基于测度区间灰关联的未知雷达信号判别方法

对于未知雷达信号的判别和归类一直是雷达对抗侦察情报处理中的一个难题.提出了一种新的基于距离测度区间灰关联决策的判别方法.该方法采用距离测度区间来衡量两个雷达脉冲序列之间的相似性,并利用灰关联分析的方法进行相似性比较和决策,最终完成对未知雷达信号的判别和归类.仿真结果表明,在模板脉冲序列受噪声污染较小时,该方法识别准确率较高.     

一种基于模板脉冲序列的雷达辐射源识别方法

现有的雷达辐射源识别方法无法有效地在密集的信号环境中对复杂体制雷达进行快速准确的识别.因此,研究了一种基于模板脉冲序列的雷达辐射源识别方法,给出了其并行处理的结构和具体实现算法.在不同密度的信号环境中该方法能够有效地识别出雷达辐射源并且具有较小的运算复杂度.利用计算机对该方法进行了仿真实现,结果表明在密集信号环境中该方法仍然能够快速有效地识别出雷达辐射源.     

军事情报监视与侦察系统中一种目标同现模式挖掘算法

军事情报监视与侦察系统(ISR)中的目标同时出现模式(简称目标同现模式)在疑难目标识别、联合侦察预警等方面有重要作用。为了从大量历史侦察数据中找到隐藏的目标同现模式,提出了一种发现雷达探测、电子对抗侦察等不同专业侦察数据集中的目标同现模式挖掘算法——PoTAS-mine算法。该算法依据给定的支持度对候选的目标同现模式进行剪枝以压缩候选频繁项集,通过对频繁项集执行自然连接实现模式增长,再依据给定的置信度在频繁项集中产生目标同现模式。仿真实验结果验证了该算法的有效性。     

多径效应下雷达对抗侦察作用空间分析

雷达对抗在现代电子战中具有重要作用,无论是雷达对抗侦察还是雷达干扰,对其进行雷达对抗的空间能量分析具有重要意义,可为雷达对抗战斗部署提供依据。为了直观描述雷达对抗侦察的有效作用区域,给出了雷达对抗侦察作用空间的定义,并分析了地面反射多径效应对侦察作用空间的影响。理论分析和仿真实验表明,多径效应使侦察作用空间分裂,产生侦察盲区,因此,在执行侦察任务进行侦察机配置时,应尽量避开侦察盲区。     

多特征的UAV快速目标识别算法仿真

针对UAV(Unmanned Aerial Vehicle)侦察图像快速目标识别问题,重点展开基于多特征的UAV快速目标识别算法的仿真研究。算法结合图像的不变矩特征和SIFT特征,首先用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域(ROI,Region of Interest);然后采用尺度不变特征变换算法(SIFT,Scale Invariant Feature Transform)在ROI区域中进行匹配识别,从而确定目标的精确位置。仿真结果表明:算法具有较强的鲁棒性,能有效地识别飞机目标并显著减少识别时间,为UAV系统提供了一种近实时的目标识别方法。     

脉冲幅度特性分析的相控阵雷达识别技术

为有效识别相控阵雷达,提出了一种基于截获脉冲幅度特性分析的识别方法。该方法根据相控阵雷达与常规机械扫描雷达的扫描方式存在很大差异的特点,建立侦察设备截获脉冲的幅度模型,并通过仿真得到不同体制雷达被截获的脉冲幅度特性。然后求得不同体制雷达被截获的脉冲序列幅度特性与正弦序列幅度特性的相似系数,以此为依据来识别相控阵雷达。最后,通过比较实验证明了该方法的有效性。     

基于SPA和滑窗技术的重点雷达辐射源快速识别

在现代密集信号流中,快速识别出重点目标能为战场准备赢取宝贵的时间,并为战场提供决策依据。针对重点雷达辐射源的快速识别,提出了一种基于SPA和滑窗技术的重点雷达辐射源快速识别技术。该方法直接以经过简单预处理的全脉冲与重点雷达辐射源脉冲样本图匹配,无需传统方法的分选和特征提取过程,通过集对分析中的联系度判断脉冲对是否匹配,引入滑窗技术,缩短了处理时间。仿真表明,该方法识别准确率较高且识别速度快,具有较好的应用前景。     

D-S推理的炮位侦校雷达目标模糊识别

随着对战场透明度的要求越来越高,炮位侦察校射雷达不仅要快速准确侦察敌方炮位和校正己方射击,还应根据弹丸的飞行特性,确定发射弹丸的武器平台类型,从而为目标威胁判断和指挥决策提供支持.在基于D-S证据理论的基础上,应用模糊识别理论,通过对模糊隶属度进行重新分配,探讨了对炮位侦察校射雷达战场目标进行识别的算法,列举了具体的实例,实验结果验证了算法的有效性.     

基于时间融合的雷达辐射源自动识别方法

雷达辐射源识别是雷达对抗信号处理中关键环节,也是电子目标识别的重要前提.介绍了Dempster组合规则和加权M-距离法、灰关联分析法等时间融合的雷达辐射源自动识别方法,提出了基于证据理论的单传感器时间融合算法,研究了单传感器在不同时间测量周期的证据综合过程,并给出仿真试验结果.随着噪声的增大,传感器单次时间融合的正确识别率下降很快,而采用基于D-S证据理论的单传感器时间融合方法却有较高的正确识别率,该算法大大降低了错误识别率.因此提出的算法是可行的.     

雷达对抗侦察装备作战能力的ANP幂指数评估方法

针对雷达对抗侦察装备综合作战能力对电磁环境的依赖性,提出一种基于网络层次分析法(Analytic Network Process,ANP)的雷达对抗侦察装备在不同电磁环境下作战能力的幂指数评估方法。通过对雷达对抗侦察装备作战任务及复杂电磁环境下的表现进行分析,确定装备作战能力指标;利用ANP分析各指标间的相互关系,计算出指标相对的权重;把该权重作为各指标的幂指数,计算雷达对抗侦察装备在不同电磁环境下的作战能力指数;最后结合某型装备多次不同环境下试验的数据,对该装备的综合作战能力进行评估。     

一种新的重频调制类型自动化识别方法

针对雷达重频调制类型模式识别中存在的问题,提出了一种可以自动化识别PRI调制类型的算法,易于工程化实现。该算法通过对脉冲序列提取特征向量完成调制类型的识别,并给出特征参数的描述。实验仿真和实际应用均表明该方法正确识别率高,可有效地识别PRI调制类型并输出特征参数。     

舰载雷达对抗技术推陈出新

目前,水面舰艇面临着日趋严重的雷达与反舰导弹的威胁。为了有效对抗这种威胁,大力发展舰载雷达对抗技术具有十分重要的意义。舰载雷达对抗技术及设备主要包括舰艇雷达隐身、雷达侦察告警、敌我识别、有源干扰机和一次性干扰装置等等。     

选择编队指定目标的一种新方法

提出了反舰导弹攻击末段对编队中指定目标进行识别的一种新方法。通过将被打击的编队在自控开机点各目标预估的位置信息,与末制导雷达开机时刻实际探测到的编队各目标的空间位置关系进行对比,得到各节点其向量差值之和的最小值,从而正确地选择出空间位置关系最逼近预定打击目标的指定目标。在被打击目标施放冲淡干扰的情况下,采用虚拟中心点和二次识别的方法能较好地识别出指定目标。通过进行大量的导弹突防对抗仿真,证实该算法获得了编队作战较好的突防概率和攻击效果。     

改进的组网雷达目标跟踪数据关联算法

基于高逼真多假目标干扰在组网雷达进行数据处理时可能会极大地增加中心站的计算量,降低数据关联正确率,提出一种改进的双门限快速数据关联算法,利用无源侦察设备所测的目标属性参数与空间状态参数的联合统计距离,对有源雷达与无源侦察装备协同的数据关联进行改良。通过仿真比较得出改进算法不仅可以对目标成功地进行跟踪,降低目标位置均方根误差,而且运算时间要比传统的JPDA大为缩短,验证了算法的有效性。     

确定性理论在雷达型号识别中的应用

雷达型号识别是雷达对抗情报侦察的首要工作,是近一步分析雷达用途及相关武器系统的基础,也是高层次上的态势评估和威胁估计的主要依据.针对现代战争中电磁信号环境的复杂性,利用单一传感器很难对雷达型号进行准确识别,而基于确定性理论的不确定推理技术能将多个传感器在多个周期的侦察信息进行融合,所以采用确定性理论的数据融合技术,基于确定性理论的组合规则,采用分层式融合算法对雷达型号进行识别.仿真结果表明,该方法的识别结果令人满意,使采用单一传感器可能存在的无法识别或误识别等现象得到了明显的改善.     

基于进化算法的雷达对抗侦察无人机航路规划

雷达对抗侦察无人机在执行任务前要根据战场环境预先规划好最优路径。全面考虑战场环境威胁约束、机动性能约束和侦察任务约束,综合轮盘法、最优保存策略和6种进化算子形成进化算法,并对航路规划问题进行求解。仿真结果表明,利用约束量化方法和进化算法对雷达对抗侦察无人机进行航路规划是可行的。     

基于模拟退火算法的电子侦察卫星任务规划问题研究

在分析电子侦察卫星的工作原理及其所担负的使命任务的基础上,首先给出了电子侦察卫星任务规划的基本过程;然后在明确电子侦察卫星任务规划问题的基本输入输出和一些基本假定的基础上,建立电子侦察卫星静态任务规划的混合整数规划模型;最后提出了一种解决电子侦察卫星任务规划问题的模拟退火算法(simulated annealing,SA)。实验结果表明:该算法有效地解决了针对固定目标的电子侦察卫星任务规划问题。     

现代雷达面临的威胁及对抗措施

刚刚尘埃落定的伊拉克战争表明,随着现代武器逐步具备“发现即摧毁”的能力,“发现”目标已上升为克敌制胜的关键。现代雷达作为战场上侦察、监视、跟踪敌武器装备的主要手段,其作用是举足轻重的。雷达的探测范围正由陆地、海上、空中、天外向海下、地下扩展,雷达与通信、导航、电子战等系统融为一体进入战场,成为现代信息化战争的主角。也正是因为如此,对抗雷达的手段也就随之产生并蓬勃发展,雷达的侦察与反侦察、干扰与反干扰的对抗在现代战场上愈演愈烈,必将往未来战场上成为兵家必争的制高点;雷达也正是在与各种对抗手段的较量中不断发展完善。     

交叉验证的GRNN神经网络雷达目标识别方法研究

雷达目标识别是现代雷达技术的重要发展方向之一,在未来武器系统中具有重要的意义。针对高分辨一维距离像在预处理中平移敏感性的问题,使用了全局最小熵距离对齐算法,能够较准确快速对准距离像单元,提高了距离对齐的精度。为了提高雷达目标识别的准确率,提出了一种与广义回归神经网络模型(generalized regression neural network,GRNN)相结合的目标识别方法。利用K重交叉验证法对神经网络训练,并且根据最小均方误差寻找出GRNN神经网络光滑因子spread的最优值,同时获得目标识别训练样本的最优输入输出值。通过对比,取得最优光滑因子的GRNN神经网络将大幅度提高其收敛速度与泛化能力。仿真实验证明,基于改进GRNN神经网络的雷达目标识别可以获得较高较稳定的识别正确率。     

TBM模型的目标综合识别算法

利用电子支援措施(ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。TBM是D-S证据理论的一个扩展模型,它研究了D-S证据理论的动态部分,从数据融合的角度来看,它是一种层次化的递进模型,尤其适用于需要逐层进行数据、特征或决策级融合的融合系统。提出了一种基于TBM模型的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。