有效果，假设无人机群都在雷达主瓣内。首先基于贪心算法对干扰资源进行快速有效的分配。贪心算法的思路是：首先建立数学模型来描述问题，将最终问题分为多个小问题，依次求解每个小问题的最优解，最后得到原问题的一个解。虽然贪心算法的最终解不一定是全局最优解，但它能够在较短时间内找到一个较为满意的解。在电子对抗中，单脉冲雷达只需要一个扫描周期就能发现目标，如果将过多的时间倾注在寻找资源分配的最优解，在干扰机开始工作前，雷达可能已经发现目标了，将无法起到较好的干扰效果。

假定场景中有n部雷达，可用于干扰的无人机数量为m架，每一个干扰机在同一时刻只能干扰一部雷达。以所有雷达接收到干扰信号的功率和为标准构建贪心算法的数学模型：

$$P_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}={\displaystyle \sum _{i=\mathrm{1}}^n}{P}_{\mathrm{r}i}$$

(4)

式中P_ri为第i部雷达接收到的干扰信号功率和，P_ri的形式如下：

$$P_{\mathrm{r}i}={\displaystyle \sum _{k=\mathrm{1}}^{n_i}}{P}_k$$

(5)

式中：n_i表示用于干扰第i部雷达的干扰机数量；P_k为雷达接收到每一个干扰机对应的干扰功率。根据雷达方程，当其他条件不变时，雷达接收的干扰信号功率与R⁴成反比^[13]：

$$P_{\mathrm{r}}=\frac{P_{\mathrm{t}}{G}_{\mathrm{t}}{G}_{\mathrm{r}}{\lambda }^{\mathrm{2}}\sigma }{{\left(\mathrm{4}\mathrm{\pi }\right)}^{\mathrm{3}}{R}^{\mathrm{4}}}$$

(6)

式中：P_t为雷达发射功率；G_t和G_r为发射天线和接收天线的增益；λ为信号的波长；σ为目标的雷达截面积。

因此可以将原干扰资源分配问题分解为多个小问题：求解每部干扰机应该干扰哪一部雷达。在这个小问题中采用贪心策略，优先分配距离该干扰机较近的雷达。为防止出现较多的干扰资源都分配到同一部雷达，设置约束条件，如式(7)所示：

$$\mathrm{m}\mathrm{a}\mathrm{x}\{j_i\}\le p$$

(7)

无人机群的最大优点是可以对一定区域内所有辐射源进行干扰，为使仿真更逼近真实场景，每时刻并不是所有资源都用于干扰一部雷达。图3为一次干扰机资源分配的仿真情况，其中设置雷达数为4，无人机数量为100，式(7)中约束条件p=25。由图3可知，随着贪心策略迭代的过程中，每一次迭代都会解决一个小问题，即分配一个干扰资源给其中一部雷达。当迭代完成时就解决了干扰资源分配的问题。贪心策略加上设置合理的约束条件能够快速得到一个比较满意的资源分配解决方案。

图3  干扰机资源分配

Fig.3  Jammer resource allocation

基于上述的干扰资源分配策略进行相关仿真，以雷达接收干扰功率之和作为衡量干扰资源分配效果的参数，讨论贪心算法和随机分配这两种干扰资源分配策略的影响。贪心算法是优先分配距离雷达较近的干扰机；随机分配是干扰机随机干扰某部雷达，但同时也需满足式(7)的约束条件，不能将过多的干扰资源倾注在同一部雷达上。仿真条件：设置雷达数为4；干扰机的干扰功率为10 kW；雷达的天线方向图为sinc函数；波束宽度为π/3；雷达信号波长为λ=10 m；目标和干扰机的雷达散射截面(Radar Cross Section，RCS)=2 m²。图4为贪心算法和随机分配这两种干扰资源分配策略下4部雷达接收的所有干扰信号的功率之和，贪心策略均优于随机分配策略。图中不同雷达之间接收的干扰信号的和功率呈现了一定差异性，这是因为不同雷达到干扰机的距离不同，雷达接收的功率与距离呈反相关。图5为不同干扰分配策略下4部雷达接收到干扰信号功率的比值，这能够更直接地反映出贪心策略相对于随机分配的优势。在10次蒙特卡洛仿真中，贪心策略干扰信号和功率/随机分配干扰信号和功率的比值均大于1，体现出贪心策略作为资源分配算法的合理性。

图4  各雷达接收的干扰功率之和

Fig.4  Sum of jamming power received by each radar

图5  雷达接收干扰信号功率的比值

Fig.5  Ratio of radar received jamming signal power

3 无人机集群干扰分析建模

3.1 无人机集群本体

雷达发射的线性调频(Linear Frequency Modulation，LFM)复信号可以写成^[14]：

$$s(t)=\frac{\mathrm{1}}{\sqrt[]{T}}rect\left(\frac{t}{T}\right)\mathrm{e}\mathrm{x}\mathrm{p}\left(\mathrm{j}\mathrm{2}\mathrm{\pi }{f}_{\mathrm{0}}t+\mathrm{j}\mathrm{\pi }K{t}^{\mathrm{2}}\right)$$

(8)

式中：T为脉冲周期；f₀为载频；K为调频率。经过去载频和脉冲压缩后，去掉与研究无关的项后，可以推出第i架无人机本体的回波信号脉冲压缩后输出为：

$$y_i(t)=\sqrt[]{BT{P}_{\mathrm{r}i}}\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{c}\left[Kt\left(t-{\tau }_i\right)T\right]$$

(9)

式中τ_i和P_ri为第i架无人机的时延和本体回波功率，脉冲压缩后的回波为sinc形式的窄脉冲，无人机集群的全部回波之和为：

$$y_s(t)={\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i(t)=\sqrt[]{BT}\times {\displaystyle \sum _{i=\mathrm{1}}^N}\sqrt[]{P_{\mathrm{r}i}}\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{c}\left[Kt\left(t-{\tau }_i\right)T\right]$$

(10)

对于第i架无人机本体回波，t=τ_i时，脉冲压缩后对应的电压值最大，最大峰值电压为：

$$u_{i\mathrm{m}\mathrm{a}\mathrm{x}}=\sqrt[]{BT{P}_{\mathrm{r}i}}$$

(11)

在雷达检测目标的过程中，假定CA-CFAR的参考单元长度为N，共有m架无人机落入参考单元中，白噪声功率为δ²。根据参考单元的平均功率，计算CA-CFAR的阈值为：

$$P_{\mathrm{T}}=\alpha P_{\mathrm{a}\mathrm{v}\mathrm{e}}=\frac{\alpha }{N}\left({\displaystyle \sum _{i=\mathrm{1}}^m}{u}_{i\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{1}}^N}{\delta }^{\mathrm{2}}\right)$$

(12)

由于无人机本体落入CA-CFAR的参考单元中，导致阈值变大。根据CA-CFAR的检测原理，当目标的回波功率小于阈值时，目标将无法检测，从而影响雷达的参数测量。

下面分析无人机集群本体对测角的影响。由式(3)可以看出，信号和差功率(能量)的比值决定目标的测量角度。由于无人机的数量较多，通常都会有无人机本体和目标落入同一个距离单元。假定有p架无人机和目标落入同一距离单元，对应的回波和差功率为：

$$\left\{\begin{array}{c}\Delta =F_{\Delta }({\theta }_{\mathrm{t}})u_{\mathrm{t}}^{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{0}}^p}{F}_{\Delta }({\theta }_i)u_{i\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{2}}\\ \Sigma =F_{\Sigma }({\theta }_{\mathrm{t}})u_{\mathrm{t}}^{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{0}}^p}{F}_{\Sigma }({\theta }_i)u_{i\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{2}}\end{array}\right.$$

(13)

式中：$F_{\Sigma }(\theta )$和$F_{\Delta }(\theta )$为和差天线方向图；θ_t为目标角度；θ_i为第i架无人机的角度；u_t为目标的回波功率，目标信号的和差功率中包含无人机本体，导致目标角度测量不准；p和u_imax的值越大时，无人机本体的影响越大，测角误差越大。

3.2 无人机集群压制干扰

在压制干扰下，干扰机采取白噪声窄带干扰，达到覆盖目标回波的效果，使得雷达在目标参数测量上产生偏差。假设干扰机发射的功率为${\delta }_{\mathrm{j}}^{\mathrm{2}}$，根据式(12)可以推导出在压制干扰下CA-CFAR的阈值为式(14)。当干扰机发射的功率${\delta }_{\mathrm{j}}^{\mathrm{2}}$较大时，CA-CFAR的阈值将大幅提高，达到压制干扰的效果。

$$P_{\mathrm{T}}=\alpha P_{\mathrm{a}\mathrm{v}\mathrm{e}}=\frac{\alpha }{N}{\displaystyle \sum _{i=\mathrm{1}}^N}\left({\delta }^{\mathrm{2}}+{\delta }_{\mathrm{j}}^{\mathrm{2}}\right)$$

(14)

单个无人机在时域上能够达到一定的干扰效果，但通常干扰频率小于雷达工作频率，经过滤波器后可以有效过滤干扰信号，很难实现宽带压制干扰。通过多架无人机协同合作，可使无人机干扰频率覆盖整个雷达工作带宽。

3.3 无人机集群转发干扰

转发干扰是指无人机对雷达发射的信号进行采样并转发，达到干扰雷达的效果。这里以工程上比较常见的间歇采样转发为例。间歇采样转发干扰能产生多个假目标，其中有3~5个回波功率较大的假目标。

假设p(t)为间歇式采样脉冲包络^[6]，其中τ为采样脉宽，T_s为重复周期。

$$p(t)=rect\left(\frac{t}{\tau }\right){\displaystyle \sum _{-\infty }^{\infty }}\delta (t-n{T}_s)$$

(15)

则第i架无人机的转发干扰信号为：

$$j_i(t)=s_i(t)\times p(t)$$

(16)

间歇式采样转发干扰信号经过匹配滤波器后为^[6]：

$$z_i(t)=j_i(t)\mathrm{*}h(t)=Sa\left[\mathrm{\pi }\left({\xi }_n+K{t}_i\right)\left(T-\left|t_i\right|\right)\right]\left(\mathrm{1}-\frac{\left|t_i\right|}{T}\right)\mathrm{e}\mathrm{x}\mathrm{p}\left(\mathrm{j}\mathrm{\pi }{\xi }_n{t}_i\right)$$

(17)

式中：f_s为采样频率；ξ_n=nf_s；K为调频斜率。该式表明会产生多个假目标，且产生的假目标位于真目标的左右，与采样频率f_s和调频斜率K相关。

因此，无人机集群转发干扰能够在各个距离域产生大量的假目标，造成雷达测角的较大偏差。当无人机干扰资源快速合理分配后，干扰机就可以立刻采取间歇式转发干扰模式，迅速在真目标周围产生大量的假目标。对于多雷达而言，每部雷达真目标对应的距离域都有多个假目标，大量假目标形成多假压制，对雷达测距测角会产生较大的影响。

3.4 无人机集群相干干扰

目前无人机之间由于没有光缆，较难实现类似于交叉眼之类的相干干扰。但随着高精确度原子钟等同步技术的发展，未来的无人机不排除可以跨平台实现相干干扰。相干干扰在角度欺骗上有较好的效果。不同干扰机发射与雷达发射信号幅度相等、相位相差180°的干扰信号，在雷达接收信号时会产生严重的波前相位失真，造成雷达测角发生严重偏差。图6为相干干扰示意图。由图可知，当目标回波信号和无人机干扰信号幅度相等、相位相差180°时，在雷达接收信号时形成相干干扰，导致雷达无法准确测量出目标的角度。

图6  相干干扰示意图

Fig.6  Schematic diagram of coherent interference

假设第i,j架无人机对雷达形成相干干扰，式(18)为雷达的测角偏差^[15]，其中θ为雷达测角值，θ_i和θ_j为第i,j架无人机的角度，a为第i,j架无人机干扰信号幅度比值，φ为两干扰信号相位差。

$$\theta =\frac{{\theta }_i+{\theta }_j}{\mathrm{2}}+\frac{{\theta }_i-{\theta }_j}{\mathrm{2}}\times \frac{\mathrm{1}-a^{\mathrm{2}}}{\mathrm{1}+\mathrm{2}a\mathrm{c}\mathrm{o}\mathrm{s}(\phi )+a^{\mathrm{2}}}$$

(18)

通过无人机集群发射与雷达工作信号相干的干扰信号：

$$J=s(t)\mathrm{e}\mathrm{x}\mathrm{p}(\mathrm{j}\mathrm{\pi })$$

(19)

无人机集群覆盖距离域较大，与目标在同一距离域的无人机能对雷达造成相干干扰，形成角度欺骗。

4 仿真分析

假设目标位于场景中所有雷达的探测范围内，无人机集群随机分布在以目标为圆心，半径为R的圆内。图7为仿真场景雷达数n=4，无人机数m=100的场景示意图。其中雷达的工作带宽为10 MHz；采样频率为40 MHz；发射信号的波长λ=10 m；天线方向图为sinc函数；波束宽度为π/3。首先通过对原始场景进行仿真来判断该雷达系统的探测精确度，图8为原始场景100次蒙特卡洛测角仿真。在只包含检测目标时，4部雷达的目标检测概率皆为100%，测角误差几乎全部小于0.2°，测角误差平均值小于0.1°，这表明该雷达系统具有较好的性能。利用贪心算法对无人机集群干扰资源进行合理分配，然后在此基础上再探究不同干扰模式和影响因素对多雷达参数测量的影响效果。

图7  场景示意图

Fig.7  Sketch map of the scene

图8  原始场景角度测量误差

Fig.8  Error of original scene angle measurement

下面分析4种模式下，SNR、JSR、目标回波与无人机本体回波幅值比(Ratio，可视为目标与无人机的体积之比)对多雷达参数测量的影响。本文主要以目标检测概率和测角误差作为干扰效果的评估指标。

4.1 SNR与Ratio的影响

仿真场景：无人机的分布范围R=5 km；目标和干扰机的RCS=1 m²；Ratio取值1,3,5；研究不同信噪比下无人机本体对雷达探测概率和测角的影响。图9为不同Ratio值在各雷达下SNR对检测概率的影响。图10为SNR在各雷达下对测角误差的影响。对于无人机集群，SNR对检测概率的影响不大，随着SNR的增大，检测概率只有小幅的增加并趋向于饱和，其主要原因是大量无人机的回波会影响雷达探测。相对于SNR，比值Ratio的大小对雷达探测的影响较大，较大的幅值比对应高检测概率和低测角误差。SNR对雷达测角的影响比较明显，低信噪比时，SNR增大，测角误差减小；当SNR>20 dB时，SNR对测角的影响就趋向饱和。由图9和图10可以看出，SNR和Ratio值的影响对于不同的雷达基本相同，雷达之间呈现相同性。集群本体的影响在较低SNR和Ratio比值下能对多雷达同时产生一定的干扰效果，但这种干扰效果随SNR和Ratio比值的增大而逐渐减弱。

图9  不同Ratio值在各雷达下SNR对检测概率的影响

Fig.9  Influence of SNR on radar detection probability

图10  SNR在各雷达下对测角误差的影响

Fig.10  Influence of SNR on angle measurement error

4.2 JSR的影响

仿真场景：无人机的分布范围R=5 km；目标和干扰机的RCS=1 m²；R_SN=20 dB；Ratio=5。在不同时刻下，设置不同的JSR，仿真测量检测概率和测角误差，并研究不同干扰模式下JSR对雷达测角的影响。图11为转发干扰下各雷达脉冲压缩图，可以看出无人机集群在间歇式转发干扰下对每部雷达都在对应的目标距离域附近形成了大量的假目标，达到有效的干扰。图12为JSR在不同干扰模式下对角度测量误差的影响，在小干信比条件下，相干干扰的影响略小于间歇式转发干扰，主要原因是间歇式转发干扰能产生大量的假目标，而此时相干干扰由于功率较低还未达到有效的欺骗效果；在大干信比的条件下，可以看出，当JSR>12 dB时，相干干扰开始造成角度欺骗效果，形成较大的测角误差(已偏离雷达主波束方向)。对于宽带压制干扰，对雷达检测有较好的干扰效果，JSR较大时，雷达无法检测出目标，但对雷达测角影响不大。图13为JSR在转发干扰模式下对不同雷达的角度测量误差的影响，不同雷达之间的干扰效果趋同，皆形成了较大的测角误差。对于无人机本体的干扰影响，压制干扰、转发干扰、相干干扰在较大的SNR和Ratio比值下，也能对所有雷达形成较好的干扰效果。

图11  转发干扰下各雷达脉冲压缩图

Fig.11  Pulse compression diagrams of each radar under retransmitting interference

图12  JSR在不同干扰模式下对角度测量误差的影响

Fig.12  Influence of JSR on angle measurement error in different jamming modes

图13  JSR在转发干扰模式下对不同雷达的角度测量误差的影响

Fig.13  Influence of JSR on the angle measurement error of different radars in the repeating jamming mode

4.3 干扰资源分配策略的影响

前面讨论的SNR和JSR对雷达参数测量的影响都是基于贪心算法的资源分配策略，现讨论不同的分配策略对雷达参数测量的影响。仿真场景：设置雷达数为4；无人机的分布范围R=40 km；目标和干扰机的RCS=1 m²；干扰机干扰样式为集群转发干扰。

分别对瞬时JSR的几种不同的取值进行分析，选取JSR为10 dB,15 dB,20 dB。图14为3种不同JSR情况下干扰机分别采取贪心策略和随机分配策略对雷达测角误差的影响。由图可知，在JSR较小时(10 dB)，两种资源分配策略的效果相差不大；随着JSR的逐步增大，干扰资源分配策略对雷达测角误差影响呈现差异性；当JSR= 20 dB时，贪心策略相比于随机分配策略有较大的优势。表1为两种策略下无人机集群干扰对雷达的检测概率和测角误差的蒙特卡洛实验平均值。由图14和表1分析可得：JSR较小时，干扰机的干扰功率不足，因此两种资源分配策略都没有较好的效果；当JSR增大时，贪心策略下干扰效果呈现显著变化，对雷达造成的测角误差越来越大。

图14  资源分配策略对雷达测角误差的影响

Fig.14  Influence of resource allocation strategy on radar angle measurement error

表1  不同资源分配策略下集群干扰对雷达的检测概率和测角误差的影响

Table1  Influence of cluster interference on the detection probability and angle measurement error of radar under different resource allocation strategies

JSR/dB	Pd		error/(°)
	Greedy	Random	Greedy	Random
10	0.93	1.00	0.198 1	0.051 7
15	0.75	0.94	0.672 3	0.135 1
20	0.45	0.92	1.306 9	0.219 1

5 结论

本文首先基于贪心算法快速地进行无人机干扰资源分配，然后以检测概率和测角误差为标准，研究分析了不同干扰模式下无人机集群对多雷达的干扰效果。宽带压制干扰主要体现在压制性，无人机协同干扰相对于传统的干扰机有较好的压制效果，噪声提高了CA-CFAR参考单元的平均功率，增大了阈值，使所有雷达的检测概率同时降低，可用于无人机集群对目标的隐藏；间歇式转发干扰，每个无人机可以形成3~5个假目标，整个集群可以产生大量的假目标，可以覆盖较广的距离域，与目标在同一个距离域的假目标会使得雷达对目标的和差信号检测不准确，造成测角偏差，可用于对雷达测角的干扰。相干干扰，与目标在同一个距离域的假目标由于和目标的回波相位相差180°，信号在雷达接收天线处发生零陷，使雷达测角偏离主波束方向，形成角度欺骗，雷达无法跟踪目标。场景中的多雷达在各个干扰模式下都呈现了趋同的干扰效果，表明无人机集群干扰组网雷达的可行性。无人机集群对多雷达的干扰中，干扰资源分配也是一个重要的研究问题。综上，本文的结论可为无人机集群电子对抗和干扰组网雷达的研究提供参考。