基于时频分析与支持向量机联合的间歇采样转发干扰抑制方法研究

针对脉冲压缩雷达面临的间歇采样转发干扰(ISRJ)威胁，研究人员创新性地提出一种结合短时傅里叶变换(STFT)与支持向量机(SVM)的智能抑制方法。该方法通过时频域特征差异实现目标与干扰的精准分类，结合Z-score离群点消除技术，在仿真中展现出优于传统方法的鲁棒性和抑制性能，为电子对抗领域提供了新的技术路径。

　　

在现代电子战中，脉冲压缩雷达系统正面临间歇采样转发干扰(ISRJ)这一"隐形杀手"的严峻挑战。这种源自数字射频存储器(DRFM)系统的干扰技术，通过快速采样、存储和转发雷达信号，能在匹配滤波过程中获得与真实目标相似的增益，形成具有欺骗和压制双重特性的相干干扰。传统对抗手段如波形分集、频率捷变等在ISRJ面前纷纷失效，因为这种干扰巧妙地利用了脉冲内部的时频特性差异，而非传统的脉冲间特征。更棘手的是，现有基于分数阶傅里叶变换(FrFT)或深度学习的解决方案，要么存在信号能量损失问题，要么面临复杂电磁环境下的泛化能力不足。

中国研究人员在《Digital Signal Processing》发表的研究中，开创性地将时频分析与机器学习相结合，提出了一套智能化的ISRJ对抗方案。研究团队首先通过高斯窗短时傅里叶变换(STFT)提升信号时频分辨率，随后利用支持向量机(SVM)构建分类超平面实现干扰自动识别，最后引入Z-score方法消除目标附近的干扰旁瓣，经逆短时傅里叶变换(ISTFT)重构出纯净信号。这种方法的核心创新在于将传统信号处理与现代机器学习有机融合，形成"特征提取-智能分类-精准剔除"的技术闭环。

基本理论模型构建
研究建立了ISRJ的三种子类数学模型：直接转发(ISDRJ)、部分转发(ISPDJ)和循环转发(ISCRJ)。通过理论推导揭示，脉冲压缩后目标回波呈现连续直线时频分布，而ISRJ信号表现为离散线段，这种本质差异为后续分类提供了理论基础。

智能分类算法设计
研究将时频图转化为数据矩阵，提取均值与标准差作为区分特征。采用半监督SVM训练策略，利用核函数将低维特征映射到高维空间，构建出最优分类超平面。仿真显示该算法对ISRJ的识别准确率达92.3%，显著优于传统能量检测方法。

干扰抑制性能验证
在-10dB干信比条件下，新方法使ISDRJ的峰值旁瓣比降低15.6dB，ISPDJ的主瓣展宽减少62%。特别值得注意的是，Z-score处理有效消除了目标±1μs范围内的干扰残留，保真度比FrFT方法提高2.8倍。

这项研究标志着电子对抗领域从"被动防御"向"智能识别"的重要转变。所提出的时频-SVM联合框架不仅解决了ISRJ干扰抑制的难题，更开创了机器学习与传统信号处理协同的新范式。相比现有技术，该方法在保持计算效率的同时，展现出更强的环境适应性和鲁棒性，为下一代雷达抗干扰系统设计提供了重要参考。研究团队特别指出，未来可进一步探索时频特征与深度学习的融合，以应对更复杂的认知干扰场景。