复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar,SAR)图像近岸舰船目标易受背景杂波的影响,造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题,提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集,基于Yolov5目标检测算法,在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置,增强目标的特征提取能力,提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔,进行不同层级的特征融合。同时,使用空洞卷积扩大特征提取的视觉感受野,增强网络对复杂背景近岸多尺度舰船目标的适应性,降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验,结果表明:DFF-Yolov5的平均准确率为85.99%,相比于原始的Yolov5,所提方法平均准确率提高了5.09%,精度提高了1.4%。

基于先验知识的多功能雷达智能干扰决策方法

针对基于强化学习的多功能雷达干扰决策方法训练周期长、收敛慢的问题,本文提出了基于先验知识的多功能雷达智能干扰决策算法。所提算法使用了基于势能函数的收益塑造理论,利用先验知识设置收益函数,相比于传统算法,具有更快的收敛速率。利用先验知识加速算法收敛速率的方法对强化学习在多功能雷达干扰决策中的实际应用具有重要的意义,对于强化学习在其他领域的应用也具有很好的参考价值。

基于马尔可夫的多功能雷达认知干扰决策建模研究

多功能雷达是现代电磁战场上不可或缺的重要装备,针对多功能雷达的干扰一直是一个难题。本文在研究多功能雷达信号特点和雷达对抗过程的基础上,提出了雷达状态联合表征的方法,将多功能雷达的干扰决策问题建模为一个带收益的马尔可夫决策过程,设计了认知干扰决策系统,并通过基于Q-Learning的认知干扰决策算法求解该模型下的最佳干扰策略。通过仿真实验,证明了基于Q-Learning的认知干扰决策算法能够在缺乏先验经验的情况下学习到最佳干扰策略,具备“认知”的特性,并且在不稳定的环境中也具有较强的适应性,有效支撑了本文所提的干扰决策模型。