摘要: 采用认知雷达架构有助于实现雷达抗干扰技术的智能化程度提升。针对认知抗干扰技术领域中雷达对电磁干扰环境的感知问题,文中提出了一种基于深度学习的多节点干扰调制类型识别方法。该方法针对雷达信号处理的不同节点,如数字波束形成、自适应副瓣对消、脉冲压缩前后以及动目标检测之后,采用多个节点的时频平面和距离多普勒平面作为干扰信号的联合特征提取对象,建立了基于深度学习的多节点干扰识别策略模型,以提高多种干扰场景下的干扰识别正确率。为了提升干扰特征的提取能力和网络的训练效率,用于干扰识别的深度学习算法在卷积神经网络(CNN)的基础上引入了注意力机制和残差网络,建立了针对多节点策略下的干扰类型识别网络结构,实现了对多种不同干扰场景下的干扰类型识别。仿真结果表明,在单一干扰场景下,当干噪比为14 dB 时,所提算法的干扰识别准确率可达92%。在多干扰场景下,所提算法在不同节点策略的加持下,识别准确率可达90%。
摘要: 在某多功能单元级数字阵列阵面系统进行接收波瓣测试时,发现法线附近出现了10 dB 左右的噪声鼓包,当波束指向偏离法向1°~2°时,出现噪声鼓包消失的噪声扫瓣现象。文中从接收级联噪声系数基本模型出发,推导出多通道输入接收系统噪声系数公式,并对接收内部的附加噪声注入的来源和对系统的作用进行了分析和数学建模,并定义了附加噪声扫描角优化因子概念,合理地解释了噪声扫瓣现象。进一步地,根据数学模型提出了多种解决方案,并分析了现有条件下各种方案的优缺点,最终选择了降低注入噪声功率的措施,实践证明基于该措施的解决途径有效。文中的机理分析、数学模型、解决方案对后续产品有指导作用,对实际工程应用具有很高的参考价值。
摘要: 采用认知雷达架构有助于实现雷达抗干扰技术的智能化程度提升。针对认知抗干扰技术领域中雷达对电磁干扰环境的感知问题,文中提出了一种基于深度学习的多节点干扰调制类型识别方法。该方法针对雷达信号处理的不同节点,如数字波束形成、自适应副瓣对消、脉冲压缩前后以及动目标检测之后,采用多个节点的时频平面和距离多普勒平面作为干扰信号的联合特征提取对象,建立了基于深度学习的多节点干扰识别策略模型,以提高多种干扰场景下的干扰识别正确率。为了提升干扰特征的提取能力和网络的训练效率,用于干扰识别的深度学习算法在卷积神经网络(CNN)的基础上引入了注意力机制和残差网络,建立了针对多节点策略下的干扰类型识别网络结构,实现了对多种不同干扰场景下的干扰类型识别。仿真结果表明,在单一干扰场景下,当干噪比为14 dB 时,所提算法的干扰识别准确率可达92%。在多干扰场景下,所提算法在不同节点策略的加持下,识别准确率可达90%。