基于Q-Learning的多功能雷达认知干扰决策方法

针对多功能雷达和认知电子战的快速发展所导致传统干扰决策方法难以适应现代化战争的问题,提出了一种基于Q-Learning的多功能雷达认知干扰决策方法。通过对比认知思想和干扰决策原理,将Q-Learning运用于认知干扰决策中并提出了认知干扰决策的算法步骤。以某多功能雷达为基础,通过分析其工作状态及对应干扰样式构建雷达状态转移图,通过仿真试验分析了各参数对决策性能的影响,为应对实际战场提供参考。仿真了在新状态加入下的决策过程、实际战场中转移概率对决策路径的影响以及四种主要干扰决策方法的决策性能对比。试验表明,该方法能够通过自主学习干扰效果完成干扰决策,更加贴合实际战场,对认知电子战的发展有一定的借鉴意义。     

基于神经网络的未知雷达辐射源智能识别技术

提出了一种基于神经网络的未知雷达辐射源智能识别方法,该方法以实际中获得的雷达信号参数为基础,训练神经网络,对未知雷达参数进行预测识别,给出可能的工作状态,并分析其威胁程度.仿真实验表明,该方法是有效可行的,为工程上实现未知雷达辐射源的识别提供了一种新思路.     

基于RocketMQ的认知雷达对抗数据交换系统设计

相比于传统雷达对抗系统,认知雷达对抗系统更加灵活多态,功能模块更加复杂,且能快速适应雷达状态的变化,从而对数据交换的要求显著提升。RocketMQ作为一种基于队列模型的消息中间件,具有高可靠、安全性、低延时、可重构等优点。在认知雷达对抗系统实现框架的基础上,设计并实现了一种基于RocketMQ的认知雷达对抗数据交换系统,最后对数据交换系统的性能和可靠性进行了测试,验证了该系统的优越性。     

针对双基地雷达的分布式干扰研究

接收站位置未知使得传统的干扰手段很难对双基地雷达形成理想的干扰效果.针对这种情况,文中从战术角度出发,对双基地雷达的分布式干扰问题进行研究.以发射站、接收站联合发现概率为效能指标,对不同布站方式下的双基地雷达分布式干扰效能进行评估.计算机仿真试验表明,空域分布特性是分布式干扰对抗双基地雷达的优势;通过战术设计,提高分布式干扰机的作战效能,可以在一定程度上削弱接收站未知带来的不利影响.     

雷达与电子战的认知博弈

新技术与新型作战样式的不断涌现,使得雷达与电子战的博弈愈演愈烈。具备能够准确感知环境,并能够根据环境动态调整工作方式的认知能力,成为雷达与电子战系统适应未来强博弈作战环境的必然要求。通过分析认知雷达与认知电子战的发展现状,给出认知雷达与认知电子战的系统架构,进一步阐述认知雷达与认知电子战的博弈过程;在此基础上,对射频一体化认知对抗系统展开研究,提出射频一体化认知对抗系统架构,并对调用策略进行详细设计;最后对体系化认知对抗系统的架构及关键技术进行了展望。     

火控雷达认知抗干扰技术研究

认知雷达技术通过对周围环境的学习,实时调整雷达的工作参数,最优化雷达在特定场景下的工作性能,发挥雷达最大性能。火控雷达认知抗干扰技术是一种基于认知技术的雷达抗干扰设计方法,将认知技术融入火控雷达设计中。 文中针对火控雷达面临的复合干扰特别是主瓣干扰威胁问题,研究火控雷达认知抗干扰技术,智能化调整火控雷达工作参数,选择工作频率,优化发射波形,有效提升火控雷达抗干扰的能力。     

新一代雷达电磁空间深蓝博弈技术需求分析

随着干扰方技术与雷达抗干扰技术在对抗过程中的发展,其在电磁空间博弈将进入深蓝区域.雷达与电磁战系统的电磁空间的博弈技术与雷达抗干扰技术不同,其内涵更为宽广,所涉及的雷达技术需求也不尽相同.新一代雷达面临的干扰态势正在发生着重要变化,通过对干扰方新技术与雷达方新体制与新技术的发展状态分析,初步探讨了新一代雷达适应未来电磁空间深蓝博弈的紧迫性,同时分析了新一代雷达在电磁空间深蓝博弈中取得优势所需具备的新一代技术能力.     

基于专家系统的雷达识别方法

有别于传统的基于数据库的雷达识别方法,提出了一种基于专家系统的雷达识别方法,简要论述了其部件组成、工作过程及识别置信度融合算法。该方法对战争时期未知雷达信号属性识别具有特殊意义。     

时变环境下基于最大期望加权估计的干扰决策方法

认知雷达对抗技术可使干扰系统具有自主学习能力来实现智能干扰决策.现有基于强化学习理论的干扰决策方法难以在实时性要求高、对抗时间受限、雷达策略快变的雷达对抗环境中获得高期望收益.文中基于多臂匪徒决策理论提出了一种时变环境下基于最大期望加权估计的在线干扰决策方法,通过最大期望加权方法提高了对收益最大臂估计正确率,通过学习时...     

基于卷积神经网络的雷达干扰识别技术研究

现代电磁战环境充斥着大量的人为精心设计的有源干扰,使得依赖技术人员经验的干扰识别技术效果不佳。针对该问题,文中研究了一种基于联合特征平面的残差卷积神经网络(CNN-ResNet)的雷达干扰识别算法,实现雷达干扰类型自动识别分类。该算法通过对雷达回波信号的距离多普勒平面和角度多普勒平面进行预处理,构建联合特征平面,实现对噪声调频干扰、单频干扰、脉冲干扰、转发式干扰和切片干扰的识别和分类。通过仿真表明,该算法可有效提高雷达干扰识别的正确率。     

基于一维距离像稀疏表达的无源假目标识别

为了解决敌方释放箔条干扰我方防空反击任务或者敌方舰船设置角反射器阵列干扰我方对海目标打击任务中的雷达抗干扰问题,提出了一种基于雷达一维距离像的稀疏表达的无源假目标识别的方法。首先,分别利用大量关注目标和无源欺骗干扰的雷达一维距离像数据进行稀疏字典学习,分别得到目标和干扰的稀疏字典;然后利用两种稀疏字典分别对未知的雷达一维距离像信号进行稀疏表达;最后分别计算两种稀疏字典对未知信号稀疏表达的重构误差,利用重构误差比值识别目标和干扰类别。仿真结果表明,在目标与无源假目标干扰的回波不混叠、目标与干扰噪声比3 dB条件下,识别无源假目标欺骗干扰的准确率超过90%,证明了该方法抗无源假目标干扰的有效性。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

参数化稀疏表征在雷达探测中的应用

稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。      

基于深度CNN模型的SAR图像有源干扰类型识别方法

合成孔径雷达(SAR)能够全天时全天候获取感兴趣区域的高分辨率雷达图像,在诸多领域获得了成功应用。在电子对抗博弈环境下,SAR图像解译与情报生成也面临复杂电磁干扰的严重影响。当前,国内外学者提出了许多SAR抗干扰技术方法。然而,作为抗干扰的前提,SAR图像干扰类型识别这一关键技术却鲜有报道。该文针对SAR图像典型有源干扰类型识别开展研究。首先,选取5种典型有源干扰样式,并根据干扰参数,细分为9种干扰类型,作为干扰识别对象。其次,开展干扰信号回波仿真,通过与MiniSAR实测数据进行回波域叠加和成像处理,构建了典型有源干扰类型样本集。在此基础上,提出了一种结合注意力机制的深度卷积神经网络(CNN)模型,并开展了对比实验验证。实验表明,对不同场景和不同干扰参数情形,相比于传统深度CNN模型,该文方法取得了更高的识别精度和更稳健的性能。      

基于多无人机协同的组网雷达轨迹欺骗干扰

组网雷达系统是应用两部或两部以上空间位置互相分离而覆盖范围互相重叠的雷达来实施搜索、跟踪和目标识别的系统。为了对组网雷达系统实施有效干扰,可以利用多无人机协同生成欺骗干扰轨迹。无人机生成的欺骗干扰轨迹数目越多,对组网雷达产生的干扰越大。因此,应在保证轨迹合理有效的前提下,尽可能多地生成虚假目标轨迹。因此,运用无人机空间运动方程建立无人机空间运动模型,通过空间位置的平移变换,在原有轨迹的基础上生成新的合理的虚假轨迹。结合空间内各点的位置关系和限定条件,将对空间运动模型的求解转化为对空间立体几何的求解,简化了运算过程。通过计算可知,9架无人机除生成1条原有合理轨迹外,还可形成3条虚拟轨迹。     

一种新的雷达信号识别可信度确定方法

雷达信号的识别是电子对抗的一个重要方面，是保证雷达对抗侦察和干扰设备有效发挥其作战效能的重要前提。在现代雷达对抗中，雷达信号更为复杂多变，造成了信号识别可信度的极大差异。如何衡量信号识别可信度，为实施有效干扰提供更为可靠的保证?文中针对电子战系统侦收信号的不确定性，以及现有雷达信号识别中识别可信度不能准确反映侦收信号与数据库中相应信号匹配程度的问题，提出运用数据融合的方法对雷达信号识别中的识别可信度进行确定。计算机仿真和实验测试均表明上述方法的有效性，并且已经很好地应用于实践。     

基于栈式稀疏自编码器的新型干扰识别

为了有效应对频谱弥散干扰(SMSP)和切片组合干扰(C&I)两种新型干扰,提出了一种基于栈式稀疏自编码器的识别算法。该算法首先对干扰与否的雷达接收信号进行双谱分析;然后对双谱特征进行降维,得到高维样本。预训练阶段,构造稀疏自编码器神经网络模型进行无标签样本的预训练;然后根据有标签数据对该模型参数进行有监督微调;最后利用Softmax分类器完成新型干扰的识别。仿真实验证明该方法有较高的识别率,特别是相较于其他文献方法,该方法受信噪比影响最小且识别效果最佳。说明了深度学习方法应用于雷达新型干扰信号识别领域的可行性和优越性。     

基于流形学习的LFM信号模糊函数特征提取与识别研究

现代多功能雷达向多功能、多用途方向发展,具有多种工作体制与工作状态,同时,雷达采用复杂的波形设计。现代电磁环境复杂,杂波、噪声干扰严重。上述原因使得雷达信号的特征提取与识别变得越来越困难。传统雷达信号的特征提取与识别方法分别是针对雷达信号特征提取过程中存在的某一个或几个方面的问题提出的,各有优点和不足,并不适用于所有情况下的所有信号。提出用流行学习对线性调频(LFM)信号模糊函数进行特征提取,并对其进行了仿真与分析。     

BP神经网络在雷达干扰效果评估中的应用

雷达干扰效果是衡量雷达干扰措施是否有效和雷达干扰设备性能优劣的重要指标,如何准确、客观、快捷地评估雷达干扰效果,对雷达干扰双方均具有重大的现实意义。文中主要研究一种基于人工神经网络的雷达干扰效果评估方法,这种方法利用以往多次试验的结果,通过学习拟合出干扰效果与诸因素的映射关系,建立评估模型,用以对干扰效果作出评估。文章在最后进行了举例说明,实验证明了这种方法简便、易行和准确率高。     

极化自适应滤波算法的新实现

当目标信号与杂波干扰信号在时域、频域和空域的状态特征难以区分时,若两者在极化域可分,则可利用极化信息进行雷达目标检测。由于在强杂波的情况下信干比比较小,而且干扰的极化状态通常是未知的,或随时间或空间是不断变化的,传统的极化滤波算法并不能满足要求。文中针对强杂波环境下,提出了一种极化域新的自适应滤波算法,该方法基于线性约束最小方差(LCMV)准则,采用变极化接收技术,实现对信号的最佳接收,为实现实时处理和自适应快速变化的干扰,推导了一种递推极化滤波算法,为实现实时跟踪提供了一种可能,仿真结果也证明了该方法的有效性。