基于遗传算法优化BP神经网络的GNSS干扰源定位技术

全球导航卫星系统(GNSS)应用已全面深入到国家安全和国民经济当中,但由于GNSS信号到达地面后信号强度很弱,极易受到无意或有意的人为干扰。当出现压制干扰时会影响接收机正常工作,从而导致某一区域导航定位效果受到影响,因此对干扰源的排查和消除十分重要。针对上述压制干扰,通过在监测区域分布一定数量低成本接收机,利用其接收的载噪比数据特征实现干扰源的位置估计。考虑到信号传播过程中的衰减模型是非线性的,提出了基于遗传算法(Genetic Algorithm,GA)优化反向传播(Back Propagation,BP)神经网络的干扰源定位方法,通过神经网络学习得到监测区域载噪比特征的复杂非线性关系,GA对神经网络的初始权值和阈值进行优化,最终在监测区域通过梯度下降法搜索出干扰源位置。结果表明,GA优化后的网络预测误差更小,能够初步定位干扰源位置且平均定位误差率(Average Localization Error Rate,ALER)约为0.23%,验证了模型的合理性和有效性。

基于数据流架构的雷达信号调制方式识别加速

在雷达电子战中,快速并准确地识别敌方雷达信号调制技术对于获得战术优势至关重要,而传统依赖于图形处理单元(graphics processing unit,GPU)的识别方法难以满足此应用场景的低延迟要求。为此,该文设计了一种基于数据流架构(dataflow architecture,DF)的雷达信号调制方式识别加速系统。该系统通过对卷积神经网络权值进行二值化来减少模型参数,便于将算法部署到现场可编程门阵列(field-programmablegatearray,FPGA),同时采用数据流架构加快雷达信号调制方式的识别过程。实验结果表明,在确保整体识别准确率的前提下,该加速系统的推理速度相比i7-11800H CPU提升44.43倍,相比RTX 3050Ti GPU提升2.59倍,系统功耗仅为1.724 W。

美军可重构电子战系统发展现状分析

由于电磁环境日益复杂,以及新目标不断涌现,为了快速有效应对新威胁,美军提出了电子战可重构相关的系列新思路、新技术,并加速推动其验证与应用,特别是提出了结合人工智能新技术围绕新目标对象进行电子战能力快速生成,实现任务、软件、硬件的快速更新。通过从美军条令论证、技术验证、装备应用等角度进行分析,得出了结合平台化、无人化、智能化、网络化的电子战系统可重构发展路线启示。

一种融合时差频差和测向的运动目标跟踪方法

传统的星载无源定位系统对空中辐射源定位求解通常采用假设高程的方法,高程假设误差将对定位跟踪精度造成较大影响。为实现未知高程运动辐射源的高精度定位跟踪,针对异轨三星构型的无源定位系统,提出了一种基于时差、频差和二维测向融合的迭代扩展卡尔曼滤波(Iterative Extended Kalman Filter,IEKF)跟踪方法。在WGS-84坐标系下建立了状态方程和观测方程,并采用IEKF方法对目标状态进行估计。仿真结果表明,该方法可对未知高程的运动目标进行高精度状态估计,典型仿真场景下的目标高程估计精度达到百米量级,相对于已有方法收敛时间更短,并且在卫星覆盖范围内具有更大的高精度定位跟踪区域。

无源雷达高速目标回波相参积累和参数估计算法

针对无源雷达高机动匀速目标参数估计中长时间积累引起的距离徙动效应问题,提出了一种基于Keystone变换和圆阵干涉仪测向的高效相参积累和参数估计算法。首先,根据目标运动和外辐射源信号参数,对参考信号和监视信号进行分段处理,段内为快时间,段间为慢时间;然后,利用Keystone变换对各频率的时间轴进行尺度变换,校正高速目标的距离徙动,继而将目标回波信号能量积累至同一时延-多普勒单元;最后,对目标回波所在的时延-多普勒单元进行圆阵干涉仪二维测向,得到目标方位角和俯仰角估计。仿真结果表明,算法可有效实现高机动匀速目标微弱回波信号的相参积累和参数估计,计算复杂度更低,对目标时延、多普勒、方位角和俯仰角参数估计的稳健性和精度更高。

电磁点源辐射线法用于复杂二维干涉仪测向研究

战斗机综合电子战系统采用二维干涉仪实现方位和俯仰同时测向,用于实现高精度无源定位或引导火控雷达等快速截获目标等。方位干涉仪天线通常安装在机翼前缘等位置,由于受重力或在飞行中颤动等影响,天线出现下倾而不在飞机机体水平面内,现有基于电磁辐射源远场近似平行投射原理进行测向建模过程方法非常复杂且困难。针对非正交二维干涉仪测向难题,提出了一种简洁高效的测向模型,将投射电磁波假设为空间中的辐射点源,由辐射点源到二维干涉仪天线距离差与相位差的关系,再利用辐射点源对应的空间方向线上超过一定距离时的任意点到干涉仪天线相位差近似相等的前提,得到辐射点源空间三维位置的三个方程,求解得到空间三维位置进一步得到电磁波方位俯仰的二维测向公式。对算法模型及其误差进行理论、仿真分析和实际工程验证,结果证明了该方法的有效性。

基于点云分割网络的雷达信号分选方法

针对现有基于图像分割的端到端雷达信号分选方法存在的像素点重叠与处理效率不高的问题,该文提出一种基于点云分割网络的端到端分选方法。首先将雷达脉冲流的脉冲描述字(PDW)映射为点云;之后利用点云分割网络(PointNet++)对该点云中各点依据其所属辐射源进行分割;最后将具有相同标签的点聚类形成脉冲集合,分别提取各脉冲集合所包含的辐射源并形成相应的辐射源描述字。仿真结果表明:所提方法能够有效对未知雷达信号进行分选,在脉冲丢失和虚假脉冲干扰的分选环境下也表现出较强的可靠性与稳定性,并且由于采用具有轻量化特点的模型使得该方法的执行效率更高。

多功能相控阵雷达行为辨识综述

多功能相控阵雷达是指具备相位控制阵列,能同时实现搜索、跟踪、制导等多种功能的雷达。随着雷达对抗的不断升级以及各国对于电子战的日益重视,作为获取多功能相控阵雷达信息的重要手段,其行为辨识技术的研究得到了进一步发展。结合目前多功能相控阵雷达行为辨识的背景与意义,对已有的不同多功能相控阵雷达信号模型进行梳理,对高密度、大噪声信号环境下的波形单元提取算法和基于深度学习的工作模式识别算法进行识别性能、适用场景等方面的系统性对比,并归纳了不同仿真数据集的实际应用情况,最后总结了该技术存在的问题并提出了未来展望。

一种FPGA集群轻量级深度学习计算架构设计及实现

传感器技术的发展带来了边缘、端设备功能的迅速迭代升级,也带来了战场前端的数据量成倍增长。针对边缘、端设备数据量的急剧增长和芯片计算处理能力的矛盾,结合Map/Reduce框架,提出了一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)计算集群资源的深度学习架构,能够实现多个深度学习算法的并行快捷部署和应用。该轻量级深度学习计算架构同时满足军事应用对“端”的智能处理能力提出的新要求,即不仅局限于数据采集和智能的应用,还必须具备分布式并行智能实时计算的能力。该FPGA集群轻量级深度学习计算框架部署不同类型算法容易,实时性高(ms级任务响应),可扩展性好,在多种类异构传感器、大场景大数据吞吐量的军事场景及森林防火等民用场景有广泛的应用前景。

宽带跳频TDMA辐射源网群的定位及网群划分方法

为了解决现有方法难以对宽带跳频时分多址(frequency hopping-time division multiple access,FH-TDMA)辐射源网群定位的问题,提出一种仅利用波达方向(direction of arrival,DOA)信息的多站定位及网群划分方法。首先通过模拟滤波对各站接收到的信号进行频段划分,通过基于多相滤波的数字信道化方法把信号输出到多个信道中;然后通过直接定位(direct position determination,DPD)算法计算得出各时隙辐射源的位置;最后先通过不同参数的基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法选择出最佳的辐射源定位结果,再根据提出的基于先验信息的改进K-means聚类算法进行网群划分。所提方法实现了采样率和信号处理速率的降低,且无需站间严格的时间同步。结果表明,所提方法有效估计出了辐射源的数量、位置,以及网群划分情况。

基于深度学习的超视距雷达直升机目标检测方法

针对超视距雷达低速目标检测与识别难的问题,提出一种基于深度学习的超视距雷达直升机目标检测方法。根据超视距雷达直升机目标频谱特点,设计一种专用的超视距雷达直升机目标检测神经网络HDNet,仿真直升机目标距离多普勒谱图并构建数据集,以该数据集为源域向实测数据迁移,对网络模型进行训练并测试。经试验验证,HDNet网络对仿真直升机目标检测的AP@0.5可达92.1%,采用深度迁移学习的方法对模型微调后,网络模型对实测数据的检测效果也有了明显提升。

基于JDA-BP网络的MQAM信号调制识别

针对小样本条件下由信号调制识别准确率低和信道环境变化导致调制识别网络性能下降的问题,提出了一种基于联合分布适配-反向传播神经网络(JDA-BP)调制识别方法。通过改变信道环境生成概率分布不同的多进制正交振幅调制(MQAM)信号,提取MQAM信号的瞬时统计特征和高阶累积量组成样本,构建3个概率分布不同的数据集,使用联合分布适配(JDA)算法缩小数据集间的特征差异,并将适配后的数据集送入BP神经网络进行训练和测试。对比实验表明,在目标域为小样本的条件下,该文方法针对源域和目标域概率分布不同的情况,能有效地减小概率分布距离,信号调制识别平均准确率可达73.25%;相比于比未使用JDA-BP方法,调制识别准确率平均提高了6.80%。

一种共址平台装备的射频干扰抑制系统设计方法

在共址平台场景下,大功率发射装备工作时辐射的信号会对其附近的高灵敏度接收机造成严重干扰。针对这一问题,采用一种多抽头射频干扰对消系统,通过控制系统中的时延、幅度和衰减的权值,使得产生的参考信号与干扰信号等幅反向,从而实现干扰信号的对消。为了获得最优的干扰对消性能,提出了一种基于优化算法获取多抽头最优控制权值的方法。与传统获取控制权值的方法相比,所提方法具有抽头支路少、干扰抑制性能高和对数字控制电路要求低等优点。

基于参数特征映射的多站时差测量实现

在现代定位系统中,传统的时差测量方法往往受限于信号调制方式、噪声干扰以及硬件实现复杂度等因素,难以保持高精度和实时性。针对上述问题,本文设计一种基于参数特征映射的多站时差定位系统中时差测量方法,由主站检测并产生参考信号,广播至各从站;各站根据此参考信号基于频域互相关算法完成时差测量。该方法有效提高二进制相移键控(binary phase shift keying,BPSK)信号、四相相移键控(quadrature phase shift keying,QPSK)信号、频移-相移复合调制(frequency shift keying-phase shift keying,FSK-PSK)信号等时差测量精度。本文给出了基于现场可编程逻辑门阵列(field programmable gate array,FPGA)时差测量方法的硬件实现,采用实时动态压缩方法,FPGA算法实现资源减少50%;采用抛物线拟合方法,提高时差估计精度;采用基于参数特征映射的数据传输方法,保障多站数据的完备、避免数据缺失和冗余的同时,数据传输量降低95%。仿真与试验测试结果表明,信噪比(signal-to-noise ratio,SNR)大于等于5 dB时,PSK调制信号时差测量精度优于5 ns;对于前沿缓变调制信号,随着脉冲上升沿宽度增大,时差测量精度无明显变化;最后,在外场试验与飞行试验结果中验证方法的有效性与可行性,为高精度多站时差定位系统的实际应用提供了有力支持。

基于CNN-Swin Transformer Network的LPI雷达信号识别

针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transformer网络(CSTN),然后利用时频分析获取雷达信号的时频特征,对图像进行预处理后输入CSTN模型进行训练,由网络的底部到顶部不断提取图像更丰富的语义信息,最后通过Softmax分类器对六类不同调制方式信号进行分类识别。仿真实验表明:在SNR为-18 dB时,该方法对六类典型雷达信号的平均识别率达到了94.26%,证明了所提方法的可行性。

基于自适应滑动窗均值偏移算法的雷达信号分选

为了应对复杂体制雷达信号分选的要求,提升信号分选的速度和准确性,解决传统信号分选方法的弊端,本文将均值偏移聚类算法引入雷达信号分选,通过改进算法引入滑动窗的自适应更新摆脱了传统分选方法对预设参数的依赖。实验结果表明:自适应滑动窗均值偏移算法在分选准确性和速度上综合表现优于用于对比的传统分选方法,对不同密度的雷达数据集和在脉冲丢失的情况下都可实现较好的分选效果,对捷变频雷达的分选效果良好,并可推知对其他类似体制的雷达均有良好分选效果。本文研究成果可应用于大量数据的多体制雷达的分选优化。

一种针对驻留转换雷达的信号分选算法

复杂电磁环境下驻留转换雷达的信号分选是制约电子侦察技术发展的瓶颈,由于其复杂多变的成形规律,信号子周期难以被检测;脉冲重复周期调制类型不明,脉冲序列无法成功提取;提取的多个子周期脉冲序列无法合并为一部雷达信号,造成虚警。针对以上问题,提出一种针对驻留转换雷达的信号分选算法,利用双门限提高子周期检测概率,通过霍夫变换结合迭代自组织聚类判断信号是否属于驻留转换雷达,改进搜索算法以提取脉冲序列,依据排列熵指标将多脉冲序列合并为一部驻留转换雷达信号。仿真实验结果表明,所提算法在25%脉冲丢失率的复杂电磁环境下,可以将三部驻留转换雷达信号成功分选。

已知波形信号的时差频差估计方法研究与性能分析

借助深入分析和长期积累,非合作定位系统可以获得关于电视、广播、导航等电磁信号波形的丰富先验信息,对这些信息加以利用有望大幅提高对信号参数的估计精度。该文针对导航、通信等欺骗干扰源及非法用户的无源定位需求,在观测站与辐射源之间存在相对运动的场景下,围绕已知波形信号开展时差频差估计问题研究。首先,通过引入已知的信号波形信息对观测站接收数据进行建模,直观呈现了观测数据与不同观测站信号相对于原始信号时延、频移的关系。随后,充分利用入射信号波形已知这一有利条件,通过估计两个观测站各自的时延和频移,并对不同观测站上的估计结果进行差分,提出了一种针对已知波形信号的双站时差、频差估计方法。在此基础上,该文分析了已知波形信号时频差估计精度的理论下界,揭示了时频差估计精度受观测站接收信号幅度等因素的影响情况,并进一步分析了双站时频差估计精度与单通道时延、频移估计精度之间的关系。最后,借助仿真实验验证了论文所提出的时频差估计方法在不同环境中的参数估计性能,以及信号波形先验信息的利用给时频差参数估计精度带来的提升情况。仿真结果表明,在所设定的信号环境中,该文所提出的方法对低信噪比的适应能力比基于互模糊函数的传统方法增强了15 dB左右;当该方法的参数估计性能达到收敛之后,其时差频差估计精度与CRLB非常吻合。

基于数字频谱余晖图的特定辐射源识别

在电子战、无线网络安全等军事和民用领域中,特定辐射源识别(SEI)具有极高的应用价值。传统方法以人工提取特征为主,依赖先验知识泛化性差;深度学习方法多以含有二维信息的图像为输入,易遗漏关键信息。针对以上问题,提出了以数字频谱余晖图作为深度学习模型输入的解决手段,从而实现了SEI任务。首先,搭建辐射源信号探测及数据采集系统,获取Wi-Fi辐射源信号的数字频谱余晖图,建立首个基于数字频谱余晖图的SEI数据集;其次,利用该图包含信息更丰富的特点,将信号识别问题转化为目标检测问题;最后,在Wi-Fi辐射源识别数据集(WFEID)上进行了实验验证。实验结果表明,YOLOv5s在WFEID上P、R、F1和mAP等指标均能达到87.5%以上,从而证明了以数字频谱余晖图作为深度学习模型的输入在SEI任务中是有效的。

用于雷达信号分选的K中位最近邻聚类算法

在处理雷达信号时,基于密度的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)分选算法依赖于参数或阈值的选取,影响分选的准确率。为此提出了一种改进的雷达信号脉冲分选算法,在DBSCAN聚类基础上结合了K中位最近邻(K-median nearest neighbor,KMNN)算法,通过引入自衰减系数并设置阈值上限对参数值列表进行二次处理,可以自适应根据聚类结果与不同参数时的K值之间的关系确定最优的邻域半径和最少点个数,提高了分选的正确率。通过仿真实验验证了算法利用雷达脉冲描述字特征进行自适应分选的有效性。