基于相对拟牛顿法的自卫式欺骗干扰抑制算法

自卫式欺骗干扰与目标信号高度相似,且二者的到达角完全相同,传统的主瓣干扰抑制算法难以对其进行抑制。针对该问题,文中在极化单输入多输出(PSIMO)雷达系统下,提出一种基于相对拟牛顿法的盲源分离算法。该算法利用干扰和目标的极化特性差异,通过构建重叠子阵结构计算出联合自相关矩阵,并采用相对拟牛顿法估计出分离矩阵,从而将目标和干扰信号分离在不同的通道上,实现干扰抑制作用。仿真实验结果表明,该算法能够有效抑制自卫式欺骗干扰,且在低信噪比(SNR)和密集干扰场景下依然具有良好的干扰抑制性能,当输入SNR为-10 dB时,输出的目标检测概率仍可以达到51.6%,拥有较强的鲁棒性。

基于深度复数神经网络的雷达目标DOA估计算法

传统模型驱动的波达方向(direction of arrival, DOA)估计算法性能受限于有限的信号特征、快拍数、信噪比、信杂比等因素,在低信噪比、快拍数少的极端情况下,性能较差。为克服上述问题,提高在极端条件下的估计精度,文章提出基于深度复数神经网络(complex-valued neural networks, CVNN)的单快拍DOA估计算法,构建深度复数神经网络模型,学习原始带噪信号与理想无噪复信号之间的映射关系,进而实现噪声抑制和期望信号特征增强的目的,提高DOA估计精度。仿真实验结果表明,经CVNN增强后,数据的等效信噪比约提高了1 dB,等效快拍数提高了3,该文所提算法相较于已有的多种物理驱动算法而言,具有更高的估计精度和泛化性。

基于多帧相位增强的米波雷达低仰角目标DOA估计方法

针对米波雷达低仰角目标的DOA估计问题,该文提出一种新的基于多帧相位特征增强方法,所提方法可以有效解决低仰角条件下阵列接收信号中直达信号相位特征模糊问题,进而提高DOA估计精度。通过学习多帧原始数据的相位分布特征与理想环境下直达波信号的相位分布特征之间的复杂映射关系,有效削弱多径信号引起的相位误差,将增强后的相位信息与原始的幅度信息进行数据重组,并利用已有的超分辨算法进行DOA估计。通过计算机仿真实验和实测数据验证,该文所提方法在DOA估计性能以及泛化能力上优于基于物理驱动的MUSIC算法以及数据驱动的基于特征反演和基于支持向量回归的两种估计方法。

基于密集连接卷积网络的雷达辐射源信号分选

针对现代战场电磁环境下复杂调制雷达信号分选准确率低的问题,本文提出一种基于密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的雷达辐射源信号分选算法。该算法采用脉冲描述字(Pulse Description Word,PDW)参数与脉内参数相结合作为分选特征,并对特征参数进行差值预处理生成训练数据,使用一维DenseNet网络进行分选。采用本文预处理方法可以有效提取特征间的相关性差异,同时弥补脉间参数PDW对脉内调制信息的缺失。实验结果表明,该方法能有效实现复杂雷达辐射源信号的分选,在0 dB的信噪比下可以达到98%以上的分选准确率。

基于自注意力机制的雷达弱目标检测

对于低信噪比下的弱小目标检测,传统的检测算法采用恒虚警(CFAR)的方式定位目标的位置,但其难以设置合适的阈值,无法很好地应对该类目标的检测。针对上述问题,本文提出VU⁃Net检测方法。该方法首先对雷达回波数据进行处理,得到目标回波的距离⁃多普勒(RD)矩阵。然后将RD矩阵输入到所提出的网络框架,通过U⁃Net实现雷达信号的编码与解码,获取RD矩阵中具有辨别性的深度语义特征,实现逐单元的目标位置预测。同时,该网络中引入自注意力模块实现对雷达信号的关系建模,从而提取更加丰富的目标回波特征,提升网络的抗噪性能。实验结果表明,所提方法的检测性能在低信噪比场景下具有较强的鲁棒性,能够实现对弱目标的有效检测。