一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息，会导致电磁信息泄漏，从而威胁设备的信息安全。现有的电磁信息泄漏检测方法，在复杂现场环境下，难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题，开展了电磁信息泄漏检测研究，提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络，并结合改进的梯度加权类激活映射方法，在未知电磁信息泄漏特征的前提下，通过深度学习实现电磁信息泄漏特征的智能标定和自动提取，从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验，验证了所提方法的有效性。      

脉冲重复间隔测量误差对SAR欺骗干扰成像的影响

脉冲重复间隔测量误差将导致干扰机发射与SAR接收之间无法保持同步,这将对干扰效果产生不利影响,研究这些影响对于SAR干扰机的研制与应用来说具有重要的参考价值。在此背景下,建立了脉冲重复间隔测量误差和干扰信号模型,推导了测量误差与假目标图像成像形状、位置和分辨率关系的解析表达式,分析了有可能出现的干扰结果。仿真实验验证了理论分析的正确性。     

基于逆ω-κ算法的SAR欺骗干扰方法

提出一种新的SAR欺骗干扰方法,其基本原理是干扰机在SAR副瓣区域快速生成覆盖保护区域的干扰信号,然后按照SAR发射信号的重复频率逐条发射干扰信号,最终使得干扰图像融合到真实场景之中,破坏和掩盖真实图像中的一些重要特征。为了实现快速的场景目标干扰,文中结合逆ω-κ算法,将一幅雷达灰度图转化为干扰信号。仿真试验表明,该方法可以有效实现对SAR的欺骗式干扰。