基于线阵的MIMO-ISAR二维成像方法

针对多输入多输出逆合成孔径雷达(MIMO-ISAR)成像中空-时阵列非均匀造成的成像数据不均匀,该文基于线阵建立了目标空-时回波信号模型,经过推导,提出一种相同距离单元横向聚焦的成像方法。该方法首先进行距离补偿,将空时分布的距离像对齐至目标初始位置;然后构建相位因子,补偿非关心方向运动引起的相位变化;最后对相同距离单元数据沿横向相干叠加,实现横向聚焦。该算法不受阵列形式的限制,无需数据均匀化处理,而且能够横向定标,仿真验证了该方法的有效性。

一种基于T型缺陷微带结构低通滤波器

提出了一种T型微带缺陷结构(DMS),并分析了其传输特性,设计并制作了一款基于T型DMS低通滤波器,仿真和实测结果表明,所设计的新型低通滤波器3 dB截止频率为2.9 GHz,通带插入损耗小于0.15 dB,回波损耗最大旁瓣优于15 dB。该滤波器设计方法简单,电磁泄漏小,体积小,并且易于与其他电路集成。

MIMO-ISAR成像空时等效误差校正方法

针对多输入多输出逆合成孔径雷达(multiple-input multiple-output inverse synthetic aperture radar,MIMO-ISAR)成像中的空时不等效问题,首先建立了空时等效误差模型,并对模型进行了分析,然后推导出空时等效误差的校正模型,得出了空时等效误差的校正矩阵,且该误差校正矩阵只与空时等效失配率有关。采用特显点方位像熵最小对空时等效失配率进行了估计,并利用它构建出空时等效误差的校正矩阵,实现了MIMO-ISAR空时等效误差的校正。仿真验证了这一方法的有效性。

弹道中段群目标平动补偿与分离方法

弹道微动群目标时频图是多目标多散射点微多普勒的叠加,以往针对单目标的补偿与分离方法不再适用。针对这一问题,该文首先分析了群目标及诱饵的微多普勒形式;利用弹道中段目标运动平稳,短时观测加速度近似为常数的特性,采用Radon变换检测微多普勒曲线的倾斜程度,用最小熵准则和高斯函数拟合的方法估计平动参数,进而完成平动补偿;对补偿后的群目标时频图利用Viterbi算法提取各条微多普勒曲线,依据同一目标各散射点微多普勒的周期相关性,完成群目标分离;最后仿真验证了以上方法的有效性。

对PD雷达进行综合欺骗干扰研究

建立了一种机载的对脉冲多普勒(PD,Pulse Doppler)雷达进行距离-速度-角度综合欺骗干扰方法,使欺骗更加有效,提高了载机的安全,该方法使用数字射频存储器(DRFM,Digital Radio Frequency Memory)技术实现距离-速度相关,并结合相干双点源干扰的实现,得出了实现条件,欺骗干扰更加稳定、高效、灵活。

基于改进RBF神经网络的雷达信号识别

针对增批条件下雷达信号识别准确率低、速度慢的问题,设计了一种基于改进径向基函数(RBF)神经网络的雷达信号识别方法。该方法首先对待识别雷达数据进行属性约简处理,通过知识粒度法筛选出区分度高的属性集合,并基于约简集提取决策规则,提高了属性的表征能力;然后针对神经网络结构和参数难以准确设定的问题,根据决策规则完成了雷达信号识别RBF神经网络的结构构建与参数设置。仿真实验结果表明,该方法降低了雷达信号识别RBF神经网络复杂度,能够有效完成对增批雷达信号的识别,且具有较高的识别准确率和较低的时间消耗。

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network,CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题,提出一种基于切片循环神经网络(sliced recurrent neural networks,SRNN)、注意力机制和卷积神经网络(convolutional neural networks,CNN)的雷达辐射源信号识别方法,并在CNN中引入批归一化层,进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入,自动提取信号特征,输出识别结果。实验结果表明,SRNN相比于门控循环单元(gated recurrent unit,GRU)训练速度大大提升,注意力机制和批归一化层能有效提高识别准确率;在采用8种常见雷达辐射源信号进行的实验中,所提方法在低信噪比条件下仍有较高的识别准确率。

基于改进UNet3+网络的雷达辐射源信号识别

针对传统识别辐射源信号的方法需要手动提取并选取特征、在低信噪比条件下难以准确识别信号的问题,提出了一种基于改进UNet3+网络的辐射源信号识别方法。通过删减UNet3+的网络层级,保留网络特征融合能力的同时降低了网络的复杂度,并引入注意力机制优化模型性能,构建了一个新的网络模型。通过对8种常见的雷达信号进行仿真实验,实验结果表明:改进模型的识别准确率达到96.63%,对比一些经典网络模型,训练总用时更短,在低信噪比条件下能更加有效识别辐射源信号,可以适应复杂的电磁环境。

基于多尺度残差网络和小波变换的LPI雷达信号识别

针对复杂战场电磁环境下的低截获概率(Low Probability of Intercept,LPI)雷达信号识别问题,提出了一种基于小波变换和多尺度残差网络的识别方法。首先利用离散小波变换提取LPI雷达信号的时频特征;然后利用多尺度残差网络的多层特征提取网络对输入信号进行深层自主学习,以获取原信号时频数据的分布式特征,从而实现对雷达信号的识别预测。在不同信噪比条件下对不同调制样式信号进行实验,证明了所提方法的可行性与有效性,以及较高的识别率和泛化能力。

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)算法和残差神经网络(residual neural network,ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。

拖曳式诱饵对抗研究

通过对拖曳式诱饵的工作过程及关键参数的分析,总结出拖曳式诱饵的特点,结合一些现有技术条件,分别从距离速度通道、数据融合、极化信息和制导体制等方面,研究了对抗拖曳式诱饵的方法,还对各种方法的有效性、可实现性并对存在的问题进行了分析,对拖曳式诱饵对抗研究的推进有一定意义。

多传感器协同管理技术分析

对多传感器协同管理的基本概念、优越性以及原理进行了简述,给出了协同传感器管理的体系结构,重点提出了传感器协同管理所要遵循的原则。

米波MIMO制导雷达抗隐身目标关键技术

首先给出隐身目标F-22缩比模型在米波段的RCS测量结果。针对现代制导雷达的需求,利用MIMO雷达的思想,提出将米波波段用于制导雷达,从而提高制导雷达对隐身目标的探测。阐述了米波MIMO制导雷达反隐身目标的思想,指出需要解决的关键问题并对其实现途径进行了分析。