综上，各方法特点如表1所示。
表1 不同检测方法对比分析
Table 1 Comparisons of different detection methods
目前，干扰检测估计通常由专用设备或通信设备本身的算法来实现，一般来说，后一种情况的开销和成本较低。但无论哪种情况下，都需要事先累积获得的干扰活动的潜在指标（或度量），依赖先前获得的无干扰和有干扰条件下的通信行为及其相关频谱知识。针对具有子空间结构的强扰动信号检测问题，在先验知识不完整或不确定的情况下，通过合并子空间的部分先验知识来应对训练受限的场景，基于先验知识的层次模型来表示知识，用于提高子空间探测器，从而验证了合理使用历史数据可以减轻收集必要信息压力的可行性，对于减少干扰检测的重复工作具有重要的推广应用价值。
1.2 干扰分类识别
在干扰检测估计的前提下，后续干扰处理的重要一环是干扰的分类识别，其研究重点在于特征的提取和智能决策过程。其中，智能决策技术的实质在于自适应地在一个巨大解空间中寻找到目标函数的最优解组合策略的过程。目前，融合多学科的人工智能技术，如机器学习、生物启发式算法、模糊神经网络等方法，它们通过递归反馈式的学习和局部交互的方式，与传统方法相比，能够更快地发现局部最优解，已被广泛研究并应用于复杂策略和环境下的网络多点协同和系统性能优化。
而针对特征提取方式的不同，常见的干扰分类识别方法主要可分为两类：一是根据干扰信号自身的特性，利用深度学习、机器学习等智能方法，自主进行特征检测并分类，需要依赖数据的支持，实时性和处理速度受限，提取的特征缺乏信号相关理论的支撑，物理意义不强；二是为提高处理速度及其特征的合理性，利用傅里叶变换、分数阶和小波变换等变换域方法以及稀疏分解、匹配追踪等方法进行频谱特征分析，据此提出相应的关联维数、熵特征和高阶累积量等作为干扰识别的特征参数，再结合简单的分类算法实现，一定程度上降低了硬件实现的难度，但由于局限于特定的干扰类型或调制方式的小样本空间，对于大规模训练样本效率不高，实际干扰处理的推广应用受限。
2 干扰的变换分析
当前，无人系统面临的通信干扰类型和样式不断变化，出现了窄带、梳状谱等干扰类型和转发、欺骗等干扰样式；同时干扰策略不断优化，既有功率、频率的交织，又有内容、时机的对抗。考虑到干扰的频谱划分，可分为瞄准式干扰、多频点干扰和拦阻式干扰[12-13]，其中，瞄准式干扰通常指干扰与被干扰信号频谱的重合度较高的一类干扰形式，如窄带干扰等；多频点干扰是对多载频信号的干扰，可分为频分多频点干扰、时分多频点干扰和综合多频点干扰等；拦阻式干扰是对被干扰信号的频带范围进行广域覆盖的干扰方式，通常为宽带干扰，如扫频拦阻式干扰和梳状谱干扰等。本文结合以上实际中常见的干扰类型，采用载波或脉冲信号与噪声相结合的干扰形式分别展开研究。
2.1 干扰分类建模
单音干扰（或称连续波干扰）属于最简单的干扰类型，根据被干扰信号的载频特征，可通过发射大功率的连续波实施干扰：
式中，J0是干扰幅值，f0为干扰频点，θ0为相位。
多音干扰实际上是多个单音干扰的叠加：
式中，Ji表示第i个干扰分量的幅值，fi表示第i个干扰频点，θi为相位。
部分频带干扰通常指干扰带宽较窄的干扰（一般不超过被干扰信号带宽的10%），可通过窄带滤波器实现：
式中，f H和f L分别表示窄带滤波器的上、下截止频率。
线性调频干扰通常指频率随时间而线性变化，且在某个时间段内呈宽带特性的干扰，其功率谱具有非平稳特性：
式中，fi0为初始频率，μi0为调频率。
脉冲干扰可通过高斯白噪声与匹配滤波器的冲激响应卷积相得到：
式中，n(t)为高斯白噪声，h(t)为冲激响应。
梳状谱干扰是一种阻塞式干扰，其包络在时域上恒定，可通过锯齿波干扰和窄带干扰叠加生成：
式中，f0为中心频率，Δt为延时，k为调频率。
2.2 变换处理方法
考虑到干扰在时变和非平稳方面的多样性，可以将变换域划分为不同维度的多个域（如时域、频域、分数域、小波域等），各变换域的基分别是t、ej wt、chirp信号以及Ψa,b(t)等，它们之间可以相互转换，也可以独立进行信号处理。通过将多类干扰自适应地进行变换分析和处理，从而提高干扰处理能力。目前，基于变换分析的数字信号处理方法主要有以下几种：
离散傅里叶变换（discrete Fourier transform，DFT）。DFT通过时频域变换能够得到信号的整体频谱，可用于平稳信号的处理[14]，其时频域变换关系为：
其中，ωN=e(-2πi)/N。
分数阶傅里叶变换（fractional Fourier transform，FrFT）。FrFT主要用于处理非平稳信号，阶次p变换比传统的傅里叶变换应对非平稳信号更加有效，但运算量也更加复杂和耗时[15]，其信号变换关系推导如下：
离散小波变换（discrete wavelet transform，DWT）。DWT通过变化的时间窗口实现对信号频谱的非均匀分解，从而提取出近似系数和细节系数，可以有效处理非平稳信号的细节信息[16]。其离散小波函数和变换系统可表示为：
