一种稀疏孔径逆合成孔径雷达成像算法

针对逆合成孔径雷达成像在稀疏孔径条件下存在方位向分辨率低、易受噪声干扰等问题,利用目标二维分布的稀疏性将成像问题转换为多测量向量模型下稀疏信号的重构问题,采用零范数最小均方法并行处理以提高运行效率,使用最优步长公式代替固定步长以避免步长设置不当对收敛速度和性能的影响,并利用平滑零范数法逼近零范数以提高重构精度和抗噪性能。相较于已有算法,新算法能够获得更高质量的目标图像,对噪声鲁棒性强,并且计算量更低。仿真和实测数据的处理结果,验证了该算法的有效性。     

栈式降噪自编码器在波形单元识别中的应用

为提高多功能雷达(Multi-Function Radar,MFR)波形单元的识别准确率和鲁棒性,提出一种栈式降噪自编码器(Stacked Denoising Autoencoders,SDAE)与支持向量机(Support Vector Machine,SVM)相结合的波形单元识别方法.首先摒弃传统依赖脉冲序列分析技术对MFR信号进行处理的方法,通过分析波形单元结构并借助参数间的联合变化特征,提出一种MFR波形单元分段识别模型,将传统对脉冲序列的识别转化为对MFR波形单元的识别;然后在该模型的基础上引入SDAE,对训练样本数据、SDAE隐含层神经元节点进行加噪处理,并利用这些加噪后的样本数据训练优化SDAE网络模型,提取出样本数据的深层稳健特征;最后引入SVM算法,借助SDAE挖掘出的样本深层特征,实现SVM模型的优化,得到最终的波形单元识别模型(SDAE-SVM).仿真实验表明:提出的波形单元识别方法在相同样本数目和测试误差的条件下,与SVM算法相比,能够取得较高的识别准确率,具备更优越的识别效果.证实MFR波形单元识别模型是有效的,且通过SDAE网络的引入,使得SDAE-SVM方法能够自主地挖掘原始信号的深层特征,提高波形单元识别的鲁棒性和准确率.     

基于Q-Learning的多功能雷达认知干扰决策方法

针对多功能雷达和认知电子战的快速发展所导致传统干扰决策方法难以适应现代化战争的问题,提出了一种基于Q-Learning的多功能雷达认知干扰决策方法。通过对比认知思想和干扰决策原理,将Q-Learning运用于认知干扰决策中并提出了认知干扰决策的算法步骤。以某多功能雷达为基础,通过分析其工作状态及对应干扰样式构建雷达状态转移图,通过仿真试验分析了各参数对决策性能的影响,为应对实际战场提供参考。仿真了在新状态加入下的决策过程、实际战场中转移概率对决策路径的影响以及四种主要干扰决策方法的决策性能对比。试验表明,该方法能够通过自主学习干扰效果完成干扰决策,更加贴合实际战场,对认知电子战的发展有一定的借鉴意义。     

基于信息辅助块稀疏贝叶斯学习的直扩通信窄带干扰抑制

现有基于Nyquist-Shannon采样定理的窄带干扰(Narrowband Interference,NBI)抑制方法存在应用受限于采样率较高的问题。应用压缩感知(Compressive Sensing,CS)理论解决上述问题,利用NBI在频域表现出的块稀疏特性以及直接序列扩频(Direct Sequence Spread Spectrum,DSSS)信号的类噪声特性,提出了基于块稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)框架的DSSS通信NBI抑制模型。实现干扰抑制后,利用传统的CS重构算法实现DSSS信号的压缩域解调。为进一步提高算法性能,将NBI稀疏分块的块内自相关矩阵建模为单位矩阵,提出了信息辅助BSBL(Aid BSBL,ABSBL)算法,设计了基于ABSBL的DSSS通信NBI抑制算法。该算法在保持较好NBI抑制性能的条件下,提高了运算效率并且不依赖NBI的稀疏结构。仿真验证和对比分析结果表明,所提方法能够有效抑制DSSS通信中的NBI,在干扰强度相同的条件下,NBI带宽越小、压缩率越大,算法对NBI的抑制性能越好。     

几种边缘检测算子的评估

对几种经典的边缘检测算子进行了理论分析,并对各自的性能特点作出了比较和评价。     

相位编组方法提取直线

相位编组方法的提出,是针对大多数直线抽取方法的两个主要弱点：１）利用灰度变化的幅度,作为局部边缘重要性的主要度量,受噪声影响较大;２）对边缘特征作局部决策前,缺乏对图像结构的全局理解。该方法有效地解决了以往方法中关于边缘检测算子尺寸方面的难题,可以从复杂的图像中抽取出低对比度的直线,并能获得不同类型的边缘图。     

基于MDGAN网络的数据集扩增方法

针对雷达辐射源数据集样本数量有限、样本多样性不足的问题,提出了一种无监督的由图像生成图像的网络—多样性最大化生成对抗网络(Maximum Diversity Generative Adversarial Network,MDGAN)。该网络在原始生成对抗网络的生成器目标函数基础上加上了一个额外的正则化项,该正则化项表示生成器中特征图之间的距离与生成特征图所用随机向量之间的距离的比值,通过最大化这个比值,可以让生成器尽量生成拥有不同特征的样本,以增加样本的多样性。对6种常见雷达信号进行仿真实验,证明了MDGAN在生成真实且多样的样本方面是有效的。     

傅氏变换及模糊技术在几何图形分类中的应用

论述了用傅氏变换获取几何图形的特征参数，再用模糊技术对图形分类。     

多传感器协同探测性能评估研究

研究多传感器协同探测性能评估问题。提出将整个系统的工作过程看作是一个“灰盒”,从“灰盒”外部的输入、输出以及已知信息进行分析研究。结合协同探测系统的军事应用背景,确定协同探测的最终目标。在此基础上,将评估准则确定为探测准确性、探测精确性、探测快速性和目标图像质量,可以从不同的侧重点分析探测性能,并且有利于下一步进行探测性能的综合评估。根据评估准则,建立一套合理的评估指标体系。