基于LTL-PRM算法的分支管路自动布局方法

针对非正交分支管路的自动布局问题,提出一种基于局部二次学习概率路径图算法(LTL-PRM)的分支管路自动布局方法,该方法首先采用回溯算法计算出端点之间的最小斯坦纳树,并对其中的斯坦纳点位置进行优化处理,从而获得管路系统的分支点位置,在此基础上通过局部二次学习构建路径图,并利用DIJKSTRA算法搜索出各分支管路的最短路径,最后对搜索出的路径进行优化,从而获得分支管路的最终布局结果。基于此方法,开发了管路自动布局设计软件系统并进行了实例分析,验证了该方法的可行性。     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

机载有源相控阵雷达给告警器带来的威胁

介绍了机载有源相控阵雷达的工作原理,对其功率管理技术和使告警接收机失配技术的工作特点进行了深入的分析,并从雷达告警器的角度总结了其信号参数随机化的特点,指明了目前雷达告警器无法有效告警此类信号的原因,最后给出了应对策略,为下一步研制新型机载雷达告警器提供了借鉴。     

基于云重心的雷达告警系统信号处理能力评估

信号处理是机载雷达告警系统完成作战任务能力的重要能力,目前对于信号处理能力的研究一般采用定性评估方法,无法准确地反映其真实性能;针对机载雷达告警系统信号处理能力评估方法所存在的问题,将云理论引入信号处理能力评估中,提出了一种基于云重心评判的评估方法;此方法对机载雷达告警系统信号处理能力可给出有效的综合评价,为装备的改进与提升提供了可靠依据。     

基于粒子聚类改进门限的GM-CPHD跟踪算法

针对带势的高斯混合概率假设密度滤波(GM-CPHD)计算量大,效率不高,已经无法适应现代战场要求,提出了一种基于粒子聚类改进椭球门限的GM-CPHD多目标跟踪算法。首先引入粒子聚类的方法,通过该方法得到修正的椭球门限;然后通过修正的椭球门限得到新的量测集合,实现了量测空间的改进;最后通过量测集合利用GM-CPHD算法进行更新。经过实验仿真证明,该方法在多目标跟踪效果上优于GM-CPHD算法,且计算复杂度大幅度降低,相比于带门限的GM-CPHD算法,跟踪性能也明显提高。     

TMS320C6678的LPI雷达信号检测模型设计

本文围绕低截获概率雷达信号处理的特点和实时性的要求,设计了基于FPGA和DSP传统组合模式的LPI雷达信号检测处理平台。在一款基于Keystone构架的多核DSP处理板上,创新性地运用并行关联流水线体系结构和多层任务调度分配信号处理机制,构建了针对LPI雷达信号从预处理到检测结果输出的一整套信号处理模型。经过仿真实验验证,该信号处理模型适合在低信噪比条件下对LPI雷达信号进行检测,且系统资源分配合理占用逻辑资源少,具有实时检测LPI雷达信号的潜力。     

一种用于机载雷达告警接收机的主分选算法

机载雷达告警接收机作为一种雷达侦察设备,主要用于对高威胁雷达目标识别和告警,而识别的前提是信号的分选。针对传统主分选算法计算量大、自动化程度不高、无法满足机载雷达告警接收机实时分选需要的现状,提出一种基于幅度预处理和脉冲重复周期(PRI)转移矩阵的主分选算法,通过仿真实验验证了该算法的有效性。     

JTIDS信号阵列高分辨测向仿真

提出了一种对JTIDS信号的高精度测向方法。首先详细分析了JTI DS信号的传输特点,利用Matlab生成的JTIDS信号,然后依据空间谱估计中MUSIC测向算法的 特点,将接收到的JTIDS信号按照脉冲分段,对单个脉冲所携带的数据进行处理,最后通过 仿真得到不同信噪比环境下多个JTIDS信号方位角和俯仰角的估计精度,验证了该方法的有 效性。     

基于OBSA多小波和遗传算法的数字水印技术

针对已有数字水印技术的不足,提出了基于OBSA多小波和遗传算法的公开数字水印技术。根据不同的水印嵌入算法选择适应度函数,通过遗传算法,对不同的水印嵌入算法、不同的宿主图像,自适应地得到OBSA多小波变换的前置滤波器。给出了相应的两个算法,算法1利用“奇偶法”嵌入水印图像,将灰度水印图像分解成位图,宿主图像进行一层多小波分解,每个低频系数嵌入1bit水印信息;若嵌入“1”,使对应的低频系数四舍五入为奇数,嵌入“0”,则使其为偶数,相反亦可。算法2利用“替代法”嵌入水印,宿主图像进行二层多小波分解,将其分解后的中频部分用水印图像替代。算法1提取的水印无失真,抗剪切攻击能力较强;算法2提取的水印无失真,抵抗噪声、压缩等处理的能力较强。该方法可以改善水印系统的鲁棒性,提高水印系统的透明性和不可统计性。     

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。