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。     

利用生成对抗网络的时频图像去噪和增强处理

针对雷达信号时频图像的去噪和增强问题，提出了利用生成对抗网络二次生成时频图像的方法。首先利用时频分析产生雷达信号的时频图像作为原始数据集1;接着利用生成对抗网络对数据集1进行学习之后生成新的数据集2，数据集2相对于数据集1拥有着去噪和增强的效果;最后提取时频图像奇异值特征检验生成的数据集2的有效性。对6种常见的雷达信号的时频图像进行了仿真实验，结果证明了该方法在时频图像去噪和增加样本多样性方面是有效的。     

一种认知跟踪雷达LFM波形库建立方法

认知雷达是下一代雷达发展的方向之一。在对认知跟踪反馈环进行分析的基础上,提出了一种线性调频(LFM)信号波形库的建立方法。在应用交互多模型跟踪机动目标的背景下,通过所建的波形库对发射波形进行实时调用,达到减小跟踪误差的目的。研究了具有不同调频率参数与FrFT旋转角度组合的不同数量LFM信号波形库的建立,以最小化模型选择不确定性为目的推导波形选择准则,得到了不同的波形选择策略。仿真验证分析其跟踪精度可以看出,构建具有一定数量LFM波形的波形库可以提高认知跟踪雷达的性能。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

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。     

多功能雷达工作模式识别方法综述

阐述了多功能雷达工作模式识别的背景与意义，归纳了多功能雷达的典型工作模式。总结了目前国内外的识别方法，并结合工程应用中面临的问题对比分析了各类算法的优点与局限性，最后梳理出当了前多功能雷达工作模式识别领域面临的挑战和需要解决的若干问题。     

数据库样本缺失下的雷达辐射源识别

目前，基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设，当雷达数据库样本不足导致与信号真实分布存在偏差时，传统的分类方法效果不佳。为此，将迁移学习理论引入识别系统，设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法。通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息，通过重采样处理修正其分布差异。将新采样数据输入支持向量机进行训练并对侦收样本进行识别。仿真实验表明，在新训练样本集上学习的模型对测试集的分类性能有了很大的提升。