基于PACGAN与差分星座轨迹图的辐射源个体识别

深度学习解决个体识别的一个突出问题是难以获得足够样本对网络进行训练,针对该问题,提出了一种基于PACGAN(Pooling Auxiliary Classifier Generative Adversarial Network)的辐射源个体识别算法。该算法针对输入信号的差分星座轨迹图进行处理,并对辅助分类生成式对抗网(ACGAN)进行了适应性改进。在判别器网络中引入池化操作,增强其在多分类任务中的特征提取能力;针对样本图像特征大量边缘分布的情况,添加零填充层并以增强其边缘特征提取能力,增大卷积层感受野以提取全局性特征。通过对五种ZigBee设备的实验,结果表明本文提出算法在小样本条件下相较于其他方法具有更高的准确性。      

利用无线电极化特征的跳频网台分选方法

针对现有方法在跳频通信用户“空时频能”域特征相近、跳频参数捷变等条件下,跳频网台分类识别效果不佳的问题,该文提出一种基于无线电极化特征的跳频用户分选方法。该方法将无线电双极化特征引入到跳频侦察,充分利用各用户的交叉极化鉴别度差异,实现了跳频网台精准分选。针对同类用户交叉极化鉴别度参数易受噪声污染的问题,构建了双通道双极化接收系统,抑制了信号噪声,保证了极化特征提取的精度。在此基础上,基于谱聚类思想,完成了极化特征的分类软判决,进一步提升了跳频网台分选效果,实现了跳频信号的精准识别。仿真实验表明,在5 dB信噪比条件下,所提方法可对同步正交和非正交组网方式下的多跳频网台准确识别,识别分类成功率达99%以上,验证了新方法的有效性。     

一种通信对抗干扰资源分配智能决策算法

针对战场通信对抗智能决策问题,该文基于整体对抗思想提出一种基于自举专家轨迹分层强化学习的干扰资源分配决策算法(BHJM),算法针对跳频干扰决策难题,按照频点分布划分干扰频段,再基于分层强化学习模型分级决策干扰频段和干扰带宽,最后利用基于自举专家轨迹的经验回放机制采样并训练优化算法,使算法能够在现有干扰资源特别是干扰资源不足的条件下,优先干扰最具威胁目标,获得最优干扰效果同时减少总的干扰带宽。仿真结果表明,算法较现有资源分配决策算法节约25%干扰站资源,减少15%干扰带宽,具有较大实用价值。     

一种通信对抗干扰资源分配智能决策算法

针对战场通信对抗智能决策问题,该文基于整体对抗思想提出一种基于自举专家轨迹分层强化学习的干扰资源分配决策算法(BHJM),算法针对跳频干扰决策难题,按照频点分布划分干扰频段,再基于分层强化学习模型分级决策干扰频段和干扰带宽,最后利用基于自举专家轨迹的经验回放机制采样并训练优化算法,使算法能够在现有干扰资源特别是干扰资源不足的条件下,优先干扰最具威胁目标,获得最优干扰效果同时减少总的干扰带宽.仿真结果表明,算法较现有资源分配决策算法节约25％干扰站资源,减少15％干扰带宽,具有较大实用价值.     

多网络联合识别辐射源个体的优化方法

针对辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降的问题,提出了一种基于stacking方法集成多个异构网络识别结果的辐射源个体识别优化算法。利用不同网络结构在低信噪比条件下提取指纹特征的差异性,多个异构网络集成各自的预测结果能够提升对指纹特征的提取能力。同时为避免分类准确率提高造成模型规模过大,本文使用网络规模小且结构差异较大的EfficientNets系列异构网络作为基础网络。实验首先在高斯信道条件下验证了基础网络能够有效识别功率放大器杂散噪声,之后利用stacking等优化算法改进模型整体的性能。结果表明,本方法能够进一步利用信号指纹特征之间差异,与其他方法相比对辐射源个体有更高的识别率。      

基于自编码器的阵列时变幅相误差校正算法

随着阵列天线在各类移动平台上的广泛应用,时变幅相误差成为影响阵列信号处理技术工程化应用的重要因素。针对当前时变幅相误差无法有效校正的问题,结合自编码器思想,提出一种基于深度学习的阵列时变幅相误差校正算法。算法充分利用自编码器网络的数据特征提取与重构能力,设计了针对通道时变幅相误差校正的深度学习网络,给出了不含时变幅相误差数据(无扰数据)与含时变幅相误差数据(扰动数据)双驱动下的学习机制,基于期望输出与理想模型均方误差最小化原则,完成了对阵列流形隐匿特征提取,实现了阵列时变幅相误差的有效校正。仿真实验表明,所提算法可有效实现各通道时变幅相误差校正,在通道存在±80%随机时变幅度误差以及±5°随机时变相位误差时,幅度与相位误差校正后的均方差分别在0.5%和1.5%以内,当信噪比大于等于0 dB时,校正后数据的MUSIC算法测向精度与无误差数据基本一致,验证了所提算法的有效性。