面向外辐射源雷达发射站定位的合作无人机航迹规划方法研究

在广域未知环境中,外辐射源雷达机动部署常面临难以及时获取第三方发射站精确位置信息的难题。为此,该文提出一种基于合作无人机航迹规划的发射站定位方法。首先,利用单个无人机作为合作目标,建立2维场景下的定位模型和量测方程,并采用列文伯格-马夸尔特(Levenberg-Marquardt, LM)算法进行解算。然后,构建融合Fisher信息和控制参数约束的优化函数,对无人机航迹进行动态规划,从而提高发射站定位的精度和方法的实用性。最后,仿真实验表明,在最大控制距离约束下,所提方法的定位结果优于直线航迹和经典优化航迹,最终发射站定位精度小于双基距离差量测标准差,能够满足外辐射源雷达系统目标探测定位的应用要求。

GNSS-R外辐射源雷达微弱目标回波盲检测方法

针对传统全球导航卫星系统反射(global navigation satellite system-reflected, GNSS-R)外辐射源雷达系统所采用的双通道配置结构在信号处理上运算量较大且在工程实现上硬件成本较高的问题,提出一种基于高阶循环累积量的单通道GNSS-R外辐射源雷达微弱目标回波盲检测方法。利用主成分分析方法将强直达波信号从单通道接收的混合信号中抽取出来;通过直达波信号的高阶循环频率估计出微弱回波信号的高阶循环频率;基于微弱回波信号高阶循环频率与其他信号不同的特性将其从单通道混合信号中提取出来,通过匹配滤波实现目标检测。实验结果表明,所提方法在没有先验信息的情况下能有效提取出微弱目标的回波信号,且与传统二维匹配滤波目标检测方法相比有更好的目标检测性能。

基于超视距的外辐射源信号提取在被动探测中的应用分析

目前外辐射源雷达主要以接收辐射源的直达波信号为主,该方式提取的直达波信号信噪比高,利于后续目标信号检测和处理,但需要收发站通视,对直达波天线架高有要求,这极大地限制了该体制的应用。基于此,文中提出在沿海低海拔条件下,利用超视距侦察截获辐射源信号成为非合作探测的基准信号的思路,分析了其探测机理,和理论误差模型,并结合工程实际,提出了可实现的工程样机,分析了性能指标,给出了仿真结果。结果表明该思路可以应用在后续的工程实践上。

面向外辐射源雷达目标探测的非时变稀疏模型和深度展开网络实现方法

近年来,基于稀疏特征提取的目标探测方法成为了雷达领域的研究热点。基于正交频分复用调制的外辐射源雷达(简称“外源雷达”)由于发射波形不受控,一方面构建的稀疏模型会随未知发射波形时变,导致相应的目标探测方法计算量大;另一方面目标回波常常因被直达波等强杂波掩盖而面临探测困难。在此背景下,利用外源雷达的正交频分复用波形特点,使用导频位置处频域信道响应提出一种非时变稀疏模型。通过将稀疏模型求解的每一次迭代过程替代为一层神经网络,首次研究了基于深度展开网络的智能化外源雷达目标探测实现方法。仿真和实测数据结果表明:所提方法与传统杂波抑制方法在目标探测上性能相近,但有着更低的计算复杂度,且无需人工设计稀疏矩阵等稀疏模型求解参数。

非合作水声通信辐射源个体识别初探

辐射源个体识别是非合作水声通信信号调制样式识别之后进一步获取对方通信设备固有信息的重要途径。为解决海洋信道中非合作水声通信辐射源个体识别的难题,文章对水声通信发射机性能差异进行分析,重点对水声发射机根升余弦滚降滤波器的非线性进行描述,并针对非合作水声通信信号先验信息缺失且信号具有循环平稳性的特点,提出了一种利用循环谱等值线图区分不同辐射源的个体识别方法。以二进制相移键控信号为例,进行不同滚降因子条件下循环谱特征的仿真分析。研究结果验证了当信噪比不小于3 dB时文中所提辐射源个体识别方法的可行性。

一种协同二维DOA和TDOA观测量的超视距短波辐射源定位新方法

针对超视距远距离短波辐射源定位误差较大的问题,该文在观测站同时获得二维到达角度和到达时间差参数的场景下,提出一种协同这两种观测量的定位新方法。首先,基于单跳电离层虚高模型构建面向短波辐射源的二维到达角度和到达时间差的非线性观测方程。然后,将超视距定位几何模型与代数模型相结合,并依次将两种非线性观测方程转化为伪线性观测方程,进而提出一种无需迭代的两阶段协同定位方法。阶段1通过求解一元六次多项式的根获得目标位置向量闭式解,阶段2通过构建等式约束优化模型对阶段1的估计误差进行改良,并利用拉格朗日乘子技术得到精度更高的定位结果。最后,利用约束误差扰动理论对新提出的协同定位方法的估计性能进行理论分析,证明新方法具有渐近统计最优性,同时还利用约束误差扰动理论定量分析短波辐射源高度信息误差对定位精度产生的影响,并推导能确保地球椭圆约束产生性能增益的短波辐射源高度信息误差最大门限值。仿真实验结果验证该文新方法能够获得显著的协同增益。

面向辐射源识别的多尺度特征提取与特征选择网络

目前应用于辐射源识别的卷积神经网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理有两种方式:一种方式是将其变换为图像,另一种方式是提取IQ时序数据的浅层特征。前一种方式会导致算法计算量大,而后一种方式会导致识别准确率低。针对上述问题,提出一种多尺度特征提取与特征选择网络。该网络以IQ信号为输入,经多尺度特征提取网络提取IQ信号的浅层特征和多尺度特征,采用特征选择网络降低多尺度特征的数据维度,通过自适应线性整流单元实现特征增强,使用单个全连接层对辐射源进行分类。在FIT/CorteXlab射频指纹识别数据集上,与ORACLE、CNN-DLRF和IQCNet对比实验表明,所提网络在一定程度上提高了识别准确率,降低了计算量。

用于定标海表测温辐射计的镓黑体辐射源

设计了镓黑体对海表测温辐射计进行定标。首先,介绍了该黑体的结构与工作原理,对黑体发射率进行仿真,并开展发射率的测量实验,讨论其不确定度的来源。然后,开展了电加热和水浴加热下镓的相变复现实验,讨论电加热功率对镓相变复现的影响。最后,通过红外海面温度自主辐射计实验对该黑体进行验证。结果表明:该黑体基于蒙特卡罗软件仿真的发射率优于0.9988,实验测得的黑体辐射源发射率结果与仿真结果较为吻合,测量重复性(标准偏差)达0.1%;相变温度坪台的复现性均优于±0.03 K;相变温坪附近时,红外海面温度自主辐射计和FLUKE 1524测温仪测得的黑体腔附近温度的数据差值均在±0.15 K以内。设计的镓黑体可以应用到海表测温辐射计进行校准,为发展自主知识产权的海表测温设备提供校准源。

基于线性调频连续波的合作式通信辐射源测距

针对加速运动目标参数估计中,离散多项式变换方法无法进行非整数估计的问题,本文提出基于瑞夫算法的离散多项式变换法和基于Chirp-Z变换的离散多项式变换法2种新型离散多项式变换算法,对加速运动目标速度和加速度进行估计,并对2种算法的估计误差和计算量进行了分析比较。结果表明:2种算法在信噪比-20 dB时均方误差开始接近克拉美罗界。基于瑞夫算法的离散多项式变换法与3次迭代基于Chirp-Z变换的离散多项式变换法均可在较低信噪比下可实现任意频率的有效估计且性能接近,二者均可实现低信噪比下速度、加速度的有效估计,但基于瑞夫算法的离散多项式变换法计算量远小于3次迭代基于Chirp-Z变换的离散多项式变换法。

改进变分模态分解与多特征的通信辐射源个体识别方法

针对通信辐射源指纹特征难以提取和单一特征识别率不高的问题,并考虑到通信辐射源细微特征的非线性、非平稳特点,该文提出了一种基于改进变分模态分解和多特征的通信辐射源个体识别方法。首先,为了获得变分模态分解的分解层数和惩罚因子的最优组合,采用鲸鱼优化算法对通信辐射源符号波形信号的变分模态分解方法进行了改进,该方法以序列复杂度为停止准则,使每个符号波形信号能够自适应地分解出包含非线性指纹特征的高频信号分量和数据信息的低频分量;然后,根据相关阈值选取能够最佳表征辐射源非线性特征的高频信号分量层数,分别对其提取模糊熵、排列熵、Higuchi维数以及Katz维数并组成多域联合特征向量;最后,通过卷积神经网络实现通信辐射源个体识别分类,利用ORACLE公开数据集进行实验。实验结果表明:该方法有较高的识别精度且具有良好的抗噪声性能。

DRSN与集成融合的OFDM辐射源个体识别方法

针对在低信噪下通信辐射源识别率低的问题,提出一种DRSN(Deep Residual Shrinkage Networks)与集成融合的OFDM辐射源个体识别方法。首先,从OFDM发射机产生信号的原理出发,对可能产生OFDM发射机指纹差异的来源进行分析,对相邻帧OFDM信号做相干积累,有效提升OFDM信号的信噪比,通过截取OFDM前导信号,减少因传输内容差异所带来的影响,对OFDM前导信号进行功率累加和双谱对角切片信号处理,构建OFDM前导信号的多域数据集;随后,将OFDM前导信号多域数据分别送入具有自动软阈值化去噪和具有跨层连接结构防止梯度消失的DRSN网络进行训练,有效减少噪声对发射机指纹信号的干扰和避免阈值设置不佳所带来识别效果不佳的问题,并且在DRSN网络训练时采用5折交叉验证的策略,防止网络训练中出现过拟合的现象,利用Stacking集成学习思想实现3个DRSN网络初级预测结果的融合;最后,将融合结果作为次级数据送入逻辑回归LR(Logistic Regression)次级线性分类器,利用ECOC(Error Correcting Output Code)策略将多分类任务转为二分类任务,对样本类别进行编码,当测试样本经过二分类器获得一组预测类别编码后,通过计算样本类别编码与预测类别编码之间的欧式距离,根据最小欧式距离所属类别来确定最终分类结果。在公开数据集上的实验结果表明:对比其他深度学习的方法,信噪比为5 dB和0 dB时,DRSN与集成融合的OFDM辐射源识别的准确率分别为97%和95.88%,并且具有较低的复杂度,能够验证在低信噪比下该方法的有效性。

基于CRITIC-VIKOR的空域辐射源威胁目标评估

为占据空域主动权和加快战前决策,建立对空域辐射源的威胁评估刻不容缓。为此,提出基于CRITIC-VIKOR的空域辐射源威胁评估方法。首先,地面的侦察组网侦察空域辐射源威胁目标属性集,利用隶属度函数、层次分析法(Analytic Hierarchy Process,AHP)分别得到辐射源威胁目标的客观动态的定量威胁属性和主观定性分析的固有威胁属性。然后,利用指标相关性的权重确定(Criteria Importance Though Intercrieria Correlation,CRITIC)方法分配动态定量分析指标的属性权重,通过加权对主观固有威胁权重与客观态势属性权重进行主客观融合,同时根据决策者的主观偏好调整主客观属性的权重因子。最后,基于多准则妥协决策(VlseKriterijumska Optimizacija I Kompromisno Resenje,VIKOR)方法进行威胁等级排序。仿真实验结果验证了算法的合理性,所提方法能够弥补主观或客观方法单独分析的不足,具有较好的实用性和战场决策参考价值。

应用FFB-EWT的OFDM辐射源个体识别

针对在传统辐射源个体识别方法中OFDM辐射源细微指纹特征信息会受到数据信号成分和信道噪声的影响会导致分类识别率低的问题,根据短导码的子载波频谱特点设计了一种基于固定频率边界的经验小波变换(frequency fixed boundary-empirical wavelet transform,FFB-EWT)和深度残差网络的OFDM辐射源个体识别方法.首先,提取OFDM信号的短导码,根据短导码中传输信号子载波的频率间隔划分固定边界条件,将频域边界值应用于FFB-EWT对信号进行分解,去除包含前导序列信息的子载波分量;其次,对相邻帧中包含指纹特征的空子载波分量进行积累,提高指纹特征信号的信噪比;然后,使用双通道的结合了非局部注意力模块和通道注意力模块的ResNet18残差网络,对IQ两路数据输入进行特征提取,通过Softmax函数进行分类;最后,选择Oracle公开数据集验证方法的可行性.实验结果表明利用FFB-EWT方法对6个不同辐射源个体在6 dB和0 dB条件下进行识别,准确率可以达到98.17%和89.33%,证明了该方法在低信噪比条件下的有效性.

一种优化的短波通信辐射源个体智能识别方法

针对短波频段信号环境复杂、通信辐射源个体识别中样本数量不足,造成常规个体识别方法困难、残差神经网络训练时过拟合的问题,提出了一种基于改进残差神经网络算法的短波通信辐射源个体智能识别方法。该方法将迁移学习的思想引入残差神经网络中,利用实际采集的短波通信辐射源信号,经过短时傅里叶变换(Short-Time Fourier Transform,STFT)得到的特征图谱,输入到结合迁移学习改进的残差神经网络算法中。然后,对信号采用不同方式提取信号特征、不同信噪比等条件下,进行短波通信辐射源个体识别,并与改进前残差神经网络进行对比实验。实验结果表明,对于短波通信辐射源信号,在样本数量不足、有噪声的条件下,经过STFT结合改进的残差神经网络算法相比改进前有更高的识别准确率和更好的抗噪性能。

基于多初级假设的FM广播外辐射源雷达网航迹起始算法

基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面,检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。

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。

基于高维重频特征的雷达辐射源识别方法

通过提取和利用雷达脉冲间隔高维特征,提出了一种基于决策树的雷达辐射源识别方法。将相邻脉冲间隔所构成的向量作为脉冲的高维特征,以增强不同雷达信号之间的可分性,再利用聚类方法提取脉冲列中的这种特征;然后将该特征构成特征向量,以表现特征的整体性;随后基于该特征向量构建决策树分类模型;最后将学习到的模型用于未知雷达脉冲列的识别。仿真实验验证了新方法在不同数据量和数据噪声场景下相对于传统方法的显著优势。

基于深度学习的跨域辐射源个体识别综述

基于深度学习的辐射源个体识别已经成为识别和认证无线设备的主要研究方法之一。然而,基于传统深度学习的辐射源个体识别算法不能直接应用于跨域(跨信道条件、跨接收机、跨接收时间等)辐射源个体识别场景,因为一个域上的数据训练的模型用于另一个域上进行推理,其效果通常会变差。调研了现有基于对比学习、迁移学习、域适应等先进深度学习的跨域辐射源个体识别方法,整理和归纳了跨域辐射源个体识别相关的开源数据集。分析了跨域辐射源个体识别存在的难题与挑战,展望了跨域辐射源个体识别发展趋势及未来研究方向,以助力深度学习在复杂电磁环境下辐射源个体识别的实用化。

宽带跳频TDMA辐射源网群的定位及网群划分方法

为了解决现有方法难以对宽带跳频时分多址(frequency hopping-time division multiple access,FH-TDMA)辐射源网群定位的问题,提出一种仅利用波达方向(direction of arrival,DOA)信息的多站定位及网群划分方法。首先通过模拟滤波对各站接收到的信号进行频段划分,通过基于多相滤波的数字信道化方法把信号输出到多个信道中;然后通过直接定位(direct position determination,DPD)算法计算得出各时隙辐射源的位置;最后先通过不同参数的基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法选择出最佳的辐射源定位结果,再根据提出的基于先验信息的改进K-means聚类算法进行网群划分。所提方法实现了采样率和信号处理速率的降低,且无需站间严格的时间同步。结果表明,所提方法有效估计出了辐射源的数量、位置,以及网群划分情况。

基于激光等离子体产生的轫致辐射源实现同核异能素^(152m)Eu的高效激发

同核异能素在宇宙元素合成中发挥着重要作用,并且在控制核能释放方面有潜在的应用。其中,铕(Eu)在现实中有重要的研究意义,例如152Eu被用来做放射性实验的标准源,并且其同核异能态^(152m1)Eu有73%的概率发生β-衰变产生天体p核素钆(^(152)Gd),因此^(152m1)Eu是产生天体p核素^(152)Gd过程中的重要核素。在本工作中,基于激光等离子体产生的轫致辐射源,我们在实验上实现了^(152m1)Eu(45.6 keV,T_(1/2)=9.31 h)的高效激发,其产额能达到8×10^(4)个粒子/发。此外,进一步通过Geant4-GENBOD程序数值模拟了^(152m1,m2)Eu的产额、产生时间以及峰值激发效率随电子温度的演化情况。研究发现,在入射电子电荷量固定为17.6 nC,且当电子温度达到15 MeV时,^(152m1)Eu和^(152m2)Eu的产额趋于饱和,分别为8×10^(6)和2×10^(5)个粒子/发;^(152m1)Eu和^(152m2)Eu的峰值激发效率分别有望达到约10^(17)和10^(16)个粒子/s,其中^(152m1)Eu和^(152m2)Eu的脉宽几乎不变,均为32 ps。超短超强激光技术能够极大提高同核异能素的激发效率,这将为研究宇宙元素合成问题以及控制核能释放应用研究提供一个重要的研究途径。