基于样条插值的非线性自干扰对消技术

针对雷达干扰机收发天线之间存在的非线性自干扰耦合问题,研究一种基于样条插值的非线性自干扰对消方法。该方法将样条插值和自适应滤波相结合,分别建立样条哈默斯坦模型和样条维纳模型,通过引入鲁棒性较强的反正切(arctangent,ARC)函数作为代价函数,得到两种模型下样条控制点和滤波器系数的自适应学习规则,并分析样条控制点数量对自干扰对消性能的影响。仿真实验表明,对于带宽为60 MHz的信号,所提基于ARC参数学习方法与传统最小均方参数学习方法相比,对消比获得4 dB左右的提升,收敛速度提高1倍。另外,针对信道突变的场景,所提方法跟踪性能好且稳态误差低。当背景噪声中存在非高斯脉冲干扰时,所提方法能够有效应对脉冲噪声环境下的干扰。

基于威胁机制-双重深度Q网络的多功能雷达认知干扰决策

针对传统深度Q网络(deep Q network,DQN)在雷达认知干扰决策中容易产生经验遗忘,从而重复执行错误决策的问题,本文提出了一种基于威胁机制双重深度Q网络(threat warning mechanism-double DQN,TW-DDQN)的认知干扰决策方法,该机制包含威胁网络和经验回放2种机制。为了验证算法的有效性,在考虑多功能雷达(multifunctional radar,MFR)工作状态与干扰样式之间的关联性的前提下,搭建了基于认知电子战的仿真环境,分析了雷达与干扰机之间的对抗博弈过程,并且在使用TW-DDQN进行训练的过程中,讨论了威胁半径与威胁步长参数的不同对训练过程的影响。仿真实验结果表明,干扰机通过自主学习成功与雷达进行了长时间的博弈,有80%的概率成功突防,训练效果明显优于传统DQN和优先经验回放DDQN(prioritized experience replay-DDQN,PER-DDQN)。

基于处理增益优势的雷达嵌入式通信波形性能评价方法

雷达嵌入式通信(REC)是一种使雷达与通信共用频谱的隐蔽通信方式,通过在高功率雷达后向散射回波中嵌入通信波形完成低截获概率(LPI)通信。传统的REC波形性能分析通常将通信可靠性和LPI性能分开考虑,忽略了其综合性能。基于处理增益提出了处理增益优势这一分析指标,对3种REC波形的通信可靠性能、LPI性能以及综合性能进行分析,为满足不同需求下REC通信的波形及参数选择提供了全新参考。仿真结果证实了利用处理增益优势分析REC波形性能的正确性和可行性。

基于模糊综合评判的雷达对抗侦察系统效能评估研究

针对雷达对抗侦察系统效能评估涉及因素多、评估比较复杂的问题,提出4个方面16个指标的评估指标体系,利用层次分析法确定各级指标权重,建立模糊综合评价数学模型对系统进行量化评估,并通过实例进行验证。验证结果表明,该方法能够将评估过程中的定性判断进行定量化处理,得到的评价结果更加公正、客观,可用于雷达对抗侦察系统定量评估。

面向数字射频存储的雷达欺骗干扰检测方法

基于数字射频存储(digital radio frequency memory,DRFM)技术的转发式欺骗干扰与真实雷达回波高度相干,这导致雷达难以分辨真假目标。针对该问题,提出一种基于Hough变换的DRFM欺骗干扰检测方法。建立基于线性调频的干扰信号模型,分析其谐波分量的频谱特性,采用短时傅里叶变换和二维恒虚警率检测器对干扰信号进行特征提取,并利用Hough变换完成欺骗干扰检测。所提方法是基于DRFM欺骗干扰本身的特征,不依赖于先验信息与应用场景,计算复杂度低,且在低信噪比条件下具有良好的检测性能。计算机仿真实验验证了方法的有效性。

基于多节点策略的雷达智能干扰调制类型识别技术研究

采用认知雷达架构有助于实现雷达抗干扰技术的智能化程度提升。针对认知抗干扰技术领域中雷达对电磁干扰环境的感知问题,文中提出了一种基于深度学习的多节点干扰调制类型识别方法。该方法针对雷达信号处理的不同节点,如数字波束形成、自适应副瓣对消、脉冲压缩前后以及动目标检测之后,采用多个节点的时频平面和距离多普勒平面作为干扰信号的联合特征提取对象,建立了基于深度学习的多节点干扰识别策略模型,以提高多种干扰场景下的干扰识别正确率。为了提升干扰特征的提取能力和网络的训练效率,将用于干扰识别的深度学习算法在卷积神经网络的基础上引入了注意力机制和残差网络,建立了针对多节点策略下的干扰类型识别网络结构,实现了对多种不同干扰场景下的干扰类型识别。仿真结果表明:在单一干扰场景下,当干噪比为14 dB时,所提算法的干扰识别准确率可达92%;在多干扰场景下,所提算法在不同节点策略的加持下,识别准确率可达90%。

超薄全极化大角度稳定的“蛇形”吸透超构表面

提出了一种具有吸波-透波-吸波(Absorption-Transmission-Absorption,A-T-A)的频率选择超构表面,具有超薄剖面低、全极化和大宽角稳定的电磁特性等优点。在结构的损耗层上,构造了由“蛇形”金属曲折线、金属曲折线终端加载金属贴片和集总电阻组成的有耗串联谐振结构,以吸收电磁能量。给出了该超构表面的电磁模型和等效电路模型,并对该超构表面进行了加工和测试。测试出的透波频带(S_(11)≤-10 dB和S21≥-3 dB)在12.9~14.3 GHz附近。两个吸波频带(S_(11)≤-10 dB和S21≤-10 dB)分别在8~12.3 GHz和15.1~18 GHz附近,低于-10 dB的反射压制带宽(S_(11)≤-10 dB)为8~18 GHz。实测结果表明,在0°~45°的大入射角范围内,当两种线极化波(TE波和TM波)和圆极化波入射该超构表面时,均呈现传输和反射性能稳定的特性。该超构表面可应用于雷达隐身天线罩或电磁兼容领域的干扰抑制屏中。

基于改进鲸鱼算法的多无人机协同欺骗干扰技术

多机协同对组网雷达系统进行航迹欺骗干扰属于大规模优化问题,往往需要利用群体智能算法优化无人机的飞行任务,然而采用传统群体智能算法优化时往往会出现收敛速度慢、求解精度低等问题。针对这一问题,对标准鲸鱼优化算法进行了改进,提出了一种基于改进鲸鱼优化算法的多无人机协同欺骗干扰技术。首先建立了多无人机协同欺骗干扰组网雷达的数学模型以及对应的优化函数,然后在标准鲸鱼优化算法的基础上引入了自适应惯性权值,提高了算法的全局搜索能力和收敛速度。仿真实验表明,固定无人机数量为9架时,利用改进鲸鱼、标准鲸鱼、粒子群、蚁群4种算法分别优化多机协同欺骗干扰模型,得出改进鲸鱼优化算法平均运行时间最短,迭代次数最少,同时优化产生的实际航迹与理论值误差最小;逐步增加无人机数量至20架,利用上述四种算法进行模型求解时得出改进鲸鱼优化算法在不同无人机架数的条件下产生的假目标航迹条数均优于其他3种算法。

基于KM算法的转发式干扰辨识与抑制方法

转发式干扰是对截获的雷达信号进行调制后发射出去的干扰信号,它在空时频多域与目标回波存在强相关性。当雷达接收端进行信号处理时,此类干扰能够获得匹配滤波增益,形成若干个虚假目标,同时实现欺骗和压制2种干扰效果。联合频率捷变技术,利用聚类思想在脉压域实现干扰辨识与抑制。仿真实验表明,所提方法能够有效抑制干扰,且当干扰功率较大时,依然具有良好的抗干扰效果。

基于改进MobileV3Net的脉冲雷达干扰识别方法

随着现代电子战的飞速发展,基于数字射频存储器转发的新型干扰层出不穷,如何快速有效地识别这类干扰成为现今研究的热点问题。针对于此,提出了一种基于改进MobileV3Net的脉冲雷达干扰识别研究,使用MobileV3Net作为基本网络框架,添加了动态卷积模块和高效通道注意力模块,实现了自动提取特征的小样本下8类干扰的有效识别。仿真结果表明,该网络的训练时间大大减少,且在轻量训练样本下依然能保持95%以上的识别准确率,在-10~10 dB下,平均识别率在99%以上,证明该方法具有更强的鲁棒性,更高的准确度,更好的轻量性。

基于信噪比和噪声功率密度测量的射频接收通道状态检测方法

针对传统射频接收通道中靠近天线射频前端的故障检测代价大,检测颗粒度受限等问题,提出了一种基于噪声功率密度测量的射频接收通道状态检测方法。利用噪声系数与增益的级联迭代关联特性,实现对射频接收通道中各单元故障的准确定位。对技术原理进行了理论推导,并构建测试系统验证了方法的可行性与有效性。与传统方法相比,该方法可减少自检电路设计复杂度,减少链路上各个单元自检成本,并可消除自检盲区,实现对故障单元的准确定位。

脉内频率 时延捷变雷达抗间歇采样转发干扰方法

间歇采样转发干扰凭借快速准确的采样和转发手段,利用脉压雷达的匹配滤波特性形成假目标群,严重影响目标检测和跟踪性能。针对这一问题,结合波形设计和滤波思想,设计一种脉内频率时延捷变波形,并在此基础上提出一种基于时频分析的抗间歇采样转发干扰方法。首先,将线性调频信号划分为多个子脉冲,并在子脉冲之间增加随机时延。然后,提取未被干扰的子脉冲进行目标位置的准确判断,结合子脉冲的频率和随机时延等先验信息,利用迭代阈值分割算法去除强干扰信号。最后,通过构造时频域和时域带通滤波器分别进行子脉冲滤波和时域滤波处理。仿真实验结果表明,所提方法在不同干信比、信噪比和非同步采样情况下具有较好的抗间歇采样转发干扰性能。

交替极化阵列对消盲区分析与验证

当干扰信号的空域和极化域特征与目标信号相似时,采用空极化域联合抗干扰技术在消除干扰的同时也会抑制目标信号,导致干扰对消后信干噪比(signal to interference plus noise ratio,SINR)低于雷达系统需求,从而形成干扰对消盲区。针对这一现象,通过在空域、极化域与空极化域分别建立交替极化阵列对消盲区模型,推导了对消盲区位置和大小的数学表达式,从而给出了交替极化阵列对消盲区的数学表征方法。进而分析了交替极化阵列对消盲区的分布规律与影响因素,研究发现阵元间距能够显著影响交替极化阵列对消盲区的分布,在相同条件下交替极化阵列对消盲区大于共点极化阵列对消盲区,结果表明交替极化阵列虽然通过减少天线数目降低了设备成本,但增大了阵列的对消盲区。然后,对消盲区模型进行了数值仿真,仿真结果验证了理论分析。最后,利用信道模拟器搭建了实验平台,信道模拟实验测得的对消盲区与理论值基本一致,再次证明了分析结论的有效性。

基于多特征的雷达辐射源个体识别方法研究

为解决复杂电磁环境下基于单一特征的雷达辐射源个体识别准确性低、稳健性不强的问题,提出了一种基于多种特征的雷达辐射源融合识别方法。该方法以脉冲前沿包络、载波频率偏差以及谐波衰减系数为识别特征,通过设计多通道结构的一维卷积神经网络,实现不同结构特征的融合识别。实验表明,该方法在低信噪比条件下依然具有较好的识别率,能够有效解决复杂电磁环境下基于单一特征的雷达辐射源个体识别的效果不佳问题。

基于HMM的逆雷达辐射源状态识别推理方法

雷达对抗场景中雷达方和干扰方相互感知、识别以及博弈对抗.针对雷达方对干扰方系统内部状态的非合作识别推理的问题,提出了一种对干扰系统中雷达辐射源状态识别模块处理结果进行逆向估计的方法.建立了逆状态识别任务模型,任务中的干扰系统根据雷达工作状态识别结果对其干扰动作进行优化,雷达方则基于对干扰方干扰样式序列的观测,估计干扰方对雷达工作状态的识别结果;设计了基于隐马尔可夫模型(HMM)的逆状态识别任务求解方法,具体包括通过自适应粒子群算法进行模型参数初始化,采取多观测序列的鲍姆-韦尔奇算法进行模型参数估计,采用对数维特比算法估计干扰方的雷达状态识别结果;通过典型雷达对抗场景设定下的数字仿真验证了所给逆状态识别方法的可行性和有效性.

雷达有源干扰的多域特征参数关联智能识别算法

针对复杂干扰场景下参数变化范围大、决策树特征适应性较差等问题,本文提出了一种基于多域特征参数关联的雷达有源干扰智能识别方法。首先,针对干扰信号在时域、频域、脉压等多个域中的特点,设计了相应的特征参数。这些特征参数能够全面地描述干扰信号的特征。接着,采用随机森林的平均信息增益来选择不同干扰参数条件下的特征参数,并将它们进行关联。然后,结合多域关联特征和典型的神经网络,提出了一种改进的ResNet18网络。通过利用多域关联特征,该网络能够更准确地学习干扰信号的特征,并进行智能识别。最后设置大范围参数的干扰样本训练改进的ResNet18网络,优化其泛化性能。通过计算机仿真实验,本文的方法在大参数范围的有源干扰识别正确率达到了98%以上。而且经过改进后的ResNet18网络参数总量仅为原网络的1/17,大大减少了网络的复杂度。综上所述,本文提出的基于多域特征参数关联的雷达有源干扰智能识别方法具有较高的识别准确性和较低的计算复杂度,可以有效应用于复杂干扰场景中。

一种面向低成本轻量级雷达的单比特复用阵列信号收发框架

面向低成本轻量级雷达的应用需求,该文提出了一种联合单比特采样量化和时分复用接收机的雷达信号收发框架。首先,通过介绍该框架的工作原理,阐述其在节省接收机数量方面的优势。从雷达资源配置的角度,分析了单比特采样量化在该框架中的重要性,并提出了该框架可利用时间换空间,获得比经典线性调频连续波雷达更好的探测性能。接着,推导了雷达测距、测速和测角公式,以及目标参数估计的克拉美罗界。在此基础上,验证了该框架的性能优势,同时也给出了其稳定工作的信噪比条件。最后,利用一种基于单比特二维多重信号分类的速度维配对算法,验证了该框架获取目标原理的正确性,以及性能分析的可靠性。

SAR射频干扰区域⁃强度特征提取与联合评估网络

由于射频信号的广泛存在,合成孔径雷达(Synthetic Aperture Radar,SAR)在成像的过程中容易受到各类射频干扰(Radio Frequency Interference,RFI)的影响,这会导致获得的SAR图像质量下降,从而对后续的信息提取和目标识别等过程产生很大的影响。因此,衡量SAR图像受射频干扰的影响程度就尤为重要。然而,现有评估方法的鲁棒性通常较低,并且在评估时未考虑SAR图像受RFI影响的区域大小,因此本文提出了干扰区域⁃强度特征提取与联合评估网络。所提出的网络包含两个模块,干扰强度特征提取模块用于提取输入SAR图像中的干扰强度信息,干扰区域特征提取模块则侧重于干扰区域大小与边界信息的获取。由于SAR图像的尺寸一般比较大,因此本文在干扰强度特征提取模块中采用了多级残差和多层特征融合结构,用于加强模型的特征提取和复用能力;同时在干扰区域特征提取模块中侧重于保留最关键的区域边界特征。此外,本文还建立了SAR受RFI影响的图片数据集用于评估所提出网络的效果。对比实验的结果表明,本文所提出的网络评估结果优于其他现有方法,能够衡量SAR图像受RFI的影响程度,同时具有较高的准确性。

基于熵值图的多功能雷达工作模式识别

针对多功能雷达工作模式多样且信号波形复杂多变,导致常规工作模式识别方法性能不佳的问题,提出基于小波变换的多功能雷达工作状态切换点检测方法,将雷达脉冲序列进行分割,得到单一工作模式脉冲序列样本。其次,基于近似熵、样本熵、模糊熵和排列熵设计了新的熵值图特征,并结合卷积深度神经网络模型,实现了多功能雷达工作模式的智能识别。仿真结果表明,该算法在虚假脉冲率或漏脉冲率为25%时,切换点检测正确率达85%;工作模式识别正确率在虚假脉冲率、漏脉冲率为20%和参数误差为8%时,识别正确率均在83%以上,识别性能皆优于两种对比文献方法,验证了该算法的有效性和优越性。

对先进多功能雷达系统行为的识别、推理与预测:综述与展望

多功能雷达(Multi-Function Radar,MFR)是先进体制雷达辐射源的典型代表,其能够在雷达时间线上对多个目标调度多个同时执行的任务,具有波束指向瞬时调度、工作模式灵活动态、信号调制复杂多变的特点。随着计算智能、认知理论、数字阵列、软件自定义及硬件可重构系统的不断发展,先进多功能雷达系统自由度和性能潜力不断提升,给现代电子侦察与对抗系统带来了巨大挑战。本文首先较为全面地给出了雷达系统行为的分类,依据雷达系统行为活动的内容与目的将雷达行为分为推理行为、决策行为和动作行为三类,并从雷达方和侦察方两个不同视角对上述三类行为进行了归类划分。然后围绕对先进MFR系统行为的感知识别难题,从侦察方视角对多功能雷达行为进行分析识别的侦察分析模型建模表征、雷达系统外显行为识别、内隐行为推理以及对未来行为预测等四方面对相关基础理论、实现技术的研究进行了全面梳理,并对未来研究面临的挑战和重点进行了分析,旨在为针对先进MFR系统行为相关的后续理论研究与技术发展提供有益参考。