CN111337918A - 一种基于神经网络的机载雷达射频隐身波形选择方法 - Google Patents

一种基于神经网络的机载雷达射频隐身波形选择方法 Download PDF

Info

Publication number
CN111337918A
CN111337918A CN202010097639.1A CN202010097639A CN111337918A CN 111337918 A CN111337918 A CN 111337918A CN 202010097639 A CN202010097639 A CN 202010097639A CN 111337918 A CN111337918 A CN 111337918A
Authority
CN
China
Prior art keywords
airborne radar
waveform
neural network
radio frequency
frequency stealth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010097639.1A
Other languages
English (en)
Inventor
时晨光
王奕杰
丁琳涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010097639.1A priority Critical patent/CN111337918A/zh
Publication of CN111337918A publication Critical patent/CN111337918A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/282—Transmitters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于神经网络的机载雷达射频隐身波形选择方法，包括建立机载雷达射频隐身发射波形选择集合Ω；定义机载雷达射频隐身波形选择目标函数；建立基于目标函数OF的机载雷达射频隐身波形选择模型；采用神经网络对机载雷达射频隐身波形进行选择。本发明方法不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。

Description

一种基于神经网络的机载雷达射频隐身波形选择方法
技术领域
本发明属于雷达信号处理的技术领域，具体涉及一种基于神经网络的机载雷达射频隐身波形选择方法。
背景技术
随着电子对抗技术的快速发展，未来战斗机所面临的作战环境将会越来越严峻。特别是各种先进无源探测器的广泛使用，使得单纯依靠被动隐身技术已经不能完全保证战斗机的安全。机载雷达射频隐身(Radio Frequency Stealth,RFS)技术作为一种重要的主动隐身技术，通过缩减己方机载雷达设备的辐射特性来降低敌方无源探测设备的截获概率和截获距离，从而提升雷达系统的反侦察、反干扰能力，是保障战斗机先敌发现、先敌打击、先敌摧毁的重要手段。
神经网络具有分布式、自组织和自学习特点，可以并行协同处理信息，完成信息的处理与存储。神经网络通过大量的学习，不断调整自身权重与阈值，具有智能特性。目前，神经网络技术已应用到雷达发射波形选择中，在降低计算耗时的同时，提升了雷达目标跟踪性能。
然而，已有的研究成果虽然涉及基于神经网络的雷达波形选择问题，在预先设定的雷达发射波形库中，通过对雷达发射波形或波形参数进行自适应优化选择，提升了雷达系统的目标跟踪性能。然而，已有研究成果均未考虑雷达系统的射频隐身性能，具有一定的局限性，而且目前尚未有基于神经网络的机载雷达射频隐身波形选择方法见诸公开报道。
发明内容
发明目的：针对现有技术存在的问题和不足，本发明提供一种基于神经网络的机载雷达射频隐身波形选择方法。该方法不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于神经网络的机载雷达射频隐身波形选择方法，包括以下步骤：
(1)建立机载雷达射频隐身发射波形选择集合Ω；
(2)定义机载雷达射频隐身波形选择目标函数；
(3)建立基于目标函数OF的机载雷达射频隐身波形选择模型，并采用遍历法对模型进行求解；
(4)采用神经网络对机载雷达射频隐身波形进行选择。
进一步的，步骤(1)中机载雷达射频隐身发射波形选择集合Ω中包括线性调频信号、高斯调制线性调频信号、巴克码信号、P1码、P2码、P3码和P4码。
进一步的，步骤(2)中定义机载雷达射频隐身波形选择目标函数为：
Figure BDA0002385731150000021
其中，det[·]表示求矩阵的行列式值运算，Φk+1为k+1时刻机载雷达的发射波形，
Figure BDA0002385731150000022
为k+1时刻的目标协方差矩阵，通过下式计算：
Figure BDA0002385731150000023
其中，M为目标运动模型总数目，
Figure BDA0002385731150000024
为k+1时刻模型m的概率，
Figure BDA0002385731150000025
为k+1时刻模型m的目标协方差矩阵，
Figure BDA0002385731150000026
为k+1时刻模型m的目标状态，
Figure BDA0002385731150000027
为k+1时刻的目标状态，即：
Figure BDA0002385731150000028
进一步的，步骤(3)中在k+1时刻机载雷达对目标进行照射跟踪时，建立基于目标函数的机载雷达射频隐身波形选择模型，如下所示：
Figure BDA0002385731150000029
其中，其中，
Figure BDA00023857311500000210
为k+1时刻的目标协方差矩阵，Φk+1为k+1时刻机载雷达的发射波形，Ω表示预先建立的机载雷达射频隐身发射波形选择集合；
采用遍历法，从预先建立的机载雷达射频隐身发射波形选择集合Ω中选择使目标函数
Figure BDA00023857311500000211
最小的波形作为k+1时刻机载雷达的发射波形。
进一步的，步骤(4)包括以下步骤：
(41)产生训练样本；
基于步骤(3)建立的机载雷达射频隐身波形选择模型，将前一时刻机载雷达的发射波形与信噪比作为神经网络的输入，将下一时刻的机载雷达的发射波形作为神经网络的输出，将输入和输出数据作为神经网络的训练样本；
(42)建立神经网络；
建立含有单隐含层的多层前馈神经网络结构；
(43)训练神经网络；
根据步骤(41)产生的训练样本，对步骤(42)中建立的神经网络结构进行训练，使该神经网络学会步骤(3)中机载雷达射频隐身波形选择模型中的优化准则，从而完成在目标跟踪过程中的决策功能。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明方法所完成的主要任务是在考虑机载雷达采用交互式多模型扩展卡尔曼滤波算法对单目标进行跟踪的条件下，首先建立机载雷达射频隐身波形选择集合。其次，定义机载雷达射频隐身波形选择目标函数，并建立基于该目标函数的机载雷达射频隐身波形选择模型，以最小化目标跟踪误差协方差矩阵的行列式值为优化目标，以给定的机载雷达射频隐身波形选择集合为约束条件，从预先建立的机载雷达射频隐身波形选择集合中自适应地选择使目标函数最小的射频隐身波形作为下一时刻机载雷达的发射波形。然后，基于上述机载雷达射频隐身波形选择方法，产生训练样本。再次，建立含有单隐含层的多层前馈神经网络。在此基础上，根据训练样本，计算隐含层的输出值以及输出层的输出值，并采用已建立的神经网络结构对模型的连接权重因子进行优化学习，使该神经网络学会相应的优化准则，从而完成在目标跟踪过程中的决策功能。该方法不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。
该发明的优点是不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。产生该优点的原因是本发明采用了基于神经网络的机载雷达射频隐身波形选择方法，该方法首先建立机载雷达射频隐身波形选择集合。其次，定义机载雷达射频隐身波形选择目标函数，并建立基于该目标函数的机载雷达射频隐身波形选择模型，以最小化目标跟踪误差协方差矩阵的行列式值为优化目标，以给定的机载雷达射频隐身波形选择集合为约束条件，从预先建立的机载雷达射频隐身波形选择集合中自适应地选择使目标函数最小的射频隐身波形作为下一时刻机载雷达的发射波形。然后，基于上述机载雷达射频隐身波形选择方法，产生训练样本。再次，建立含有单隐含层的多层前馈神经网络。在此基础上，根据训练样本，计算隐含层的输出值以及输出层的输出值，并采用已建立的神经网络结构对模型的连接权重因子进行优化学习，使该神经网络学会相应的优化准则，从而完成在目标跟踪过程中的决策功能。
(2)与现有技术相比，本发明提出的基于神经网络的机载雷达射频隐身波形选择方法，不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。
附图说明
图1为基于神经网络的机载雷达射频隐身波形选择方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明的结构及工作过程做进一步说明。
本发明本发明从实际工程应用出发，提出了一种基于神经网络的机载雷达射频隐身波形选择方法。在考虑机载雷达采用交互式多模型扩展卡尔曼滤波算法对单目标进行跟踪的条件下，首先建立机载雷达射频隐身波形选择集合。其次，定义机载雷达射频隐身波形选择目标函数，并建立基于该目标函数的机载雷达射频隐身波形选择模型，以最小化目标跟踪误差协方差矩阵的行列式值为优化目标，以给定的机载雷达射频隐身波形选择集合为约束条件，从预先建立的机载雷达射频隐身波形选择集合中自适应地选择使目标函数最小的射频隐身波形作为下一时刻机载雷达的发射波形。然后，基于上述机载雷达射频隐身波形选择方法，产生训练样本。再次，建立含有单隐含层的多层前馈神经网络。在此基础上，根据训练样本，计算隐含层的输出值以及输出层的输出值，并采用已建立的神经网络结构对模型的连接权重因子进行优化学习，使该神经网络学会相应的优化准则，从而完成在目标跟踪过程中的决策功能。该方法不仅能够提升目标跟踪精度及机载雷达的射频隐身性能，而且可以有效降低计算耗时，提高运行效率。具体的：
如图1所示，本发明的一种基于神经网络的机载雷达射频隐身波形选择方法，包括如下步骤：
1、建立机载雷达射频隐身发射波形选择集合Ω：
在考虑机载雷达采用交互式多模型扩展卡尔曼滤波算法对单目标进行跟踪的条件下，建立机载雷达射频隐身发射波形选择集合Ω。波形选择集合Ω中包含线性调频信号、高斯调制线性调频信号、巴克码信号、P1码、P2码、P3码、P4码等具有射频隐身性能的雷达波形。下一时刻机载雷达的发射波形均从该波形选择集合Ω中进行选择。
2、定义机载雷达射频隐身波形选择目标函数：
定义机载雷达射频隐身波形选择目标函数为：
Figure BDA0002385731150000051
其中，det[·]表示求矩阵的行列式值运算，Φk+1为k+1时刻机载雷达的发射波形，
Figure BDA0002385731150000052
为k+1时刻的目标协方差矩阵，可通过下式计算：
Figure BDA0002385731150000053
其中，M为目标运动模型总数目，
Figure BDA0002385731150000054
为k+1时刻模型m的概率，
Figure BDA0002385731150000055
为k+1时刻模型m的目标协方差矩阵，
Figure BDA0002385731150000056
为k+1时刻模型m的目标状态，
Figure BDA0002385731150000057
为k+1时刻的目标状态，即：
Figure BDA0002385731150000058
3、建立基于目标函数OF的机载雷达射频隐身波形选择模型并采用遍历法对模型进行求解：
在k+1时刻机载雷达对目标进行照射跟踪时，建立基于目标函数(1)的机载雷达射频隐身波形选择模型，如下所示：
Figure BDA0002385731150000059
式中，Ω表示预先建立的机载雷达射频隐身发射波形选择集合。
采用遍历法，从预先建立的机载雷达射频隐身发射波形选择集合Ω中选择使目标函数
Figure BDA00023857311500000510
最小的波形作为k+1时刻机载雷达的发射波形。
4、采用神经网络对机载雷达射频隐身波形进行选择；
(41)产生训练样本：
基于上述机载雷达射频隐身波形选择模型公式(4)，将前一时刻机载雷达的发射波形与信噪比作为神经网络的输入，将下一时刻的机载雷达的发射波形作为神经网络的输出，将输入和输出数据作为神经网络的训练样本。
(42)建立神经网络：
建立含有单隐含层的多层前馈神经网络结构。
(43)训练神经网络：
根据步骤(41)中产生的训练样本，对步骤(42)中建立的神经网络结构进行训练，使该神经网络学会优化模型公式(4)中的优化准则，从而完成在目标跟踪过程中的决策功能。
本发明创造的工作原理及工作过程：
本发明在考虑机载雷达采用交互式多模型扩展卡尔曼滤波算法对单目标进行跟踪的条件下，采用k+1时刻目标协方差矩阵的行列式值
Figure BDA0002385731150000061
作为机载雷达射频隐身波形选择的目标函数；首先建立机载雷达射频隐身波形选择集合Ω。其次，定义机载雷达射频隐身波形选择目标函数
Figure BDA0002385731150000062
并建立基于该目标函数的机载雷达射频隐身波形选择模型，以最小化目标跟踪误差协方差矩阵的行列式值为优化目标，以给定的机载雷达射频隐身波形选择集合为约束条件，从预先建立的机载雷达射频隐身波形选择集合中自适应地选择使目标函数
Figure BDA0002385731150000063
最小的射频隐身波形作为下一时刻机载雷达的发射波形。然后，基于上述机载雷达射频隐身波形选择方法，产生训练样本。再次，建立含有单隐含层的多层前馈神经网络。在此基础上，根据训练样本，计算隐含层的输出值以及输出层的输出值，并采用已建立的神经网络结构对模型的连接权重因子进行优化学习，使该神经网络学会相应的优化准则，从而完成在目标跟踪过程中的决策功能。

Claims (5)

1.一种基于神经网络的机载雷达射频隐身波形选择方法，其特征在于，包括以下步骤：
(1)建立机载雷达射频隐身发射波形选择集合Ω；
(2)定义机载雷达射频隐身波形选择目标函数；
(3)建立基于目标函数OF的机载雷达射频隐身波形选择模型，并采用遍历法对模型进行求解；
(4)采用神经网络对机载雷达射频隐身波形进行选择。
2.根据权利要求1所述的一种基于神经网络的机载雷达射频隐身波形选择方法，其特征在于，步骤(1)中机载雷达射频隐身发射波形选择集合Ω中包括线性调频信号、高斯调制线性调频信号、巴克码信号、P1码、P2码、P3码和P4码。
3.根据权利要求1所述的一种基于神经网络的机载雷达射频隐身波形选择方法，其特征在于，步骤(2)中定义机载雷达射频隐身波形选择目标函数为：
Figure FDA0002385731140000011
其中，det[·]表示求矩阵的行列式值运算，Φk+1为k+1时刻机载雷达的发射波形，
Figure FDA0002385731140000012
为k+1时刻的目标协方差矩阵，通过下式计算：
Figure FDA0002385731140000013
其中，M为目标运动模型总数目，
Figure FDA0002385731140000014
为k+1时刻模型m的概率，
Figure FDA0002385731140000015
为k+1时刻模型m的目标协方差矩阵，
Figure FDA0002385731140000016
为k+1时刻模型m的目标状态，
Figure FDA0002385731140000017
为k+1时刻的目标状态，即：
Figure FDA0002385731140000018
4.根据权利要求1所述的一种基于神经网络的机载雷达射频隐身波形选择方法，其特征在于，步骤(3)中在k+1时刻机载雷达对目标进行照射跟踪时，建立基于目标函数的机载雷达射频隐身波形选择模型，如下所示：
Figure FDA0002385731140000019
其中，
Figure FDA0002385731140000021
为k+1时刻的目标协方差矩阵，Φk+1为k+1时刻机载雷达的发射波形，Ω表示预先建立的机载雷达射频隐身发射波形选择集合；
采用遍历法，从预先建立的机载雷达射频隐身发射波形选择集合Ω中选择使目标函数
Figure FDA0002385731140000022
最小的波形作为k+1时刻机载雷达的发射波形。
5.根据权利要求1所述的一种基于神经网络的机载雷达射频隐身波形选择方法，其特征在于，步骤(4)包括以下步骤：
(41)产生训练样本；
基于步骤(3)建立的机载雷达射频隐身波形选择模型，将前一时刻机载雷达的发射波形与信噪比作为神经网络的输入，将下一时刻的机载雷达的发射波形作为神经网络的输出，将输入和输出数据作为神经网络的训练样本；
(42)建立神经网络；
建立含有单隐含层的多层前馈神经网络结构；
(43)训练神经网络；
根据步骤(41)产生的训练样本，对步骤(42)中建立的神经网络结构进行训练，使该神经网络学会步骤(3)中机载雷达射频隐身波形选择模型中的优化准则，从而完成在目标跟踪过程中的决策功能。
CN202010097639.1A 2020-02-17 2020-02-17 一种基于神经网络的机载雷达射频隐身波形选择方法 Pending CN111337918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010097639.1A CN111337918A (zh) 2020-02-17 2020-02-17 一种基于神经网络的机载雷达射频隐身波形选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010097639.1A CN111337918A (zh) 2020-02-17 2020-02-17 一种基于神经网络的机载雷达射频隐身波形选择方法

Publications (1)

Publication Number Publication Date
CN111337918A true CN111337918A (zh) 2020-06-26

Family

ID=71181537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010097639.1A Pending CN111337918A (zh) 2020-02-17 2020-02-17 一种基于神经网络的机载雷达射频隐身波形选择方法

Country Status (1)

Country Link
CN (1) CN111337918A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954959A (zh) * 2014-03-19 2014-07-30 南京航空航天大学 一种基于混沌信号源的步进频率雷达系统及通道构建方法
CN105093198A (zh) * 2015-07-28 2015-11-25 西安电子科技大学 一种分布式外辐射源雷达组网探测的航迹融合方法
CN105182317A (zh) * 2015-08-20 2015-12-23 电子科技大学 一种基于集中式mimo雷达搜索模式下的资源管理方法
CN105388461A (zh) * 2015-10-31 2016-03-09 电子科技大学 一种雷达自适应行为q学习方法
CN107703489A (zh) * 2017-09-26 2018-02-16 西北工业大学 一种mimo雷达恒模波形和接收机的联合设计方法
CN107907863A (zh) * 2017-10-09 2018-04-13 南京航空航天大学 基于雷达‑通信频谱共享的组网雷达波形设计方法
CN109669167A (zh) * 2019-01-28 2019-04-23 南京航空航天大学 一种基于射频隐身的机载雷达发射波形选择方法
CN109669165A (zh) * 2019-01-31 2019-04-23 南京航空航天大学 基于射频隐身的多基雷达发射机与波形联合选择优化方法
CN110208770A (zh) * 2019-07-09 2019-09-06 中国人民解放军空军工程大学 一种基于深层神经网络的雷达波形设计方法
CN110308432A (zh) * 2019-07-12 2019-10-08 电子科技大学 一种基于神经网络的雷达自适应波形选择行为识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954959A (zh) * 2014-03-19 2014-07-30 南京航空航天大学 一种基于混沌信号源的步进频率雷达系统及通道构建方法
CN105093198A (zh) * 2015-07-28 2015-11-25 西安电子科技大学 一种分布式外辐射源雷达组网探测的航迹融合方法
CN105182317A (zh) * 2015-08-20 2015-12-23 电子科技大学 一种基于集中式mimo雷达搜索模式下的资源管理方法
CN105388461A (zh) * 2015-10-31 2016-03-09 电子科技大学 一种雷达自适应行为q学习方法
CN107703489A (zh) * 2017-09-26 2018-02-16 西北工业大学 一种mimo雷达恒模波形和接收机的联合设计方法
CN107907863A (zh) * 2017-10-09 2018-04-13 南京航空航天大学 基于雷达‑通信频谱共享的组网雷达波形设计方法
CN109669167A (zh) * 2019-01-28 2019-04-23 南京航空航天大学 一种基于射频隐身的机载雷达发射波形选择方法
CN109669165A (zh) * 2019-01-31 2019-04-23 南京航空航天大学 基于射频隐身的多基雷达发射机与波形联合选择优化方法
CN110208770A (zh) * 2019-07-09 2019-09-06 中国人民解放军空军工程大学 一种基于深层神经网络的雷达波形设计方法
CN110308432A (zh) * 2019-07-12 2019-10-08 电子科技大学 一种基于神经网络的雷达自适应波形选择行为识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张洁: "相控阵及其MIMO模式下的自适应目标跟踪和波束调度研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
时晨光: "《机载雷达组网射频隐身技术》", 28 February 2019, 《北京国防工业出版社》 *
时晨光: "机载雷达组网射频隐身技术研究", 《万方数据库》 *
郑辉: "复杂环境下的认知雷达波形选择", 《万方数据库》 *

Similar Documents

Publication Publication Date Title
CN111090078B (zh) 一种基于射频隐身的组网雷达驻留时间优化控制方法
CN108732543B (zh) 一种基于射频隐身的机载组网雷达辐射参数联合优化方法
CN107064882B (zh) 无源协同下基于射频隐身的雷达组网资源控制方法
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN111812599B (zh) 博弈条件下基于低截获性能的组网雷达最优波形设计方法
CN107944597B (zh) 一种面对先进无源探测系统的编队雷达资源管理方法
CN116299408B (zh) 一种多雷达自主协同探测系统及探测方法
CN111985349B (zh) 一种雷达接收信号类型分类识别方法及系统
CN115343680A (zh) 基于深度强化学习的联合跳频和脉宽分配的雷达抗干扰决策方法
Zhang et al. Research on decision-making system of cognitive jamming against multifunctional radar
Zhang et al. Performance analysis of deep reinforcement learning-based intelligent cooperative jamming method confronting multi-functional networked radar
CN114971283A (zh) 一种面向分布式组网雷达多目标跟踪的资源优化调度方法
CN113093124B (zh) 一种基于dqn算法的雷达干扰资源实时分配方法
CN111337918A (zh) 一种基于神经网络的机载雷达射频隐身波形选择方法
CN111707993B (zh) 共享可迁移多场景特征的雷达抗干扰快速决策系统和方法
CN111090079B (zh) 基于无源传感器协同的雷达组网辐射间隔优化控制方法
CN114609597A (zh) 针对无人机集群侦探融合的干侵一体化雷达波形设计方法
CN111323769A (zh) 一种基于波形库的机载雷达射频隐身波形选择方法
CN114676721A (zh) 基于径向基神经网络的雷达有源压制干扰识别方法及系统
CN114545343B (zh) 基于量子认知的雷达干扰决策方法
Qiao et al. Intent recognition of maritime group targets based on BiConvLSTM-Attention
CN115033025B (zh) 一种基于态势认知结果的航迹保障方法
CN114997326B (zh) 一种基于多特征融合的机载雷达工作模式识别方法
Chen et al. Distributed massive UAV jamming optimization algorithm with artificial bee colony
Zhu et al. An on-line evaluation method of multi-functional radar jamming effect

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626