基于深度学习的捷变相参雷达1-Bit块稀疏重构

近年来,量化压缩感知理论在雷达目标参数估计问题中得到了广泛应用,其主要思想是对采样回波数据进行量化,并将雷达观测模型建模为欠定方程,再利用压缩感知理论对稀疏目标信号进行恢复,降低回波数据的位宽,达到简化系统、提升效率的目的。本文建立了捷变相参雷达信号的块稀疏压缩感知模型,并提出一种基于深度学习的1 Bit块稀疏重建网络B-BAdaLISTA,该重建网络与传统1-Bit硬判决迭代算法比较,在1 Bit采样量化下具有相近的重构性能和更快的收敛速度,同时将块稀疏的结构特征融入到网络结构中,显著提高了雷达目标参数的恢复质量。通过仿真实验定量分析了B-BAdaLISTA重建网络在无噪、有噪条件下的恢复能力,验证了算法的有效性。

快速瞄频干扰对捷变相参末制导雷达的干扰效能研究

捷变相参末制导雷达凭借其优越的抗干扰性能受到了广泛关注。针对频率捷变雷达的快速窄带瞄频干扰开展研究,首先建立了捷变相参末制导雷达的信号模型,然后对快速窄带瞄频干扰的数学模型进行理论分析,最后仿真研究了该方法的干扰性能。仿真结果表明,快速窄带瞄频干扰可有效对抗捷变相参末制导雷达。该研究可为捷变相参末制导雷达的干扰设计提供一定的参考。