盲源分离综述_问题_原理和方法

中图分类号:T N97111 文献标志码:A 文章编号:C N51-1694(2008)02-0001-05收稿日期:2007-11-29;修回日期:2007-12-30
作者简介:陈锡明(1970-),男,高级工程师,博士;黄硕翼(1983-),男,硕士研究生。

盲源分离综述———问题、原理和方法
陈锡明,黄硕翼
(信息综合控制国家重点实验室,成都610036)
摘要:盲源分离,是从观测到的混合信号中恢复不可观测的源信号的问题。

作为阵列信号处理
的一种新技术,近几年来受到广泛关注。

文章按源信号不同的混合方式,将盲源分离问题分为三种类型:线性瞬时混合、线性卷积混合和非线性混合,综述了它们各自分离的原理和方法,并结合国内外的研究现状,对未来的发展作出了展望。

关键词:盲源分离;独立分量分析
B lind Source Separation :Problem ,Principle and Method
CHE N X i 2ming ,HUANG Shuo 2yi
(National In formation C ontrol Lab oratory ,Chengdu 610036,China )
Abstract :Blind source separation is to recover unobserved source signals from observed mixtures.As a new technology of array signal processing ,it has attracted wide attention.Blind source separation is classified into three types :linear instantaneous mixtures ,linear conv olutional mixtures ,and nonlinear mixtures ,as per different mixture methods.And a survey is presented on separation principles and methods of each type.The prospect of future development is given too.K ey w ords :blind source separation ;independent com ponent analysis (ICA )
1　引言
盲源分离(BSS )是信号处理领域的一个基本问题,是根据观测到的信号来分离或恢复出未知源信号的过程。

它在医学信号处理、数据挖掘、语音增强、图像识别以及雷达与通信信号处理等方面正受到越来越广泛的重视。

其更一般的表述为:已知从多输入—多输出(MI M O )非线性动态系统(SIS O ,SI M O 是特例)中测得的传感器信号X (t )=[x 1(t ),x 2(t ),…,
x m (t )]T
,要求找到一个逆系统,以重构估计原始
的源信号S (t )=[s 1(t ),s 2(t ),…,s n (t )]T[1]。

源信号S (t )未知,源信号如何混合得到观测信号也未知,这体现了求解问题的“盲”。

最简单的情况,如果X (t )是S (t )的线性瞬时混合,即X (t )=H 3S (t ),H 为一个m ×n 维的混合矩阵,盲分
离问题简化为求一个n ×m 维的解混矩阵W ,使输出Y (t )=W 3X (t )=W 3H 3S (t )≈S (t )。

事实上,在缺乏某些先验知识时是不可能唯一地确定源信号的,所以盲分离问题存在两个内在的解不确定性:一是输出分量排列顺序的不确定性,即无法确定所恢复的信号对应于原始信号源的哪一个分量;二是输出信号幅度的不确定性,即无法恢复原始信号源的真实幅度。

但因为源的大量信息蕴涵在源信号的波形中而不是信号的振幅或者系统输出的排列顺序中,所以这并不影响盲分离的应用。

2　盲源分离的基本类型和解决方法
就源信号经过传输通道的混合方式而言,可分为线性混合和非线性混合信号的盲分离;其中
1
电子信息对抗技术・第23卷
2008年3月第2期
陈锡明,黄硕翼
盲源分离综述———问题、原理和方法
线性混合又主要可分为线性瞬时混合和线性卷积混合。

盲处理的大部分方法是依据一定的理论构造目标函数的无监督学习方法。

采用的目标函数主要有负熵、高阶累积量、互信息量、K L散度、最大似然估计等。

确定了目标函数以后,再用一定的算法作寻优处理得到源分离矩阵。

不同的混合方式,构造目标函数的原则基本相同,不同的是寻优算法。

下面就这些方法进行概略描述。

2.1　线性瞬时混合
线性瞬时混合是最简单的一种混合方式,也是研究另外两种类型的基础。

尽管它有许多不同的盲分离算法,但其原理却都可以归纳为以下四种方法:
(1)最普遍的方法就是用代价函数来衡量信号独立性和非高斯性或者稀疏性。

当假设源信号具有统计独立性,且没有时间结构时,高阶统计量方法是求解盲源分离问题的基本手段。

这种方法对多于一个高斯分布的源信号不适用。

(2)如果源信号具有时序结构,则其有非零的时序相关数,从而可以降低对统计独立性的限制条件,用二阶统计量方法(S OS)就足以估计混合矩阵和源信号[2-3]。

这种S OS方法不允许分离功率谱形状相同或统计独立的源信号。

(3)采用非平稳性和二阶统计量。

由于源信号主要随时间有不同的变化,就可以考虑利用二阶非平稳性[4-6]。

与其他方法相比,基于非平稳性信息的方法能够分离具有相同功率谱形状的有色高斯源,然而,却不能够分离具有相同非平稳特性的信号。

(4)运用了信号的不同多样性,典型的是时域多样性、频域多样性或者时频域多样性,更一般地,即联合空间—时间—频率多样性。

其中,独立分量分析(IC A)属于第一类,是解决盲源分离(BSS)问题的重要方法。

它利用源信号统计独立等容易满足的先验条件,从混合信号中恢复不可观测的各个信号分量。

也就是说,IC A 的基本假设条件之一是在任何时刻t,源信号S(t)的各分量s i(t)之间统计独立,而IC A对S(t)在时域是否相关未作任何约束。

Cardos o在文献[7]中提到:若源是相互独立的,混合矩阵是可逆的,则如果向量Y(t)=C・S(t)也相互独立,那么Y(t)就是S(t)的一个恢复。

其中C为这样的一个矩阵:其每行每列都只有一个非零元素。

这就说明了盲源的可分离性,同时也意味着输出达到统计独立就可以实现盲源分离,也指导了IC A优化目标函数的建立。

IC A 优化目标函数的建立准则如下:
(1)互信息最小化。

K L散度是统计独立性的参数,它与信息熵表示的互信息量相当。

IC A 的目的就是使输出信号Y(t)各分量尽可能独立, K L散度(或互信息)自然可作为度量参数。

(2)信息传输最大化或负熵最大化。

在信噪比较高的情况下,输入和输出之间互信息量的最大化意味着输出与输入之间的信息冗余量达到最小,这样就使得各输出之间的互信息量最小,从而各输出分量相互统计独立。

(3)最大似然目标函数。

最大似然估计的目标就是由观测数据样本来估计信号的真实概率密度,具有一致性、方差最小及全局最优等许多优点,但缺点是需输入信号概率分布函数的先验知识,现有的方法是用核函数的非参数估计方法,利用随机变量的一组实现来估计信号的概率密度。

事实上,一定条件下,这三种准则之间是等价的。

而在建立目标函数后就需要寻优算法来求解。

寻优算法主要分为在线算法和离线算法,前者是实时的方法,存在自适应算法的收敛问题,如随机梯度法[8]、自然梯度法[9]和相对梯度法[10];而后者则是接收数据后再进行批处理,典型的有FastIC A[11-12]。

而在此基础上发展的局部独立分量分析,就是对可利用的传感器数据,首先在空间域或者时域、频域或者时频域内将这些数据分成不同类,然后再对每类数据局部地进行线性独立分量分析。

更一般地,最优的局部独立分量分析是以下两个过程相互作用的结果,即合理的分类处理过程和对每类数据应用独立分量分析的过程。

2.2　卷积混合
上面主要论述的是盲源分离的最简单和基本的模型———瞬时混合。

更接近实际的是把混合看作是源信号和信道的卷积过程,使得盲分离成为盲解卷积,事实上也同时是盲均衡的方法。

而恢复的信号可能是源信号经过幅度伸缩或者时延以后的估计。

很容易想到,时域卷积等于频域相乘,就将时
2
陈锡明,黄硕翼
盲源分离综述———问题、原理和方法
电子信息对抗技术・第23卷
2008年3月第2期
域的卷积混合转化为频域的瞬时混合问题[13]。

将数据分段,每段进行FFT,得到:
X(ω,m)=H(ω)S(ω,m),
Y(ω,m)=W(ω)X(ω,m)
其中,m为数据段(帧)的位置,mΦM.
对每一个频率ω,将有M个数据进行盲分离计算W(ω),最后再对W(ω)求IFFT得到时域分离矩阵。

从这个过程中我们可以看到,M值不能太小,这会导致S(ω,m)各分量的独立性减弱。

而FFT点数也不能太小,否则频域盲分离的点数少将导致反变换回时域的分辨率降低。

所以频域盲分离的要求点数很多,一般为批处理算法且计算量大[14],而且也不能适应环境的改变。

同时,已经证明频域盲分离方法与频域自适应波束形成方法是等价的,所以其性能不能超出自适应波束形成给出的上界[13]。

直接在时域进行解卷积,其代价函数一般可分为两类:互信息最小/熵最大和基于累积量的算法。

Bussgang算法和自然梯度算法是第一类的两个典型例子。

Bussgang方法应用随机梯度下降使依赖于均衡器输出信号的非凸代价函数最小化。

它简单且易于实现,但由于存在局部极小点,可能收敛到错误的解。

Amari等人提出自然梯度算法首先应用于解瞬时混合,后来又扩展到解卷积。

如果将乘法和卷积同作为一个算子,可以证明瞬时混合和多通道卷积混合的所有代数性质等价[15],这样将时域解瞬时混合的自然梯度算法的对比函数和学习规则中乘积符号换成卷积,就可以得到时域解多通道卷积混合,能够显著提高盲分离和盲解卷积的效率。

基于累积量的方法的例子有倒三谱[16],基本原则是使基于高阶累积量的非线性代价函数最小化。

2.3　非线性混合
实际环境中观察到的混合信号更加一般的是经过非线性混合得到,这种问题的BSS和IC A要比上述线性混合复杂得多。

此时,线性混合信号盲分离算法不再适用,如果仍把非线性混合模型假设为线性混合,并利用线性IC A方法求解,可能会导致完全错误的结果。

解决非线性混合信号的BSS问题通常很困难,需要额外的先验信息或施加适当的约束。

对于非线性混合信号盲分离算法的研究,大致可以分为两类:一类是将混合建模为后置非线性问题,即把非线性混合看作是源信号先经过线性混合再经过非线性传递函数f,分离部分首先用f-1进行非线性校正,得到近似线性混合的信号向量后再进行线性分离。

f通常未知,一般用多个非线性模块的级联结构来近似逼近;另一类就是通过获取非线性特征直接进行盲处理,这类算法不受混合模型的限制,可用于完全非线性混合信号的盲处理,例如Pajunen等利用自组织特征映射提取非线性分量,Cichocki等采用的神经网络方法等。

3　国内外研究现状
国外对盲源分离的研究始于1986年。

法国学者Herault和Jutten在美国举行的Neural Netw ork for C om puting会议上提出了递归神经网络模型和基于Hebb学习规则的学习算法,以实现两个独立源信号混合的分离。

从此以后的二十年来盲源分离问题成为信号处理领域的热点,研究工作也越来越深入,理论和实际应用都得到了很大发展。

1994年,C om om[17]将数据处理与压缩的主分量分析(PC A)加以扩展成为IC A,阐述了独立分量分析这一概念,提出了IC A方法的基本假设条件,并明确指出,应该通过某个称为对比函数的目标函数达到极大值来消除观测信号中的高阶统计关联,以实现线性混合的IC A。

同年,Cichocki[9]等人提出了著名的自然梯度学习算法,提高了算法的收敛速度和统计有效性。

1995年,Bell和Sejnows2 ki[8]利用神经网络的非线性特性来消除观测信号中的高阶统计关联,并把盲分离问题归入信息论框架,用信息最大化准则建立目标函数(In fomax 算法)。

文中给出了神经网络的最优权矩阵迭代学习算法,成为后续各种算法的基础。

1997年, Cichocki[18]等人改进了Herault2Jutten网络,使之对尺度不佳的源信号混合和病态问题得到了更好的解决。

1999年,Hyvarinen和Oja[11]基于源信号的非高斯性测度,给出一类定点算法(Fixed2P oint),成为最具代表性的批处理算法,其具有非常快的收敛速度,因此也称为FastIC A。

2000年,Bing2 ham[12]进一步提出基于复信号的FastIC A算法,在频域盲分离上得到广泛应用。

而基于源信号的时
3
电子信息对抗技术・第23卷2008年3月第2期
陈锡明,黄硕翼
盲源分离综述———问题、原理和方法
序结构,即时域的相关性,Stone[19]和Y iu2ming Cheung[20]分别提出和发展了相应的算法。

对于含噪数据的盲分离,Amari等人提出了同时消除噪声和分离信号的Amari2H opfield神经网络。

Car2 dos o提出了基于高阶统计的联合对角化盲信号分离方法(JADE),并应用于波束形成。

Zhang、Ci2 chocki和Amari发展了处理线性盲源分离/解卷积问题的状态空间方法[21-23],并由Zhang和Cichoc2 ki推导了相应的自然梯度算法[24]。

他们也将状态空间的方法扩展到了非线性系统[25],并通过使用两阶段学习算法[26]来估计非线性解混合模型中的参数。

国内对于盲源分离问题的研究相对较晚,张贤达在其1996年出版的《时间序列分析———高阶统计量方法》一书中,介绍了有关盲分离的理论和算法。

参考文献[27]研究了盲源分离在语音分离中的应用,分析了频域盲分离的解排列和尺度模糊,新算法具有良好的分离性能。

文献[28]研究了基于三阶和四阶累积量的瞬时混合信号盲分离。

文献[29]利用反馈神经网络Hebb学习,实现近场宽带信号源的盲分离,并对算法的渐近收敛以及稳定性进行了分析。

文献[30]对现有一些常用的实数域盲分离算法推导了相应的复数域算法。

文献[31]采用最大似然函数的目标函数,用核函数的非参数估计方法,利用随机变量的一组实现来估计信号的概率密度。

并利用样本自相关矩阵的有效秩来估计含噪情况下信号源的个数。

文献[32]将盲分离和遗传算法结合,自适应选择较优解。

文献[33]将小波理论与盲分离结合,利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为IC A 的输入信号,有效克服了现有IC A算法不能将噪声从源信号中分离的缺陷。

而文献[34-35]详细讨论了信源数目未知甚至动态变化时的信源个数估计和盲分离问题。

文献[36-37]主要针对多信源少观测源的欠定问题,提出在各源信号时频域内准正交的条件下,采用Hilbert2Huang变换进行分离。

4　总结与展望
盲信号处理发展二十年来,理论和实践都不断丰富和完善。

总的来说,瞬时混合问题最简单,也是解决其他问题的基础,因此得到了很多研究的关注。

当信源数目等于接收传感器数目时,问题已得到了较好的解决,算法也比较成熟;当信源数目小于接收数目的超定问题可以先对信源数目进行估计,再转化成两者相等的情况;而信源数目大于接收数目的欠定问题是一个难题,目前已提出了准正交退化求解的方法。

对于卷积混合甚至非线性混合,近几年也有大量算法被提出。

但也可以看到,盲信号处理还存在许多难题有待解决。

尤其是以下一些需要深入研究的问题:
(1)理论上,算法的全局收敛性和稳定性的证明不够充分;
(2)非平稳情况下稳健跟踪的高效算法;
(3)卷积混合和非线性混合信号的模型和分离算法;
(4)低信噪比条件下的有效分离;
(5)低信噪比条件下源信号数目的估计;
(6)源信号个数动态变化时也能够有效工作的算法;
(7)有效求解源数目多于传感器数目时的分离。

总之,盲信号处理作为计算智能学的核心研究内容,已经发展成为许多领域研究的重要课题。

随着这方面研究的不断深入,将会有越来越多的实际问题得到解决,也会对神经网络理论和信号处理理论起到积极的推动和促进作用。

参考文献:
[1]　Cichocki A,Amari S.Adaptive Blind S ignal and Image
Processing[M].Wiley,2003.
[2]　Belouchrani A,Abed2Meraim K K,Card os o J F,M oulines
E.Second2Order Blind Separation of C orrelated S ources
[C]//Proc Int C on ference on Digital S ig Processing,
Cy prus,1993:346-351.
[3]　M olgedey L,Schuster H G.Separation of A Mixture of In2
dependent S ignals Using T ime Delayed C orrelations[J].
Physical Review Letters,1994,72(23):3634-3637. [4]　Matsuoka K,Ohya M,K awam oto M.A Neural Net for
Blind Separation of N onstationary S ignals[J].Neural Net2
w orks,1995,8(3):411-419.
[5]　Pham D T,Cardos o J F.Blind Separation of Instantaneous
Mixture of N on2S tationary S ources[J].IEEE T rans on
4
陈锡明,黄硕翼
盲源分离综述———问题、原理和方法
电子信息对抗技术・第23卷
2008年3月第2期
S ignal Processing,2001,49(9):1837-1848.
[6]　Choi S,Cichocki A.Blind Separation of N onstationary
and T emporally C orrelated S ources from N oisy Mixtures
[C]//IEEE W orkshop on Neural Netw orks for S ignal
Processing,NNSP’2000,Sydney,Australia,2000:405
-414.
[7]　Cardos o J F.Blind S ignal Separation:S tatistical Principles
[J].IEEE Proceedings,1998,86(10):2009-2025. [8]　Bell A,Sejnowski T J.An In formation2Maximization Ap2
proach to Blind Separation and Blind Deconv olution[J].
Neural C omputation,1995,7(6):1004-1034.
[9]　Cichocki A,Unbehauen R,M oszczynski L,et al.A New
On-Line Adaptive Learning Alg orithm for Blind Separa2
tion of S ource S ignals[C]//IS ANN94,T aiwan,1994:
406-411.
[10]　Cardos o J F,Laheld B.Equivariant Adaptive S ource
Separation[J].IEEE T rans S ignal Processing,1996,44
(12):3017-3029.
[11]　Hyvarinen A.Fast and R obust Fixed2P oint Alg orithms for
Independent C omponent Analysis[J].IEEE T rans On Neural Netw orks,1999,10(3):626-634.
[12]　Bingham E,Hyvarinen A.A Fast Fixed2point Alg orithm
for Independent C omponent Analysis of C omplex Valued
S ignals[J].Neural System,2000,10(1):1-8. [13]　Araki S,Makino S,Mukai R,et al.Equivalence be2
tween Frequency D omain Blind S ource Separation and Fre2
quency D omain Adaptive Beam forming[C]//IC ASSP 2002,US A,2002:1789-1902.
[14]　Araki S,Makino S,Mukai R,et al.Fundamental limi2
tation of Frequency D omain Blind S ource Separation for
C onv olved Mixture of S peech[C]//Third International
C on ference on Independent C omponent Analysis and S ignal
Separation(IC A2001),San Dieg o,US A,2001:132-
137.
[15]　Sabala I,Chichocki A,Amari S.Relationships between
Instantaneous Blind S ource Separation and Multichannel
Blind Deconv olution[C]//Proc Int Joint C on ference on Neural Netw orks,Alaska US A,1998:148-152. [16]　Halzinakos D,Nikias C L.Blind Equalization Using A
T ricepstrum2Based Alg orithm[J].IEEE T rans on C ommu2
nication,1991,39(5):669-682.
[17]　C om on P.Independent C omponent Analysis,A New
C oncept[J].S ignal Processing,1994,36(3):287-
314.
[18]　Cichocki A,Bogner R E,M oszczynski L.M odified Her2
ault2Jutten Alg orithms for Blind Separation of S ources[J].
Digital S ignal Processing,1997,(7):80-93.
[19]　S tone J V.Blind S ource Separation Using T emporal Pre2
dictability[J].Neural C omputation,2001,13(7):1559
-1574.
[20]　Cheung Y iu2ming,Liu Hailin.A New Approach to Blind
S ource Separation with G lobal Optimal Property[C]//
Proceedings of the I ASTE D International C on ference of
Neural Netw orks and C omputational Intelligence,2004:
137-141.
[21]　Zhang L,Amari S,Cichocki A.Natural G radient Ap2
proach to Blind Separation of Over2and Under2C omplete
Mixtures[C]//Proc of the First International W orkshop on
Independent C omponent Analysis and S ignal Separation2
IC A’99,Auss ois,France,1999:455-460.
[22]　Zhang L,Amari S,Cichocki A.Advances in Neural In2
formation Processing Systems[M].Cambrige,M A:MIT
Press,2000.
[23]　Zhang L,Amari S,Cichocki A.Semiparametric M odel
and Superefficiency in Blind Deconv olution[J].S ignal
Processing,2001,81:2535-2553.
[24]　Zhang L,Cichocki A.Blind Deconv olution of Dynamical
Systems:A S tate S pace Approach[J].Japanese Journal of
S ignal Processing,2000,4(2):111-130.
[25]　Cichocki A,Zhang L,Amari S.Semi2Blind and S tate2
S pace Approaches to N onlinear Dynamic Independent
C omponent Analysis[C]//Proceedings of1998Interna2
tional Symposium on N onlinear Theory and its Applications
(NO LT A298),Crans2M ontana,S witzerland,1998:291-
294.
[26]　Cichocki A,Zhang L.T w o2S tage Blind Deconv olution
Using S tate2S pace M odels[C]//Proceedings of the Fifth
International C on ference on Neural In formation Processing
(IC ONIP’98),K itakyushu,Japan,1998:729-732. [27]　张雪峰,刘建强,冯大政.一种快速的频域盲语音
分离系统[J].信号处理,2005,21(5):434-438. [28]　汪军,何振亚.瞬时混合信号的盲分离[J].电子
学报,1997,25(4):1-5.
[29]　凌燮亭.近场宽带信号源的盲分离[J].电子学报,
1996,24(7):87-92.
[30]　倪晋平,马远良,杨坤德.水声信号盲分离的实数
算法与复数算法[J].西北工业大学学报,2002,20
(1):44-48.
[31]　张洪渊,戴小明,史习智.一种功能增强的信号源
盲分离新算法[J].振动工程学报,2002,15(2):
134-138.
(下转第45页)
5
电子信息对抗技术・第23卷2008年3月第2期
陈锡明,黄硕翼
盲源分离综述———问题、原理和方法
同的环境温度(常温与-40℃)下频带内不同频率下功率值(脉冲宽度146μs;输入电压+46V;工作比10%)。

5　结束语
本文就L波段机载S AR发射机的组成、工作原理及采用的关键技术都做了比较详细的阐述。

通过整机的实际使用说明,该发射机的性能稳定、可靠性高。

预计在将来的应用中会有很好的效果。

参考文献:
[1]　曲长文,等.机载S AR发展概况[J].现代雷达,
2002,(1):1-14.
[2]　Edward D O,Michael Borkowski,Harry Thomas,James
Curtis.S olid2S tate Radar T ransmitters[M].Artech H ouse
Inc,1985.
[3]　Edueline P,G randgeorge P.12K W S Band New G enera2
tion Primary T ransmitter SST20002NG F or AT C Low C ost
Re2design O f An Existing S Band T ransmitter[C]//IEEE
International Radar C on ference.IEEE,2000:242-244.
[4]　Eudeline,Perez P,Lemette J P.New G eneration Low
C ost S Band High P ower S olid S tate2T ransmitter F or Air
T raffic C ontrol And Navel Applications Radar[C]//IEE
Radar97,publication N o.449,1997.
[5]　王卫华,等.固态雷达发射机的关键技术[J].电子
科学技术,2005,(1):27-32.
(上接第5页)
[32]　尉宇,聂玉峰.自适应最优保存遗传算法在盲信
号分离中的应用[J].武汉科技大学学报.2003,26
(3):297-300.
[33]　游荣义,陈忠.基于小波变换的盲信号分离的神
经网络方法[J].仪器仪表学报,2005,26(4):415
-418.
[34]　冶继民,张贤达,朱孝龙.信源数目未知和动态变
化时的盲信号分离[J].中国科学E辑,2005,35
(12):1277-1287.
[35]　张洪渊,贾鹏,史习智.确定盲分离中未知信号源
个数的奇异值分解法[J].上海交通大学学报,
2001,35(8):1155-1158.[36]　孟庆华,周晓军,庞茂.基于两路传感信号的多源
退化盲分离算法研究[J].中国电机工程学报,
2005,25(24):165-170.
[37]　檀志斌.基于准正交原理的多信源少观测源的盲
语音信号分离[J].计算机工程与应用,2005,(8):
55-59.
[38]　马建仓,牛奕龙,陈海洋.盲信号处理[M].北京:
国防工业出版社,2006.
[39]　M o S,Shafai B.Blind Equalization Using Higher Order
Cumulants and Neural Netw ork[J].IEEE T rans on S ig2
nal Processing,1994,(5):267-278.
(上接第33页)
号干扰能力。

随着信号环境的日趋复杂,迫使电子对抗设备的多信号干扰技术要有一个质的飞跃。

本文对多信号干扰技术方面进行了一些初步的探讨,对有些关键技术的认识可能不够全面准确,还需要进一步深入研究。

参考文献:
[1]　刁鸣.雷达对抗技术[M].哈尔滨:哈尔滨工程大学
出版社,2005.
[2]　李宏,等.干扰机干扰多目标性能分析[J].电子对抗
技术,2001,16(1):20-24.
[3]　张爱洲.机载干扰系统对信号处理的需求[J].电子
对抗技术,2005,20(6):30-32.
[4]　乔凤卫,吕涛,等.几种航空有源电子干扰装备的比
较[J].电子对抗技术,2003,18(3):45-47.
[5]　谈江海,陈天麒.一种雷达干扰资源分配算法[J].电
子对抗技术,2005,20(5):31-34.
54
电子信息对抗技术・第23卷2008年3月第2期
姚武生,郑智潜
一种机载S AR发射机的设计。