基于强化学习的雷达干扰决策技术综述

装备的认知能力集中体现了认知电子战的根本属性,也是能否对复杂、智能的电子装备实施有效干扰的关键.强化学习作为人工智能领域炙手可热的技术手段,具备不依赖先验数据的自学习能力,是解决多功能雷达干扰难题的一个重要途径.在回顾传统的雷达干扰决策算法的基础上,阐述了利用强化学习进行雷达干扰决策的原理,分析了基于强化学习的雷达干扰...     

利用生成对抗网络的时频图像去噪和增强处理

针对雷达信号时频图像的去噪和增强问题,提出了利用生成对抗网络二次生成时频图像的方法。首先利用时频分析产生雷达信号的时频图像作为原始数据集1;接着利用生成对抗网络对数据集1进行学习之后生成新的数据集2,数据集2相对于数据集1拥有着去噪和增强的效果;最后提取时频图像奇异值特征检验生成的数据集2的有效性。对6种常见的雷达信号的时频图像进行了仿真实验,结果证明了该方法在时频图像去噪和增加样本多样性方面是有效的。     

基于块稀疏贝叶斯学习的跳频通信梳状干扰抑制

梳状干扰是对跳频(FHSS)通信的一种有效干扰样式,抑制梳状干扰对于确保FHSS通信的有效性至关重要。现有基于奈奎斯特采样定理的梳状干扰抑制方法存在应用中受限于采样率较高的问题。将压缩感知(CS)应用于FHSS通信梳状干扰的抑制,利用FHSS信号与梳状干扰的不同压缩域特性以及梳状干扰在频域表现出的块稀疏特性,建立了基于块稀疏贝叶斯学习(BSBL）框架的FHSS通信梳状干扰抑制模型。利用期望最大化(EM)算法,设计了基于BSBL_EM的FHSS通信梳状干扰抑制算法。该算法利用BSBL_EM算法从压缩采样数据中重构出梳状干扰,进而在时域对消干扰。仿真结果表明：所提方法能够有效地抑制FHSS通信中的梳状干扰,与传统方法相比具有显著优势,干扰抑制效果受干扰强度、干扰梳齿带宽和压缩率变化的影响;相同干扰强度条件下,梳齿带宽越窄,压缩率越大,干扰抑制效果越好。     

一种认知跟踪雷达LFM波形库建立方法

认知雷达是下一代雷达发展的方向之一。在对认知跟踪反馈环进行分析的基础上,提出了一种线性调频( LFM)信号波形库的建立方法。在应用交互多模型跟踪机动目标的背景下,通过所建的波形库对发射波形进行实时调用,达到减小跟踪误差的目的。研究了具有不同调频率参数与Fr-FT旋转角度组合的不同数量LFM信号波形库的建立,以最小化模型选择不确定性为目的推导波形选择准则,得到了不同的波形选择策略。仿真验证分析其跟踪精度可以看出,构建具有一定数量LFM波形的波形库可以提高认知跟踪雷达的性能。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

通信信号调制方式识别方法综述

对通信信号调制方式的识别进行了深入研究,对通信信号常用的数字调制技术和调制识别预处理技术、理想高斯白噪声条件下基于决策论和基于统计模式的识别法、非理想信道条件下的调制识别法以及对共信道多信号调制方式的识别等进行了总结。在简要介绍各种方法的来源、理论基础和发展基础上讨论了各自的优缺点,并提出了调制识别研究领域的进一步发展方向。