基于非监督贝叶斯学习雷达性能指标动态评估

针对传统雷达性能指标评估方法相对“机械”、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型。考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立分层贝叶斯模型,从而保证雷达性能指标后验概率密度函数的可解性。此外,为了保证后验概率密度函数的闭合解析解,应用变分贝叶斯期望最大化(variational Bayesian expectation maximization,VB-EM)方法,基于高斯赛德尔迭代策略分别计算性能指标及其超参数的后验概率密度函数。最终,利用后验概率密度函数计算结果,可获得相应性能指标解析估计值及其置信区间和置信度,从而实现对指标动态变化的解析指示。相比传统蒙特卡罗评估方法,所提方法仅需一次实验数据便可获得定量的、解析的指标评估结果,可以大大缩减评估成本,提升评估效率,同时可对指标动态变化给出定量指示。应用仿真数据对雷达定位、测高精度以及目标检测概率指标进行了验证,相比传统方法,评估处理增益获得了有效提升。

基于深度学习的雷达性能指标等效外推方法

针对雷达性能评估试验具有定性和定量因子混合、因子与响应映射关系复杂、回归分析模型易失配等特点,将雷达性能指标等效外推建模为分类问题,分别基于深度学习中的深度置信网络和深度森林研究了雷达性能指标等效外推方法,并利用仿真试验数据对等效外推方法性能进行了对比验证。结果表明,在小样本情况下,基于深度森林的雷达性能指标等效外推方法具有优越性,而在大样本情况下,基于深度置信网络的雷达性能指标等效外推方法具有更大的准确率。

关于防空导弹制导雷达抗干扰指标的研究

防空导弹武器系统的抗干扰指标,应由系统中搜索雷达、跟踪(照射)雷达、寻的雷达、指令传输系统、引信、数传等无线电环节的抗干扰指标综合而成。本报告按分配给制导站的假定的抗干扰指标进行了论证。论证的依据是制导站在干扰条件下完成指定任务概率的大小。本论证方法适用于类似无线电环节的抗干扰指标论证。已知各无线电环节的抗干扰指标后,参照本报告提供的方法,也很容易得出武器系统的抗干扰指标。对这些指标的最后确定,尚依赖于各种实验的验证,并在实践中不断完善。