IFM系统的双交叠信号分析及改进

RWR/ESM系统多采用传统的瞬时测频(instantaneous frequency measure,IFM)技术实时检测信号频率,但这种测频技术对交叠信号只能估计一个信号的频率,且容易产生测频错误.现代战场中电磁环境异常复杂,脉冲交叠概率越来越高,因此研究交叠信号对IFM系统的影响尤显重要.为此根据IFM原理,分析...     

公里级背景数据采集及伪装特征提取方法

背景采集与处理是伪装设计的首要步骤。为了提高公里级背景范围采样的准确性和完整性,利用系统抽样理论提出了基于空中成像的背景两级采样方法。第一级采样通过剖分背景区域网格获取背景地物和地貌分布规律。第二级采样依据“接受-拒绝”法有针对地获取背景细节图像。基于颜色、距离和纹理特征差异性度量构建背景特征提取模型。然后通过SLIC(simple linear iterative clustering)算法分割超像素图像形成背景特征区域划分。实验中收集了某地300 km²范围12个一级采样点的数据,并分析了背景地物占比和分布特性。针对分析的结果,二级采样采集了戈壁滩、农田村庄和道路三类背景数据。对比了不同分割参数下农田村庄背景图像的分割性能,并探讨了基于k-means和超像素分割模型的差异性。最后生成了3类背景的斑点形状和7种主色特征。结果表明,采样流程能够有效获取公里级背景数据分布和细节纹理颜色特征。超像素分割模型能够优化斑点区域的完整性。该研究为移动目标伪装设计提供基础依据。     

基于GAN的入侵检测系统对抗样本生成模型

随着人工智能技术的兴起,基于深度学习的网络入侵检测系统已广泛应用,但神经网络模型很容易受到对抗扰动的影响。攻击者通过在网络流量中添加微小的扰动来构建对抗样本,使得入侵检测系统对其错误分类。论文基于GAN进行设计与改进,提出了一种对抗样本生成模型AdvWGAN,该模型针对恶意流量生成满足网络流量特性的对抗性恶意流量,并对黑盒入侵检测系统进行对抗攻击。实验表明：AdvWGAN能够在保证网络流量真实有效的前提下实现对深度学习入侵检测模型的有效黑盒攻击。     

基于改进混沌映射和WFRFT的射频隐身信号设计

为了提高雷达射频隐身信号的低截获性能,提出了改进一维混沌映射和加权分数阶傅里叶变换结合的方法,设计一种射频隐身信号。该信号利用改进一维混沌映射脉内调频和脉间调相,对调制后的复合信号加权分数阶傅里叶变换,分析了该信号的相关特性、功率谱以及模糊函数,同时与其他2种混沌信号对比。仿真结果表明,该复合调制信号自相关PSL为-81.27 dB,ISL为-72.08 dB,信号平均功率为-34.41 dB,并且模糊函数近似为“图钉型”,该信号具有较好的低截获和抗识别性能,射频隐身性能良好。     

弯管几何参数对弯管中导波传播特性的影响

为研究不同几何参数下弯管中导波频散曲线的特征,使用半解析有限元法对不同弯管中导波频散曲线进行了计算,分析了弯管的三个特征几何参数(截面外径d、截面壁厚h、弯曲半径R)改变时导波频散曲线的变化.研究发现:弯曲半径-截面外径比R/d和截面外径-壁厚比d/h对于导波频散曲线都具有较大的影响;当弯管的弯曲半径-截面外径-壁厚比...     

试论信息化条件下谋略思维特征的变化

谋略是人脑对客观事物的主观反映.战争形态、作战模式、战场环境等的转变必然引起谋略思维的变革.信息化战争中谋略思维特征将呈现出"对抗性软化、协调性凸显、层次性模糊、概括性拓展"等新变化.     

DSets-DBSCAN无参数聚类的雷达信号分选算法

针对现有的很多高效分选算法的性能严重依赖于外界输入的参数问题,例如聚类数目、聚类容差等,将无参数聚类算法DSets-DBSCAN应用于雷达信号分选,提出了一种无参数的雷达信号脉冲聚类算法。该算法无须依赖于任何参数的设置,就能自适应地完成聚类。算法输入直方图均衡化处理过的成对相似性矩阵,使得Dsets(dominant sets)算法不依赖于任何参数;根据得到的超小簇自适应给出DBSCAN的输入参数;利用DBSCAN扩展集群。仿真实验证明,该算法对雷达脉冲描述字特征进行无参数分选的有效性。同时,在虚假脉冲比例(虚假脉冲数/雷达脉冲数)不高于80%的情况下,对雷达信号的聚类准确率在97.56%以上。     

虚拟战场环境中地物的生成

为了达到快速生成虚拟战场环境的目的,利用OpenGVS图形开发包,设计了地物生成模块,该模块已经应用到装甲兵装备作战仿真实验室的建设中,收到良好的效果。     

冲激SAR成像的分辨率估计

后向投影 (BP)算法是一种被广泛应用于冲激SAR的成像算法。当冲激SAR的发射信号是某一类冲激信号时 ,根据冲激SAR成像的特点 ,推导出BP算法的方位分辨率与成像积累角、信号中心频率的关系。仿真结果表明 ,在相当范围内 ,估计公式都是准确的