基于频响特性的大起伏密集假目标干扰识别技术

转发式密集假目标干扰具有压制性和欺骗性干扰的特点,干扰信号与目标回波极为相似,识别难度大。基于密集假目标干扰产生机理和射频链路物理特性,系统研究并提出雷达和干扰机频率响应特性及其对真、假目标回波幅-频映射特征的影响机制模型;针对干扰信号功率动态范围较大的实际情况,提出大动态信/干噪比条件下基于频响特性的密集假目标干扰识别方法;通过卷积神经网络-长短时记忆网络双通道特征融合的基分类器构建和M/N逻辑分类器集成,实现真-假回波信号频响起伏特征提取与分类识别。研究结果表明:所提方法在实测数据上获得了94.5%以上的识别精度,证明了其有效性和先进性;所做工作对大起伏密集假目标干扰识别具有参考意义。

基于霍夫曼树和逆云模型的雷达拖引干扰识别

针对噪声环境中雷达干扰正确识别率较低的问题,提出了一种新的基于霍夫曼树和逆云模型联合的雷达欺骗干扰识别方法。该方法首先利用干扰数据库,提取有效的识别特征参数库,然后基于霍夫曼树建立识别模型。在每个节点,利用基于逆云模型的隶属度分类,实现待测干扰的识别。仿真结果表明,与传统的干扰识别方法相比,该识别方法能很好地应对雷达干扰的随机性和模糊性,能在干扰参数数值区间有重叠时有效识别雷达干扰。

基于并联深度学习网络的雷达有源干扰智能识别方法

针对传统的雷达有源干扰识别方法存在特征参数对干扰样式敏感,识别准确率不高等问题,提出了一种基于深度学习的雷达有源干扰智能识别方法,设计了一种残差网络(ResNet)和长短时间记忆网络(LSTM)相并联的新型网络结构。该方法基于多维度信息联合处理,可提高干扰识别的稳健性。通过外场试验,对常规的6种雷达有源干扰样式进行识别性能验证,识别准确率达到94.80%,证明了该文的方法具有较好的工程应用前景。

雷达干扰模式识别技术综述

介绍了雷达干扰模式识别技术的背景,总结了近几年干扰模式识别领域的创新性研究。重点介绍了两种最为常用的基于特征提取的干扰识别算法:判决树分类法和神经网络分类法。给出了这两种方法在干扰识别中的工作流程,并对干扰识别技术未来的发展方向做出了展望。