一种干扰极化角度感知方法

1.本发明属于雷达技术领域，具体涉及一种干扰极化角度感知方法。


背景技术：

2.近年来，雷达面临的电磁环境愈加复杂和严峻，因此如何挖掘并利用雷达的电磁信息，提高雷达在面临各种类型干扰时的抗干扰性能及自身的生存能力以适应复杂多变的电磁环境，成为雷达技术领域迫切需要解决的问题。随着人们不断深入认识和利用极化信息，极化角度感知技术逐渐成为雷达技术发展的热点。
3.在极化域抑制干扰时，首先需要获取干扰的极化角度。极化角度的获取能力很大程度上决定了干扰抑制的效果。现有技术中，极化角度主要是依赖由空域信息和极化域信息组成的极化敏感阵列来估计，但是当两个信号的空域到达角相同、极化状态不同时，这两个信号就会叠加变为一个信号，两个信号的极化状态会进行叠加，变成另一种极化状态，比如水平极化和垂直极化叠加变成45度斜极化状态，此时利用极化敏感阵列估计就无法进行分辨。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供了一种干扰极化角度感知方法。本发明要解决的技术问题通过以下技术方案实现：
5.本发明提供一种干扰极化角度感知方法，包括：
6.建立极化域信号接收模型并确定极化域接收信号；所述极化域接收信号包括多个快拍样本；
7.基于所述极化域接收信号确定适应度函数；
8.针对每个所述快拍样本，利用所述适应度函数和粒子群算法搜索全局最优，并将所述全局最优作为极化角度感知结果；
9.选取预设数量个所述快拍样本对应的极化角度感知结果并计算平均值，得到最终的极化角度感知结果。
10.在本发明的一个实施例中，所述极化域接收信号为：
11.r＝asj+n
12.式中，噪声n＝[n
1 n
2 ... n
l
]
t
，n
l
表示第l个线极化天线通道的噪声，极化域导向矢量θk表示第k个线极化干扰信号的极化角，表示第l个线极化天线的极化角，sj＝[s
j1 s
j2 ... s
jk
]
t
，s
jk
表示第k个线极化干扰信号，极化域接收信号r＝[r
1 r
2 ... r
l
]
t
，r
l
表示第l个线极化天线接收的极化域
信号，k＝1,2,...,k，k表示线极化干扰信号的数量，l＝1,2，...，l，l表示线极化天线的数量。
[0013]
在本发明的一个实施例中，线极化干扰信号的数量k＝2，线极化天线的数量l＝4，所述适应度函数为：
[0014][0015]
式中，x1、x4分别为两个所述线极化干扰信号的幅度表示粒子，x2、x5分别为两个所述线极化干扰信号的相位表示粒子，x3、x6分别为两个所述线极化干扰信号的极化角度表示粒子，||
·
||2表示二范数。
[0016]
在本发明的一个实施例中，m＝6；
[0017]
针对每个所述快拍样本，利用所述适应度函数和粒子群算法搜索全局最优，并将所述全局最优作为极化角度感知结果的步骤，包括：
[0018]
在选定的6维搜索空间内随机产生q个粒子，并通过随机初始化得到各个粒子初始化信息；所述初始化信息包括每个粒子的初始速度和初始位置；
[0019]
将每个所述粒子的初始位置设为当前个体最优pbestq后，将q个粒子的初始化信息代入所述适应度函数，并选取使得到的当前适应度值最小的粒子的初始位置作为种群的全局最优gbest、将最小的适应度值作为当前种群最优适应度值；
[0020]
将每个所述粒子的初始速度和初始位置分别作为当前速度和当前位置，并对所述当前速度及所述当前位置进行更新；
[0021]
将更新后的速度和更新后的位置代入所述适应度函数，得到更新后的适应度值；对于每个所述粒子，若更新后的适应度值优于所述当前适应度值，则将更新后的位置做为新的pbestq；
[0022]
将更新后的适应度值的最小值作为更新后的种群最优适应度值，并比较所述更新后的种群最优适应度值与所述当前种群最优适应度值；若所述更新后的种群最优适应度值更优，则将所述更新后的种群最优适应度值对应粒子的当前位置作为gbest；
[0023]
当迭代次数达到预设次数时，将gbest作为极化角度感知结果。
[0024]
在本发明的一个实施例中，按照如下公式对当前速度进行更新：
[0025]vi,j
(g+1)＝wv
i,j
(g)+c1r1(pbest
i,j
(g)-x
i,j
(g))+c2r2(gbestj(g)-x
i,j
(g))
[0026]
式中，v
i,j
(g)和x
i,j
(g)分别表示第i个粒子在第g次迭代时的当前速度和当前位置，c1表示粒子的个体学习因子，pbest
i,j
(g)表示第g次迭代时第i个粒子在第j维搜索空间的当前个体最优，c2表示粒子的社会学习因子，r1、r2为[0,1]的随机数，w表示惯性权重，v
i,j
(g+1)为第i个粒子更新后的速度，j＝1,2,......，m。
[0027]
在本发明的一个实施例中，按照如下公式对当前位置进行更新：
[0028]
x
i,j
(g+1)＝x
i,j
(g)+v
i,j
(g+1)
[0029]
式中，x
i,j
(g+1)为第i个粒子更新后的位置。
[0030]
在本发明的一个实施例中，
[0031][0032]
式中，w
start
表示惯性权重的最大值，w
end
表示惯性权重的最小值，g
max
表示预设迭代次数。
[0033]
与现有技术相比，本发明的有益效果在于：
[0034]
本发明实施例提供一种干扰极化角度感知方法，通过建立极化域信号接收模型，然后根据极化域接收信号建立需要优化的适应度函数，接着利用粒子群优化算法估计极化角度感知结果。由于极化域接收信号中的极化域导向矢量为一个实数矩阵，如果选用稀疏重构方法，会因为构建的字典中缺乏复数域信息，无法有效地对极化角度进行重构，而本发明利用粒子群算法根据粒子的迭代寻求最优解，不会受到实数极化域导向矢量的影响，并且能够处理多维任务，并拥有较高的性能。该方法避免了现有的极化敏感阵列估计极化角度方法中存在的因信号空间来向相同而无法分辨极化角度的问题，有效地提高了雷达极化感知的能力。
[0035]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0036]
图1是本发明实施例提供的干扰极化角度感知方法的一种流程图；
[0037]
图2是本发明实施例提供的干扰极化角度感知方法的一种示意图；
[0038]
图3是本发明实施例提供的干扰信号极化角度感知结果的均方根误差的示意图。
[0039]
图4是本发明实施例提供的干扰信号极化角度感知结果经过每4个快拍取平均处理的示意图；
[0040]
图5是本发明实施例提供的干扰信号极化角度感知结果经过每16个快拍取平均处理的示意图；
[0041]
图6是本发明实施例提供的干扰信号极化角度感知结果经过每64个快拍取平均处理的示意图。
具体实施方式
[0042]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0043]
图1是本发明实施例提供的干扰极化角度感知方法的一种流程图。如图1所示，本发明实施例提供一种干扰极化角度感知方法，包括：
[0044]
s1、建立极化域信号接收模型并确定极化域接收信号；所述极化域接收信号包括多个快拍样本；
[0045]
s2、基于所述极化域接收信号确定适应度函数；
[0046]
s3、针对每个所述快拍样本，利用所述适应度函数和粒子群算法搜索全局最优，并将所述全局最优作为极化角度感知结果；
[0047]
s4、选取预设数量个所述快拍样本对应的极化角度感知结果并计算平均值，得到最终的极化角度感知结果。
[0048]
需要说明的是，利用本发明提供的上述方法感知干扰信号极化角度时，需满足以
下条件：(1)远场假设；干扰信号位于天线的远场区，即干扰信号波前到达天线时可认为是平面波。(2)极化固定假设；干扰信号对应的电磁波为干扰信号极化形式固定不变的完全极化波，并且干扰信号的极化方式都为线极化，即极化相位差η＝0或η＝π。(3)阵元假设；阵元通道之间的极化隔离度是理想的，即阵元之间不存在电磁耦合、可实现对各自极化通道信号的完全接收，例如水平极化天线可以实现对水平极化分量的完全接收。(4)传播介质假设；传播介质是各向同性的、无损耗的、均匀的、线性的和非色散的，以保证电磁波在介质中不畸变、不衰减，并且满足线性叠加原理。(5)噪声假设；各阵元信道内部噪声独立并且噪声均值都为0，方差都为σ2，噪声与干扰信号也都彼此独立，即e{n(t1)jh(t2)}＝0。
[0049]
上述步骤s1中，所述极化域接收信号为：
[0050]
r＝asj+n
[0051]
式中，噪声n＝[n
1 n
2 ... n
l
]
t
，n
l
表示第l个线极化天线通道的噪声，极化域导向矢量θk表示第k个线极化干扰信号的极化角，表示第l个线极化天线的极化角，sj＝[s
j1 s
j2 ... s
jk
]
t
，s
jk
表示第k个线极化干扰信号，极化域接收信号r＝[r
1 r
2 ... r
l
]
t
，r
l
表示第l个线极化天线接收的极化域信号，k＝1,2,...,k，k表示线极化干扰信号的数量，l＝1,2，...，l，l表示线极化天线的数量。
[0052]
具体而言，第k个线极化干扰信号记为s
ji
、第k个线极化干扰信号的极化角记为θk，线极化干扰信号极化状态用jones矢量可以表示为
[0053]
进一步地，第l个线极化天线的极化角记作线极化接收天线的极化状态用jones矢量可以表示为此时，第l个线极化天线接收的干扰信号可以表示为：
[0054][0055]
上式中，k＝1,2,...,k，k表示线极化干扰信号的数量。当存在k个干扰、l个线极化接收天线时，令
[0056][0057]
sj＝[s
j1 s
j2 ... s
jk
]
t
[0058][0059]
则l个线极化天线接收到的干扰信号为：
[0060]
r＝[r
1 r
2 ... r
l
]
t
＝asj[0061]
在此基础上叠加噪声，则l个线极化天线接收到的极化域接收信号为：
[0062]
r＝[r
1 r
2 ... rn]
t
＝asj+n
[0063]
其中，线极化天线通道的噪声n＝[n
1 n
2 ... n
l
]
t
，n1,n2,...n
l
分别为各极化通道接收的均值，该噪声是均值为0、方差为1的高斯白噪声，它们相互独立且与干扰信号独立。
[0064]
通过上述分析可以看出，第l个线极化天线接收的干扰信号表达式与干扰信号形式、干扰信号个数、干扰信号的极化角和线极化接收天线的极化角度有关。当干扰信号的极化角等于第l个线极化接收天线的极化角时，线极化天线能够实现最佳接收，也称作最佳匹配。
[0065]
本实施例中，线极化干扰信号的数量k＝2，线极化天线的数量l＝4，适应度函数为：
[0066][0067]
式中，x1、x4分别为两个线极化干扰信号的幅度表示粒子，x2、x5分别为两个线极化干扰信号的相位表示粒子，x3、x6分别为两个线极化干扰信号的极化角度表示粒子，||
·
||2表示二范数。
[0068]
本实施例中，x1,x2,x3,x4,x5,x6可以为预设的随机值，适应度函数表示六维粒子参数构成的极化域接收信号与真实信号模型的差值的二范数，该二范数越小，即表示越逼近实际值。
[0069]
上述步骤s3中，m＝6；
[0070]
针对每个所述快拍样本，利用所述适应度函数和粒子群算法搜索全局最优，并将所述全局最优作为极化角度感知结果的步骤，包括：
[0071]
s301、在选定的6维搜索空间内随机产生q个粒子，并通过随机初始化得到各个粒子初始化信息；初始化信息包括每个粒子的初始速度和初始位置；
[0072]
s302、将每个粒子的初始位置设为当前个体最优pbestq后，将q个粒子的初始化信息代入适应度函数，并选取使得到的当前适应度值最小的粒子的初始位置作为种群的全局最优gbest、将最小的适应度值作为当前种群最优适应度值；
[0073]
s303、将每个粒子的初始速度和初始位置分别作为当前速度和当前位置，并对当前速度及当前位置进行更新；
[0074]
s304、将更新后的速度和更新后的位置代入所述适应度函数，得到更新后的适应度值；对于每个粒子，若更新后的适应度值优于当前适应度值，则将更新后的位置做为新的pbestq；
[0075]
s305、将更新后的适应度值的最小值作为更新后的种群最优适应度值，并比较更新后的种群最优适应度值与当前种群最优适应度值；若更新后的种群最优适应度值更优，则将更新后的种群最优适应度值对应粒子的当前位置作为gbest；
[0076]
s306、当迭代次数达到预设次数时，将gbest作为极化角度感知结果。
[0077]
具体地，在初始化阶段，第q个粒子的初始速度和初始位置分别定义为xq＝(x
q,1
,x
q,2
,...,x
q,m
)，vq＝(v
q,1
,v
q,2
,...,v
q,m
)，将每个粒子的初始位置设置为个体最优pbestq，接着将这q个粒子的初始速度和初始位置代入适应度函数，选取使适应度值最小的粒子作为整个种群的最优粒子，其对应的初始位置为全局最优gbest。
[0078]
可选地，将每个粒子的初始速度和初始位置分别作为当前速度和当前位置后，按照如下公式更新粒子的当前速度和当前位置信息，并对速度进行限幅处理，使其不能超过粒子最大的飞行速度v
max
：
[0079]vi,j
(g+1)＝wv
i,j
(g)+c1r1(pbest
i,j
(g)-x
i,j
(g))+c2r2(gbestj(g)-x
i,j
(g))
[0080]
x
i,j
(g+1)＝x
i,j
(g)+v
i,j
(g+1)。
[0081]
式中，v
i,j
(g)和x
i,j
(g)分别表示第i个粒子在第g次迭代时的当前速度和当前位置，c1表示粒子的个体学习因子，pbest
i,j
(g)表示第g次迭代时第i个粒子在第j维搜索空间的当前个体最优，c2表示粒子的社会学习因子，r1、r2为[0,1]的随机数，w表示惯性权重，v
i,j
(g+1)为第i个粒子更新后的速度，j＝1,2,......，m。
[0082]
示例性地，本实施例采用线性递减惯性权重策略，线性递减惯性权重策略公式如下：
[0083][0084]
式中，w
start
表示惯性权重的最大值，w
end
表示惯性权重的最小值，g
max
表示预设迭代次数，这里w
start
取值为0.9，w
end
取值为0.3，g为当前迭代次数，g
max
表示预设迭代次数。
[0085]
进一步地，利用更新后的速度和更新后的位置计算更新后的适应度值；对于每一个粒子，若更新后的适应度值小于当前适应度值，则将粒子的更新后的位置做为新的pbestq，否则不做改变。
[0086]
寻找个体最优的过程可用公式表示如下：
[0087]
向量pbestq(g)＝(pbest
q,1
(g),pbest
q,2
(g),...,pbest
q,m
(g))是粒子q从初始化到第g次迭代为止所找到的适应度值最好的当前位置，即个体最优位置。那么每轮迭代完成后，每个粒子的个体最优位置需按照如下公式更新：
[0088][0089]
其中，f(
·
)表示粒子所在当前位置处对应的目标函数。
[0090]
步骤s305中，比较更新后的种群最优适应度值与当前种群最优适应度值，若更新后的种群最优适应度值更优，则将更新后的种群最优适应度值对应粒子的当前位置更新为gbest，否则不做改变。
[0091]
判定是否满足终止条件，终止条件可以为是否达到最大迭代次数、是否满足预设的最小误差或者得到足够优的适应度值。如果满足以上三个条件中的其中一种，则结束寻优流程，否则，返回步骤s303执行对当前速度及当前位置进行更新的步骤。
[0092]
由于根据步骤s2构建的适应度函数，易得这是一个六维变量优化问题，因此本实施例中可以将种群规模设置为10000，预设迭代次数设置为100，个体学习因子和社会学习因子都设置为2。
[0093]
上述步骤s4中，可以选取多个干扰信号极化角度感知的结果取多个快拍平均处理。具体地，线极化干扰信号的极化角表示为θ，利用粒子群算法估计得到的极化角度感知结果表示为θ
est
，极化角度估计误差表示为θ
error
＝θ-θ
est
。考虑到粒子群优化算法具有随机性，因此经过pso测角处理后，估计得到的极化角度误差在经过快拍取平均处理后应该符合高斯分布。
[0094]
如果随机变量x服从一个位置参数为μ，尺度参数为σ的概率分布模型，则其所述概率密度函数可以表示为：
[0095][0096]
此时这个随机变量也称作高斯随机变量，其满足的分布便是高斯分布，记做x～n(μ,σ2)，其中μ代表均值，σ代表标准差。均值μ表示其位置，标准差σ表示其分布幅度。
[0097]
所述y1,y2,...,ym是y的独立观测值，那么每个观测的期望值、方差值一致，所述方差设置为d(y)。若每n个数取平均，则所述平均值为所述方差为：
[0098][0099]
上式的含义为：对于符合高斯分布并且统计独立的一组数据，若每n个数取平均，则所述方差变为原来的
[0100]
应当理解，高斯分布满足“68-95-99.7法则”，该法则指的是：在满足高斯分布模型
下，偏离平均值一个标准差以内的数据占到总数据的68％，偏离平均值两个标准差以内的数据占到总数据的95％，偏离平均值三个标准差以内的数据占到总数据的99.7％。所述概率分布函数表示的含义是随机变量落入任一范围内的概率，其中高斯分布的概率分布函数如下所示：
[0101][0102]
最后经过多快拍取平均处理的极化角度感知结果记为最终的极化角度感知结果。
[0103]
下面，通过仿真实验对本发明提供的干扰极化角度感知方法作进一步说明。
[0104]
第一方面，验证接收天线个数和干噪比对极化感知性能的影响。
[0105]
实验条件：一个线极化干扰信号入射到天线阵列，接收天线个数分别设置为2个、3个和4个，干噪比在10-60db之间变化，其极化角取值为45
°
，快拍数为500。
[0106]
图3是本发明实施例提供的极化角度感知结果的均方根误差的示意图。经过粒子群算法测角后，如图3所示，干噪比越大，极化角度感知结果的均方根误差越小，当干噪比大于等于50db时，极化角度感知结果的均方根误差已经趋近于0；并且，当干噪比小于40db时，接收通道个数更多，极化角度感知结果的均方根误差也更小，当干噪比大于等于40db时，接收通道的个数对估计的极化角度感知结果的均方根误差影响甚微。
[0107]
第二方面，验证多个快拍取平均处理对极化感知性能的影响。
[0108]
实验条件：2个线极化干扰信号入射到天线阵列，接收天线个数设置为4个，分别是水平线极化接收天线、30
°
线极化接收天线、60
°
线极化接收天线和垂直线极化接收天线。其中一个干扰信号的干噪比为50db，极化角度设置为90
°
，另一个干扰的干噪比固定为10db，其极化角度设置为0
°
。将由粒子群算法测角处理后得到的干噪比为50db的干扰信号的极化角度感知结果的误差经过多个快拍取平均处理。
[0109]
仿真1，假设极化域信号接收模型下存在两个干扰，将由粒子群算法测角处理后得到的干噪比为50db的干扰信号的极化角度感知结果的误差经过每4个快拍取平均处理。
[0110]
仿真2，假设极化域信号接收模型下存在两个干扰，将由粒子群算法测角处理后得到的干噪比为50db的干扰信号的极化角度感知结果的误差经过每16个快拍取平均处理。
[0111]
仿真3，假设极化域信号接收模型下存在两个干扰，将由粒子群算法测角处理后得到的干噪比为50db的干扰信号的极化角度感知结果的误差经过每64个快拍取平均处理。
[0112]
图4是本发明实施例提供的干扰信号极化角度感知结果经过每4个快拍取平均处理的示意图，图5是本发明实施例提供的干扰信号极化角度感知结果经过每16个快拍取平均处理的示意图，图6是本发明实施例提供的干扰信号极化角度感知结果经过每64个快拍取平均处理的示意图。极化角度感知结果的均方根误差如表1所示：
[0113]
表1
[0114]
数据处理方式均方根误差单个快拍处理0.3855每4个快拍取平均处理0.1922每16个快拍取平均处理0.0974每64个快拍取平均处理0.0500
[0115]
从图4-6可以看出，快拍取平均处理后的极化角度感知结果误差直方图的分布符合高斯分布。并且随着取平均快拍数的增多，极化角度感知结果的误差也在逐渐减小。从表1可以看出，随着取平均处理快拍数从1到4到16到64，估计的极化角度的均方根误差以2倍的速率在减小，符合高斯分布，也符合预期结论。
[0116]
通过上述各实施例可知，本发明的有益效果在于：
[0117]
本发明实施例提供一种干扰极化角度感知方法，通过建立极化域信号接收模型，然后根据极化域接收信号建立需要优化的适应度函数，接着利用粒子群优化算法估计极化角度感知结果。由于极化域接收信号中的极化域导向矢量为一个实数矩阵，如果选用稀疏重构方法，会因为构建的字典中缺乏复数域信息，无法有效地对极化角度进行重构，而本发明利用粒子群算法根据粒子的迭代寻求最优解，不会受到实数极化域导向矢量的影响，并且能够处理多维任务，并拥有较高的性能。该方法避免了现有的极化敏感阵列估计极化角度方法中存在的因信号空间来向相同而无法分辨极化角度的问题，有效地提高了雷达极化感知的能力。
[0118]
在本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0119]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。
[0120]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种干扰极化角度感知方法，其特征在于，包括：建立极化域信号接收模型并确定极化域接收信号；所述极化域接收信号包括多个快拍样本；基于所述极化域接收信号确定适应度函数；针对每个所述快拍样本，利用所述适应度函数和粒子群算法搜索全局最优，并将所述全局最优作为极化角度感知结果；选取预设数量个所述快拍样本对应的极化角度感知结果并计算平均值，得到最终的极化角度感知结果。2.根据权利要求1所述的干扰极化角度感知方法，其特征在于，所述极化域接收信号为：r＝as
j
+n式中，噪声n＝[n
1 n2ꢀ…ꢀ
n
l
]
t
，n
l
表示第l个线极化天线通道的噪声，极化域导向矢量θ
k
表示第k个线极化干扰信号的极化角，表示第l个线极化天线的极化角，s
j
＝[s
j1 s
j2
ꢀ…ꢀ
s
jk
]
t
，s
jk
表示第k个线极化干扰信号，极化域接收信号r＝[r
1 r2ꢀ…ꢀ
r
l
]
t
，r
l
表示第l个线极化天线接收的极化域接收信号，k＝1,2,...,k，k表示线极化干扰信号的数量，l＝1,2，...，l，l表示线极化天线的数量。3.根据权利要求1所述的干扰极化角度感知方法，其特征在于，线极化干扰信号的数量k＝2，线极化天线的数量l＝4，所述适应度函数为：式中，x1、x4分别为两个所述线极化干扰信号的幅度表示粒子，x2、x5分别为两个所述线极化干扰信号的相位表示粒子，x3、x6分别为两个所述线极化干扰信号的极化角度表示粒子，||
·
||2表示二范数。4.根据权利要求3所述的干扰极化角度感知方法，其特征在于，m＝6；在选定的6维搜索空间内随机产生q个粒子，并通过随机初始化得到各个粒子初始化信息；所述初始化信息包括每个粒子的初始速度和初始位置；将每个所述粒子的初始位置设为当前个体最优pbest
q
后，将q个粒子的初始化信息代入所述适应度函数，并选取使得到的当前适应度值最小的粒子的初始位置作为种群的全局最优gbest、将最小的适应度值作为当前种群最优适应度值；将每个所述粒子的初始速度和初始位置分别作为当前速度和当前位置，并对所述当前速度及所述当前位置进行更新；
将更新后的速度和更新后的位置代入所述适应度函数，得到更新后的适应度值；对于每个所述粒子，若更新后的适应度值优于所述当前适应度值，则将更新后的位置做为新的pbest
q
；将更新后的适应度值的最小值作为更新后的种群最优适应度值，并比较所述更新后的种群最优适应度值与所述当前种群最优适应度值；若所述更新后的种群最优适应度值更优，则将所述更新后的种群最优适应度值对应粒子的当前位置作为gbest；当迭代次数达到预设次数时，将gbest作为极化角度感知结果。5.根据权利要求4所述的干扰极化角度感知方法，其特征在于，按照如下公式对当前速度进行更新：v
i,j
(g+1)＝wv
i,j
(g)+c1r1(pbest
i,j
(g)-x
i,j
(g))+c2r2(gbest
j
(g)-x
i,j
(g))式中，v
i,j
(g)和x
i,j
(g)分别表示第i个粒子在第g次迭代时的当前速度和当前位置，c1表示粒子的个体学习因子，pbest
i,j
(g)表示第g次迭代时第i个粒子在第j维搜索空间的当前个体最优，c2表示粒子的社会学习因子，r1、r2为[0,1]的随机数，w表示惯性权重，v
i,j
(g+1)为第i个粒子更新后的速度，j＝1,2,
……
，m。6.根据权利要求5所述的干扰极化角度感知方法，其特征在于，按照如下公式对当前位置进行更新：x
i,j
(g+1)＝x
i,j
(g)+v
i,j
(g+1)式中x
i,j
(g+1)为第i个粒子更新后的位置。7.根据权利要求5所述的干扰极化角度感知方法，其特征在于，式中，w
start
表示惯性权重的最大值，w
end
表示惯性权重的最小值，g
max
表示预设迭代次数。

技术总结
本发明公开了一种干扰极化角度感知方法，包括：建立极化域信号接收模型并确定极化域接收信号；极化域接收信号包括多个快拍样本；基于极化域接收信号确定适应度函数；针对每个快拍样本，利用适应度函数和粒子群算法搜索全局最优，并将全局最优作为极化角度感知结果；选取预设数量个快拍样本对应的极化角度感知结果并计算平均值，得到最终的极化角度感知结果。本发明提供的干扰极化角度感知方法利用粒子群算法根据粒子的迭代寻求最优解，不会受到实数极化域导向矢量的影响且能够处理多维任务，同时避免了现有的极化敏感阵列估计极化角度方法中存在的因信号空间来向相同而无法分辨极化角度的问题，有效地提高了雷达极化感知的能力。的能力。的能力。


技术研发人员：纠博 徐丹蕾 罗春怡 李康 谢少鹏 刘宏伟
受保护的技术使用者：西安电子科技大学
技术研发日：2023.03.07
技术公布日：2023/7/21