基于机器学习的雷达辐射源识别研究综述

回顾和介绍了复杂雷达信号环境下辐射源智能化识别的相关机器学习理论的发展历程;对近年来基于机器学习理论的雷达辐射源识别技术研究状况进行了综述;在已有研究的基础上,着眼于提高小样本学习能力和新型雷达识别能力的发展需要,提出了基于机器学习理论的雷达辐射源识别技术的主要研究方向和难点问题,并对相应的解决方法进行了讨论。     

宽带跳频信号的压缩采样与重构

传统的宽带跳频信号受Nyquist采样定理的限制,所需的采样率高,数据量大,对硬件的要求高。为了突破Nyquist采样定理的限制、降低采样率,研究了2种基于压缩采样原理的模拟到信息转换方法———随机解调系统与宽带调制转换器,并应用2种方法把压缩感知理论应用到宽带跳频信号采集中去,对宽带跳频信号进行压缩采样与重构。仿真结果验证了2种方法的正确性和利用压缩感知理论对模拟宽带跳频信号采集的可行性。     

基于脉冲神经网络的雷达辐射源调制类型识别

面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求.为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型识别的算法.首先利用时频分析的方法,将5种常见雷达时域信号转换为二维灰度图...     

基于压缩感知的跳频信号参数估计

为解决跳频信号侦察中高带宽带来的高采样率和海量数据处理问题,将压缩感知理论应用于跳频信号参数估计。根据跳频信号的时频特征,构建以加窗正弦函数为基函数的3-参数稀疏字典;在此基础上,提出一种带预处理过程的正交匹配追踪算法,从压缩测量值中获取跳频信号跳周期、跳变时刻以及跳频频率的估计值。仿真结果表明,该方法能够显著减少信号采样数据量和算法计算量,保持较高参数估计精度。     

基于机动特征辅助的MFR状态预测方法

针对多功能雷达（Multi-Function Radar,MFR）状态预测方法存在的鲁棒性、预测正确率不佳的问题,提出一种基于机动特征辅助的MFR状态预测方法.该方法将载机机动信息与常规侦收参数共同作为预测特征集,一方面利用支持向量回归（Support Vector Regression,SVR）和侦收信号特征集,得到常规预测模型,另一方面通过SVR和机动特征集,得到MFR各个状态间的转变概率模型;然后利用D-S证据理论得到最终预测状态.实验结果表明,与SVR和LSR方法相比,平均预测精度分别提高了6.97%和7.2%,同时具备更优异的鲁棒性.此外,提出的预测方法通过进一步的拓展,可应用于机械设备、道路交通等领域.     

SAR图像相干斑抑制方法综述

由于SAR是相干成像系统,在获取SAR图像时会含有相干斑噪声,使得SAR图像的解译,理解变得困难,因此有必要对SAR图像的相干斑进行抑制;首先介绍了相干斑的形成机理,之后对多视处理技术、空域滤波技术、变换域滤波技术和非局部均值滤波技术进行总结,在简要介绍各种方法的来源、理论基础和发展的基础上对比了各自的优缺点,最后展望了SAR图像相干斑抑制研究领域的进一步发展方向.     

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向.近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素.对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度...     

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。     

空间激光武器网在弹道导弹防御中的应用

随着空间技术的发展,空间武器系统的战术地位越来越重要。通过介绍空间激光武器的组成原理、特性、技术参数等,提出了用于弹道导弹防御的空间激光武器组网模型,对不同组网方式在弹道导弹防御过程中的作战性能进行了分析,并提出了我国发展空间武器需要解决的关键问题。