基于改进YOLOv5的SAR图像飞机目标检测

针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题,提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框,在主干网络融合Swin Transformer模块,同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM),使网络跨越空间通道维度放大全局维度交互,提高模型捕获不同维度信息的能力;并且增加一个小目标检测层,提高网络对SAR图像飞机小目标检测能力。实验结果表明,相较于原YOLOv5方法,改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。

基于迁移学习的有限SAR样本目标识别研究综述

近年来,深度学习虽然在合成孔径雷达(SAR)目标识别领域已得到广泛应用,但目前带有标注的SAR数据样本量的不足严重制约了深度学习在SAR目标识别中的发展。而迁移学习可以攻破深度学习数据驱动的限制,利用有限SAR样本进行迁移学习。对基于迁移学习的有限SAR样本目标识别算法进行了分析,首先,介绍了迁移学习的基本概念、类型、常用策略并分析了其在小样本SAR目标识别领域应用的可行性;然后,根据迁移数据与目标域数据是否同源,分别对两类基于迁移学习的方法在SAR图像识别领域具有代表性的算法进行了梳理归纳;最后,从样本量的不足与网络的普适性两个方向出发,讨论了迁移学习在SAR图像识别任务中存在的不足与下一步的研究方向。

基于先验知识的多功能雷达智能干扰决策方法

针对基于强化学习的多功能雷达干扰决策方法训练周期长、收敛慢的问题,本文提出了基于先验知识的多功能雷达智能干扰决策算法。所提算法使用了基于势能函数的收益塑造理论,利用先验知识设置收益函数,相比于传统算法,具有更快的收敛速率。利用先验知识加速算法收敛速率的方法对强化学习在多功能雷达干扰决策中的实际应用具有重要的意义,对于强化学习在其他领域的应用也具有很好的参考价值。

基于强化学习的雷达干扰决策技术综述

装备的认知能力集中体现了认知电子战的根本属性,也是能否对复杂、智能的电子装备实施有效干扰的关键。强化学习作为人工智能领域炙手可热的技术手段,具备不依赖先验数据的自学习能力,是解决多功能雷达干扰难题的一个重要途径。在回顾传统的雷达干扰决策算法的基础上,阐述了利用强化学习进行雷达干扰决策的原理,分析了基于强化学习的雷达干扰决策技术的发展现状,并通过仿真分析了基于强化学习的干扰决策方法的性能,最后进行了总结与展望。

基于马尔可夫的多功能雷达认知干扰决策建模研究

多功能雷达是现代电磁战场上不可或缺的重要装备,针对多功能雷达的干扰一直是一个难题。本文在研究多功能雷达信号特点和雷达对抗过程的基础上,提出了雷达状态联合表征的方法,将多功能雷达的干扰决策问题建模为一个带收益的马尔可夫决策过程,设计了认知干扰决策系统,并通过基于Q-Learning的认知干扰决策算法求解该模型下的最佳干扰策略。通过仿真实验,证明了基于Q-Learning的认知干扰决策算法能够在缺乏先验经验的情况下学习到最佳干扰策略,具备“认知”的特性,并且在不稳定的环境中也具有较强的适应性,有效支撑了本文所提的干扰决策模型。

基于规划步数自适应Dyna-Q的多功能雷达干扰决策方法

针对基于强化学习的干扰决策方法存在着收敛速度过慢的问题,在Dyna-Q算法的基础上提出一种规划步数自适应的Dyna-Q干扰决策算法。在保证干扰策略有效性的前提下,提升强化学习算法的收敛速度,使算法能以更快的速度学习到最优干扰策略。实验与仿真结果表明:该算法能实现多功能雷达干扰的实时有效,也可扩展到其他强化学习应用领域,具有一定借鉴价值。

针对非均衡样本的雷达字提取算法

雷达字作为构成雷达短语的基元,其提取效果的好坏将直接影响后续雷达行为辨识的可信度。针对侦收数据不均衡情况下的雷达字提取问题,提出一种基于K-means算法改进的K-OPTICS雷达字提取算法。通过构建虚拟聚类中心和簇合并的方法,使其在各种样本不均衡的仿真场景下仍能取得91.22%以上的提取准确率,较传统算法具有更好的参数不敏感性。

基于脉冲神经网络的雷达辐射源调制类型识别

面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求。为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型识别的算法。首先利用时频分析的方法,将5种常见雷达时域信号转换为二维灰度图,使用高斯调谐曲线编码器将输入数据转化为脉冲发放时刻,然后传入由Tempotron组成的脉冲神经网络进行识别。仿真实验结果表明脉冲神经网络具有优良的检测精度,功耗较低,验证了该方法的有效性。

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的方法。将仿真产生的雷达信号转换为2维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化为脉冲神经网络(spiking neuron network, SNN),使用SNN进行雷达辐射源识别。仿真实验结果表明:该方法具有优良的检测精度,当信噪比高于-9 dB时,识别概率可达96%以上。