非均匀间歇采样转发干扰对脉内捷变雷达影响分析

脉内频率捷变雷达通过自身“主动”抗干扰特性,利用传统间歇采样转发干扰的不连续性和周期性的特点,结合抗干扰算法,可以有效抑制间歇采样转发干扰。为提高干扰机对脉内频率捷变雷达的干扰效能,本文提出采用非均匀间歇采样转发干扰对脉内频率捷变雷达进行干扰,首先对截获到的脉内频率捷变雷达信号通过时频脊线提取与小波变换进行参数估计,获取子脉冲宽度,然后根据子脉冲宽度约束干扰参数,构造非均匀间歇采样转发干扰。理论分析和结果表明,通过非均匀间歇采样转发使得脉内频率捷变雷达在时频域等多域难以抑制干扰,极大地提升了干扰机的干扰能力。

不同干扰情况下脉冲压缩对雷达作用距离的影响

雷达脉冲压缩技术,既是能够解决雷达威力与距离分辨力之间矛盾的手段,也是一种抗干扰措施。分别分析了在背景噪声、窄带噪声瞄频干扰、宽带噪声阻塞干扰情况下,脉冲压缩处理对雷达作用距离的影响。指出了脉冲压缩处理对雷达作用距离是否产生影响的根本原因,是看干扰(噪声)信号的功率谱密度是否恒定。若恒定,则无影响;若不恒定,则会产生影响。

基于半监督学习聚类数据标注的多功能雷达工作模式识别

对多功能相控阵雷达工作模式准确识别可为电子对抗决策提供依据,具有重要研究意义。现有工作模式识别方法主要基于已知标签的训练集,而实际中先验信息匮乏,数据标签难以获知,极大影响了工作模式识别性能。为此,提出了一种在少量先验信息辅助下基于半监督学习聚类实现未知数据标注的工作模式识别方法。首先根据聚类算法的内部评价指标和外部评价指标对比分析AP聚类(affinity propagation clustering)、DBSCAN聚类(density-based spatial clustering of applications with noise)和模糊C均值聚类(fuzzy C-means clustering,FCM)3种典型聚类算法的性能,验证了AP聚类算法性能最优,并将其应用于对截获数据的数据标注中。然后利用卷积神经网络对雷达工作模式进行识别,并与已知标签训练集下的网络进行对比,验证了基于AP聚类算法进行数据标注的可行性,提升了相较传统识别网络的抗噪性,为后续多功能雷达行为认知提供了基础。