基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。     

LFM脉冲压缩雷达的一种灵巧噪声干扰方法

为有效干扰线性调频脉冲压缩雷达,提出了一种基于卷积调制的灵巧噪声干扰实现方法.该方法是将干扰机接收并存储的雷达发射信号与噪声信号相卷积后转发出去.理论分析和仿真实验均证明了它能有效干扰LFM脉冲压缩雷达,且性能明显优于射频噪声干扰.     

一种基于微多普勒特征的海面角反射器干扰鉴别方法

角反射器是海面舰船对抗反舰导弹的一种重要的无源干扰。本文以漂浮式角反射器干扰和舰船为研究对象,根据耐波性理论,建立了海面目标的微动模型,并分析了它们的微动特征。采用散射中心模型,推导了海面目标横摇运动引入的雷达微多普勒信号模型,利用时频分析方法和一阶矩方法,提取了目标回波的瞬时多普勒和微多普勒。通过定义目标雷达回波的微多普勒主频率特征实现了角反射器干扰的有效鉴别。仿真计算表明,在信噪比大于0dB的条件下,角反射器干扰的正确鉴别率大于95%。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最...     

一种新的干扰样式在高空飞行器干扰机中的应用

对雷达的有源干扰技术进行了研究,针对高空飞行器干扰机功率小的特点提出了一种基于噪声卷积调制的间歇采样转发干扰技术。仿真分析结果表明:此干扰技术产生的干扰信号和雷达信号具有较强的相干性,干扰信号的能量可以进入雷达接收机,提高了干扰信号功率利用率;合理的噪声调制信号可以对脉冲压缩雷达进行欺骗干扰或压制干扰,有利于提高高空飞行器的突防概率。     

对雷达区域增强技术的干扰及其效能评估

首先介绍了基于旋转电扫天线的区域增强技术的工作原理,并研究了灵巧噪声干扰的基本原理;然后利用噪声和雷达信号卷积调制产生干扰波形,从理论和仿真两方面验证了干扰的有效性和可行性;最后分析了压制干扰条件下,干扰机对雷达区域增强技术的干扰效果.     

相参噪声干扰信号仿真研究

阐述了相参噪声干扰信号的特点,分析了信号产生方法,并针对几种干扰样式进行了计算机仿真。相参噪声干扰信号具备与雷达发射信号相同的信号结构,以及与噪声信号相同的连续密集覆盖能力。相参噪声干扰信号的产生方式实际上是对预想的干扰信号的卷积过程,而卷积过程实际上是FIR滤波的过程。可以通过改变FIR滤波器的参数的方法,实现多种干扰信号样式的产生。     

线性调频调制噪声干扰的实现方法研究

航空电子系统射频综合仿真系统（RFSS）主要用来产生被测雷达所需的表征空中运动的点目标、多目标等信号，并且建立各种电磁干扰环境，同时仿真被测雷达的航空电子系统综合环境。RFSS信号产生系统可以模拟目标回波，也可以模拟窄带噪声、宽带噪声以及杂波等干扰信号。本文主要是针对某型雷达在试飞过程中受到的某种形式的噪声干扰，利用线性调频调制噪声干扰实现方法和RFSS信号产生系统模拟产生所需要的噪声干扰模式，从而验证抗干扰算法的正确性和有效性，增强雷达在电子战中的生存能力和作战能力。     

一种利用沿航迹干涉合成孔径雷达复图像域数据的双边滤波算法

沿航迹干涉合成孔径雷达能够提供成像物体的雷达后向散射信息与运动信息,被应用于海面洋流流速测量与地海运动目标识别。在实际雷达系统中,由于系统误差、噪声以及回波信号的去相关导致干涉信息测量精度下降。针对上述问题,从信号处理角度提出一种利用沿航迹干涉合成孔径雷达复图像域数据的双边滤波处理算法。该方法利用像素点的干涉幅度、干涉相位以及空间物理分布信息的相似程度自适应地调整滤波器权系数,以平滑复图像域噪声和缓解传统多视滤波处理算法对图像分辨率的损失问题,从而提升干涉信息测量精度。根据沿航迹干涉合成孔径雷达海面舰船目标实测数据实验结果可得:相比于现有典型的滤波方法,所提算法能够提升干涉测量的精度,进而提升舰船目标与海杂波背景的干涉信息分布差异,为后续运动舰船目标的检测提供准确的干涉域特征。     

基于CNN-BiGRU的空间目标RCS异常检测方法

针对相控阵雷达获取单个空间目标RCS数据率低、传统姿态异常检测方法提取短RCS序列有效特征困难、检测准确率低的问题,提出了一种基于CNN-BiGRU网络的RCS异常检测方法。首先利用滑动窗口对一段时间空间目标RCS实时数据进行积累;之后采用一维CNN提取不同检测窗口RCS序列的多尺度高维特征向量,采用BiGRU提取特征向量的时序依赖特征。通过将两个网络级联,实现对RCS随目标姿态变化的多元特征信息的有效提取;最后基于全连接层实现对目标异常RCS序列的分类与识别。仿真实验结果表明：相较于传统方法,所提方法检测准确率更高,抗噪声干扰能力更强。实测实验结果表明：利用仿真数据训练的模型针对不同源的实测数据,在低数据率条件下能够保持较高的检测准确度,所提方法具有较好的泛化性,更适用于相控阵雷达体制下RCS的异常检测。     

对统计MIMO雷达的噪声调频干扰功率分配研究

简要介绍多输入多输出雷达的信号模型及其目标检测方式,并针对其信号的独特形式在传统噪声调频的基础上提出一种改良的噪声调频干扰方式,进而通过仿真证明此改良干扰方式的有效性.     

基于卷积神经网络技术的直升机旋翼谱识别方法

针对直升机雷达回波在时频二维分布图上的分布特性,提出一种基于卷积神经网络技术的直升机旋翼谱识别方法,实现了直升机旋翼谱与其他类型目标的区分,从而有效识别直升机。当雷达工作在低重复频率(LPRF)时,直升机旋翼回波在时频分布图上呈现明显的扩展特征。通过仿真与实测数据分析,表明该特征与其他目标回波在频率维分布特性存在较大差异。利用卷积神经网络中的卷积核技术,将实测数据与卷积核矩阵进行二维卷积运算,依据输出矩阵实现了直升机旋翼谱的识别。利用实际采集的直升机回波数据进行验证,证明该方法是有效的,可应用于各种采用脉冲多普勒工作体制的雷达系统。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

噪声加密集假目标复合干扰效果分析

根据密集假目标和噪声干扰信号的特点,建立了噪声加密集假目标复合干扰的数学模型,基于雷达信号检测的方法分析了复合干扰对雷达的干扰效果,并在实际装备试验中加以验证,最后提出了噪声加密集假目标复合干扰在作战中的使用策略。     

基于YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。     

压制干扰下组网雷达目标检测与跟踪技术

针对压制干扰下组网雷达目标检测与跟踪,提出了一种基于压制干扰下雷达量测模型的跟踪技术。该跟踪技术包括压制干扰下量测模型和组网雷达序贯滤波跟踪两部分。压制干扰下量测模型根据雷达采取抗干扰措施前后接收机输入端的信干比分别计算检测概率,进而模拟传感器在压制干扰下对目标的检测情况。组网雷达序贯滤波中,首先对压制干扰下各雷达的量测数据进行串行合并和点迹合成,而后采用基于交互多模型(IMM)的序贯滤波方法对压缩后的数据进行跟踪。该检测与跟踪技术可模拟出雷达在压制干扰下由于检测概率下降造成的目标暂消现象,提高组网雷达跟踪航迹的连续性和稳定性。仿真结果表明了该技术的可行性和有效性。