为了优化单发多收协同雷达(single-transmitter multi-receiver cooperative radar,SMCR)探测系统的低截获概率(low probability of interception,LPI),利用SMCR目标探测的截获因子构造优化目标函数。首先,在二维平面上描述SMCR目标探...为了优化单发多收协同雷达(single-transmitter multi-receiver cooperative radar,SMCR)探测系统的低截获概率(low probability of interception,LPI),利用SMCR目标探测的截获因子构造优化目标函数。首先,在二维平面上描述SMCR目标探测场景,分析探测区域内接收机队列的接收增益及其近似估计方法。然后,针对目标位置先验已知情况,建立SMCR系统的接收机队列优化模型,分析模型解集。最后,针对目标搜索区域先验已知情况,从多个维度仿真分析接收机队列的LPI特性。仿真结果表明,针对目标位置或目标搜索区域先验已知的SMCR探测场景,接收机队列的队形设计有利于改善系统的LPI性能。针对目标位置已知的实测数据定性说明了所提方法仿真结果的合理性。展开更多
低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-n...低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-noise ratio,SNR)较低,给信号的检测和识别带来了极大的挑战。为了从AWGN背景中提取原始LPI雷达信号,本文提出了一种名为LPI-U-Net的深度神经网络(deep neural network,DNN),用于端到端的时域LPI雷达信号增强。该网络由特征提取模块(feature extract module,FEM)、特征聚焦模块(feature focus module,FFM)和信号恢复模块(signal recover module,SRM)组成。首先FEM通过卷积操作提取信号的特征,然后FFM利用卷积和通道间注意力进一步关注对信号增强任务有利的特征,最后SRM利用反卷积操作从特征中重构信号,从而完成LPI雷达信号增强。仿真实验表明LPI-U-Net在低SNR下的LPI雷达信号增强性能优于传统信号处理中典型的降噪方法,验证了其可行性和有效性。展开更多
基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监...基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。展开更多
在分析了低截获概率(LPI:Low Probability of Intercept)雷达信号的分数阶傅立叶变换(FRFT)的基础上,提出了把调频率和分量能量之比作为分类特征向量。分类特征向量通过自适应信号分解来提取。仿真结果表明了该方法适合于低截获概率雷...在分析了低截获概率(LPI:Low Probability of Intercept)雷达信号的分数阶傅立叶变换(FRFT)的基础上,提出了把调频率和分量能量之比作为分类特征向量。分类特征向量通过自适应信号分解来提取。仿真结果表明了该方法适合于低截获概率雷达信号的低信噪比情况,具有很好的识别率。展开更多
文摘为了优化单发多收协同雷达(single-transmitter multi-receiver cooperative radar,SMCR)探测系统的低截获概率(low probability of interception,LPI),利用SMCR目标探测的截获因子构造优化目标函数。首先,在二维平面上描述SMCR目标探测场景,分析探测区域内接收机队列的接收增益及其近似估计方法。然后,针对目标位置先验已知情况,建立SMCR系统的接收机队列优化模型,分析模型解集。最后,针对目标搜索区域先验已知情况,从多个维度仿真分析接收机队列的LPI特性。仿真结果表明,针对目标位置或目标搜索区域先验已知的SMCR探测场景,接收机队列的队形设计有利于改善系统的LPI性能。针对目标位置已知的实测数据定性说明了所提方法仿真结果的合理性。
文摘基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。
