CN114662392A - 基于深度学习的雷达防空侦察效能评估方法 - Google Patents
基于深度学习的雷达防空侦察效能评估方法 Download PDFInfo
- Publication number
- CN114662392A CN114662392A CN202210299565.9A CN202210299565A CN114662392A CN 114662392 A CN114662392 A CN 114662392A CN 202210299565 A CN202210299565 A CN 202210299565A CN 114662392 A CN114662392 A CN 114662392A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- radar
- capability
- reconnaissance
- signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达防空侦察效能评估方法,其包括以下步骤:构建包含4个评估维度、13个评估指标和42个评估因子的雷达防空侦察效能评估体系;构造深度神经网络,深度神经网络由设备可信度评估子网、战场生存能力评估子网、信号侦测能力评估子网和信号处理能力评估子网四个子网并行输出,然后级联整体作战效能评估子网组成;训练深度神经网络;将归一化处理后的待评估数据送入训练好的深度神经网络,输出雷达防空侦察效能评估结果。本发明利用深度神经网络的泛化能力,能够充分提取雷达防空侦察效能评估数据特征,量化评估指标和评估结果,不仅避免主观因素影响,而且容错性好,大大提高了雷达侦察系统防空作战效能评估的准确度。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种基于深度学习的雷达防空侦察效能评估方法。
背景技术
在电磁对抗环境复杂多变的防空战场中,能否高效感知战场态势决定了战争的胜负。雷达作为战场中的千里眼,不仅能有效地探测敌情、预知危险,还能抢占先机、压制敌人,其防空侦察能力在一定程度上反映了战场态势感知能力,因此,如何对其进行有效评估具有重要意义。
当前,雷达侦察系统防空作战效能评估的研究已经有一定的进展,孙杨超等人依据美国工业界武器系统效能咨询委员会WSEIAC模型,采用ADC法,即根据雷达的有效性(availability)、可靠性(dependability)和能力(capacity)三大要素来综合评价雷达系统的总体性能,并结合实例,对某型侦察雷达进行效能评估。然而,ADC法适用性不强,当评估影响因素较多时,评估效率低下。
龙文武等人利用基于灰色理论的层次分析法来评估雷达作战效能,从探测、跟踪、侦察、识别、定位、干扰、攻击七个方面,建立多功能雷达作战效能评估指标体系,通过具体数据进行实例仿真,验证了评估模型的有效性和实用性。然而,层次分析法定性分析成分多,权重难以确定,容错性不好。
杜震等人运用模糊综合评判理论,建立了基于模糊综合评判法的雷达侦察设备作战效能评估体系结构,从探测性能、信号截获能力、信号分选识别能力、参数测量能力、可靠性等五个方面进行综合评估,结合实例具体说明了该方法在雷达侦察设备效能评估中的应用。然而,模糊综合评判法受主观因素影响较大,当权矢量与模糊矩阵不匹配时,结果会出现超模糊现象,甚至出现评判失败。
曲文韬等人引入云理论,将定性评估和定量评估相结合,提出了基于云重心的机载雷达侦察设备侦察效能评估方法,建立了评估指标体系,得出系统效能的语言评判值,将其量化计算,最终获得评判结果,为机载雷达侦察设备效能提升提供依据。然而,云重心评判法在一定程度上还是受主观因素影响,评估计算过程并不是完全客观的。
戚宗锋等人建立了基于深度置信网络的雷达侦察系统作战能力评估方法,详细分析了效能评估流程,并结合雷达侦察系统作战能力评估对象,仿真验证了该评估方法的合理性和正确性。然而,当输入数据量较大时,深度置信网络需要训练的权值参数较多,计算复杂度高,难以充分利用大数据样本优势。
发明内容
本发明的目的在于克服上述技术问题,提出一种基于深度学习的雷达防空侦察效能评估方法,实现对雷达侦察系统防空作战效能的多维评估。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)构建包含4个评估维度、13个评估指标和42个评估因子的雷达防空侦察效能评估体系;
(2)构造深度神经网络,深度神经网络由设备可信度评估子网、战场生存能力评估子网、信号侦测能力评估子网和信号处理能力评估子网四个子网并行输出,然后级联整体作战效能评估子网组成;
(3)训练深度神经网络,具体包括:
3a)采集评估因子,计算评估指标;
3b)采用标准差法对13个评估指标进行归一化处理,对4个评估维度进行赋值解释处理;
3c)利用反向传播算法分别逐层训练各个子网,当损失函数小于预设阈值或达到最大训练次数时,训练结束;否则,沿着损失函数梯度下降方向调整各个子网的权值参数,自适应调整学习速率,重新训练各个子网;
(4)将归一化处理后的待评估数据送入训练好的深度神经网络,输出雷达防空侦察效能评估结果。
本发明与现有技术相比,具有以下优点:
本发明通过构建包含4个评估维度、13个评估指标和42个评估因子的雷达防空侦察效能评估体系,并采用基于自适应调整学习速率的深度神经网络,利用深度神经网络的泛化能力,降低了计算复杂度,能够充分提取雷达防空侦察效能评估数据特征,量化评估指标和评估结果,不仅避免了主观因素影响,而且容错性好,大大提高了雷达侦察系统防空作战效能评估的准确度。
附图说明
图1为本发明的流程图;
图2为本发明的雷达防空侦察效能评估体系;
图3为本发明的深度神经网络。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图对本发明做进一步的详细说明。如图1所示,本发明的具体步骤如下:
步骤1,构建雷达防空侦察效能评估体系。
从重点衡量有源雷达系统的安全可靠和任务执行的角度出发,雷达防空侦察效能评估指标体系分为设备可信度、战场生存能力、信号侦测能力、信号处理能力四个评估维度,四个评估维度所涵盖的内容和方面不同,具体描述如下:
a)设备可信度用以表征雷达侦察设备在某一时刻开始工作时处于良好状态的能力量度,可细分为三个指标:①设备可靠性,②故障检测能力,③故障修复能力。
b)战场生存能力用以表征作战过程中侦察设备的安全性能,可细分为四个指标:①战场电磁抗扰能力,②战场抗扰辨别能力,③战场隐蔽能力,④战场机动能力。
c)信号侦测能力用以表征作战过程中雷达侦察设备探测发现信号的能力,可细分为三个指标:①信号侦测范围,②信号分辨能力,③信号探测频域。
d)信号处理能力用以表征雷达侦察系统对接收到的脉冲信号进行处理分析的能力,可细分为三个指标:①目标识别能力,②信号识别精度,③信号稳定跟踪能力。
各个评估指标可以通过多个评估因子来量化表示,具体表达如下:
a)①设备可靠性用表示,评估因子包括任务持续时间T、雷达侦察设备平均故障间隔时间t、平均故障检测时间TR和平均故障修复时间Tr;②故障检测能力用平均故障检测时间TR表示,评估因子包括平均故障检测时间TR;③故障修复能力用平均故障修复时间Tr表示,评估因子包括平均故障修复时间Tr;
b)①战场电磁抗扰能力用雷达侦察设备的抗干扰系数表示,即评估因子包括雷达侦察设备在无干扰条件或实验室条件下的接收机灵敏度Sr,在干扰条件下的接收机灵敏度Sr′;②战场抗扰辨别能力用表示,评估因子包括在无干扰条件下雷达侦察设备能正确识别目标信号的概率PA和在干扰条件下的雷达侦察设备能正确识别目标信号的概率PB;③战场隐蔽能力用κ1+κ2+κ3+κ4表示,评估因子包括雷达侦察系统控制工作时长和频率程度加权系数κ1、发射波形复杂程度加权系数κ2、增设诱饵的诱骗性加权系数κ3和雷达机动性加权系数κ4;④战场机动能力用表示,评估因子包括雷达侦察设备在实验条件下的机动速度υ和雷达侦察设备在战场环境下的机动速度V。
c)①信号侦测范围是雷达侦察设备所能作用的最大距离,用min(Rmax,Rs)表示,其中K为玻尔兹曼常数,通常取1.33×10-23J/K,R0为地球半径,通常取6370Km,评估因子包括雷达的发射功率Pt、雷达发射天线的增益Gt、雷达发射波长λ、侦察目标的有效反射面积σ、接收机噪声温度T0、接收机带宽Δfr、噪声系数Fn、系统损耗因子L、雷达的最小检测信噪比(SN)min,雷达侦察设备天线高度Ha和侦察目标高度Ht;②信号分辨能力用表示,评估因子包括频率分辨率fs和方位分辨率θs;③信号探测频域用频率覆盖系数表示,即评估因子包括设备的频率范围f、设备的瞬时工作带宽Δf、雷达接收机工作频段fr和雷达接收机的瞬时工作带宽fr;
d)①目标识别能力用信号的正确识别概率来表示,即评估因子包括被正确识别出来的信号数量Nζ和所有从目标反射回来的信号数量Nγ;②信号识别精度用表示,评估因子包括频率分辨率Efs、方位分辨率信号脉冲宽度和信号到达时间的误差③信号稳定跟踪能力用综合目标的多个航迹后的三维方位误差Ex、Ey、Ez来表示,评估因子包括跟踪目标横坐标误差Ex、跟踪目标纵坐标误差Ey和跟踪目标垂直坐标误差Ez。
步骤2,构造深度神经网络。
如图3所示,设计的深度神经网络包括5个子网,首先由设备可信度评估子网、战场生存能力评估子网、信号侦测能力评估子网和信号处理能力评估子网四个子网并行输出,然后级联整体作战效能评估子网。具体功能和结构描述如下:
a)设备可信度评估子网
设备可信度评估子网主要评估设备可信度,输入节点有3个,分别为设备可靠性、故障检测能力和故障修复能力;输出节点有1个,为设备可信度。
b)战场生存能力评估子网
战场生存能力评估子网主要评估战场生存能力,输入节点有4个,分别为战场电磁抗扰能力、战场抗扰辨别能力、战场隐蔽能力和战场机动能力;输出节点有1个,为战场生存能力。
c)信号侦测能力评估子网
信号侦测能力评估子网主要评估信号侦测能力,输入节点有3个,分别为信号侦测范围、信号分辨能力和信号探测频域;输出节点有1个,为信号侦测能力。
d)信号处理能力评估子网
信号处理能力评估子网主要评估信号处理能力,输入节点有3个,分别为目标识别能力、信号识别精度和信号稳定跟踪能力;输出节点有1个,为信号处理能力。
e)整体作战效能评估子网
整体作战效能评估子网主要评估系统整体作战效能,输入节点有4个,分别为设备可信度、战场生存能力、信号侦测能力和信号处理能力;输出节点有1个,为系统整体作战效能。
需要说明的是,各个子网的隐含层节点数,采用如下公式确定:
其中,Ns表示子网的隐含层节点数,Nx是子网的输入层节点数,Ny是子网的输出层节点数,m通常取0到10之间的整数。
各个子网的隐含层节点数、隐含层层数(选取范围为1-10)、激活函数和训练函数,通过依次比较损失函数值和训练次数来进行确定,具体方法如下:
a)比较损失函数值,损失函数值越小越好。例如,激活函数Sigmoid函数获得的损失函数值为Esigmoid,激活函数tanh函数获得的损失函数值为Etanh,若Esigmoid<Etanh,则选择Sigmoid函数作为激活函数;若Esigmoid=Etanh,则进入步骤b);若Esigmoid>Etanh,则选择tanh函数作为激活函数。
b)比较训练次数,训练次数越小越好。例如,使用激活函数Sigmoid函数时,训练次数为Lsigmoid,使用激活函数tanh函数时,训练次数为Ltanh,若Lsigmoid<Ltanh,则选择Sigmoid函数作为激活函数;若Lsigmoid=Ltanh,则Sigmoid函数或tanh函数都可以选作激活函数;若Lsigmoid>Ltanh,则选择tanh函数作为激活函数。
步骤3,训练深度神经网络。
3.1)数据预处理
采用标准差法对图2中13个评估指标进行归一化处理,即
对图2中4个评估维度进行赋值解释处理,具体如下:
a)设备可信度
当输出为[0,0.4]时,表示设备可信度极低;为(0.4,0.6]时,表示设备可信度较低;为(0.6,0.8]时,表示设备可信度较高;为(0.8,1]时,表示设备可信度极高。
b)战场生存能力
当输出为[0,0.4]时,表示战场生存能力极弱;为(0.4,0.6]时,表示战场生存能力较弱;为(0.6,0.8]时,表示战场生存能力较强;为(0.8,1]时,表示战场生存能力极强。
c)信号侦测能力
当输出为[0,0.4]时,表示信号侦测能力极弱;为(0.4,0.6]时,表示信号侦测能力较弱;为(0.6,0.8]时,表示信号侦测能力较强;为(0.8,1]时,表示信号侦测能力极强。
d)信号处理能力
当输出为[0,0.4]时,表示信号处理能力极弱;为(0.4,0.6]时,表示信号处理能力较弱;为(0.6,0.8]时,表示信号处理能力较强;为(0.8,1]时,表示信号处理能力极强。
e)整体作战效能
当输出为[0,0.4]时,表示雷达侦察设备整体作战效能很差;(0.4,0.6]时,表示雷达侦察设备整体作战效能一般;(0.6,0.8]时,表示雷达侦察设备整体作战效能较好;(0.8,1]时,表示雷达侦察设备整体作战效很好。
3.2)训练子网
利用反向传播算法分别逐层训练各个子网,当损失函数小于预设阈值或达到最大训练次数时,训练结束;否则,沿着损失函数梯度下降方向调整各个子网的权值参数和学习速率,重新进行训练。在训练过程中,损失函数采用如下公式确定:
其中,E(t)为t次训练时的损失函数值,y'(t)为t次训练时的样本输出值,y(t)为t次训练时的子网输出值。
需要说明的是,各个子网在训练时,采用自适应学习速率,通过如下公式确定:
其中,λ(t+1)为t+1次训练时的学习速率,λ(t)为t次训练时的学习速率,E(t)为t次训练时的损失函数值,E(t-1)为t-1次训练时的损失函数值。
步骤4,评估雷达防空侦察效能。
将归一化处理后的待评估数据送入训练好的深度神经网络,输出雷达防空侦察效能评估结果。
本发明的效果可以通过仿真进一步说明:
1.仿真条件:设某型侦察雷达,其由多种对地雷达侦察设备、对空雷达侦察设备组成全方位防空系统,能侦察到100公里外的飞机及机动设备。结合侦察雷达工作的数据和被侦察目标测得的数据,对侦察雷达作战效能进行评估。
2.仿真内容:采用本发明基于深度学习的雷达防空侦察效能评估方法和层次分析法对雷达防空侦察效能进行仿真比较,结果如表1所示。
表1
由仿真结果可知,在增加了一定噪声后,层次分析法评估得到的结果误差大于0.01,且增加的噪声越大,误差更大。采用基于深度学习的雷达防空侦察效能评估方法得到的评估结果误差始终保持在0.001左右,说明基于深度学习的雷达防空侦察效能评估方法的容错性远大于层次分析法。
Claims (9)
1.一种基于深度学习的雷达防空侦察效能评估方法,其特征在于,包括以下步骤:
(1)构建包含4个评估维度、13个评估指标和42个评估因子的雷达防空侦察效能评估体系;
(2)构造深度神经网络,深度神经网络由设备可信度评估子网、战场生存能力评估子网、信号侦测能力评估子网和信号处理能力评估子网四个子网并行输出,然后级联整体作战效能评估子网组成;
(3)训练深度神经网络,具体包括:
3a)采集评估因子,计算评估指标;
3b)采用标准差法对13个评估指标进行归一化处理,对4个评估维度进行赋值解释处理;
3c)利用反向传播算法分别逐层训练深度神经网络各个子网,当损失函数小于预设阈值或达到最大训练次数时,训练结束;否则,沿着损失函数梯度下降方向调整各个子网的权值参数,自适应调整学习速率,重新训练各个子网;
(4)将归一化处理后的待评估数据送入训练好的深度神经网络,输出雷达防空侦察效能评估结果。
2.根据权利要求1所述的基于深度学习的雷达防空侦察效能评估方法,其特征在于,所述步骤(1)中的4个评估维度是指设备可信度、战场生存能力、信号侦测能力和信号处理能力,4个评估维度共涉及13个评估指标,具体为:
设备可信度涉及设备可靠性、故障检测能力以及故障修复能力三个评估指标;
战场生存能力涉及战场电磁抗扰能力、战场抗扰辨别能力、战场隐蔽能力以及战场机动能力四个评估指标;
信号侦测能力涉及信号侦测范围、信号分辨能力以及信号探测频域三个评估指标;
信号处理能力涉及目标识别能力、信号识别精度以及信号稳定跟踪能力三个评估指标。
3.根据权利要求1所述的基于深度学习的雷达防空侦察效能评估方法,其特征在于,所述步骤(1)中的13个评估指标通过42个评估因子量化表示,具体如下:
故障检测能力用雷达侦察设备平均故障检测时间TR表示;
故障修复能力用雷达侦察设备平均故障修复时间Tr表示;
战场隐蔽能力用κ1+κ2+κ3+κ4表示,κ1为雷达侦察系统控制工作时长和频率程度加权系数κ2为发射波形复杂程度加权系数,κ3为增设诱饵的诱骗性加权系数,κ4为雷达机动性加
权系数;
信号侦测范围用min(Rmax,Rs)表示,其中 K为玻尔兹曼常数,取1.33×10-23J/K,R0为地球半径,取6370Km,Pt为雷达的发射功率,Gt为雷达发射天线的增益,λ为雷达发射波长,σ为侦察目标的有效反射面积、T0为接收机噪声温度,Δfr为接收机带宽,Fn为噪声系数,L为系统损耗因子,(SN)min为雷达的最小检测信噪比,Ha为雷达侦察设备天线高度,Ht为侦察目标高度;
信号稳定跟踪能力用综合目标的多个航迹后的三维方位误差Ex、Ey、Ez来表示,Ex为跟踪目标横坐标误差,Ey为跟踪目标纵坐标误差和,Ez为跟踪目标垂直坐标误差。
4.根据权利要求1所述的基于深度学习的雷达防空侦察效能评估方法,其特征在于,所述步骤(2)中设备可信度评估子网、战场生存能力评估子网、信号侦测能力评估子网、信号处理能力评估子网以及整体作战效能评估子网的具体功能和结构描述如下:
4a)设备可信度评估子网主要评估设备可信度,有设备可靠性、故障检测能力和故障修复能力3个输入节点,输出节点为设备可信度。
4b)战场生存能力评估子网主要评估战场生存能力,有战场电磁抗扰能力、战场抗扰辨别能力、战场隐蔽能力和战场机动能力4个输入节点,输出节点为战场生存能力。
4c)信号侦测能力评估子网主要评估信号侦测能力,有信号侦测范围、信号分辨能力和信号探测频域3个输入节点,输出节点为信号侦测能力。
4d)信号处理能力评估子网主要评估信号处理能力,有目标识别能力、信号识别精度和信号稳定跟踪能力3个输入节点,输出节点为信号处理能力。
4e)整体作战效能评估子网主要评估系统整体作战效能,有设备可信度、战场生存能力、信号侦测能力和信号处理能力4个输入节点,输出节点为系统整体作战效能。
6.根据权利要求1所述的方法,其特征在于,所述步骤(3b)中的对4个评估维度进行赋值解释处理,具体赋值含义如下:
6a)当设备可信度输出为[0,0.4]时,表示设备可信度极低;输出为(0.4,0.6]时,表示设备可信度较低;输出为(0.6,0.8]时,表示设备可信度较高;输出为(0.8,1]时,表示设备可信度极高;
6b)当战场生存能力输出为[0,0.4]时,表示战场生存能力极弱;输出为(0.4,0.6]时,表示战场生存能力较弱;输出为(0.6,0.8]时,表示战场生存能力较强;输出为(0.8,1]时,表示战场生存能力极强;
6c)当信号侦测能力输出为[0,0.4]时,表示信号侦测能力极弱;输出为(0.4,0.6]时,表示信号侦测能力较弱;输出为(0.6,0.8]时,表示信号侦测能力较强;输出为(0.8,1]时,表示信号侦测能力极强;
6d)当信号处理能力输出为[0,0.4]时,表示信号处理能力极弱;输出为(0.4,0.6]时,表示信号处理能力较弱;输出为(0.6,0.8]时,表示信号处理能力较强;输出为(0.8,1]时,表示信号处理能力极强;
6e)当整体作战效能输出为[0,0.4]时,表示雷达侦察设备整体作战效能很差;输出为(0.4,0.6]时,表示雷达侦察设备整体作战效能一般;输出为(0.6,0.8]时,表示雷达侦察设备整体作战效能较好;输出为(0.8,1]时,表示雷达侦察设备整体作战效能很好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210299565.9A CN114662392A (zh) | 2022-03-25 | 2022-03-25 | 基于深度学习的雷达防空侦察效能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210299565.9A CN114662392A (zh) | 2022-03-25 | 2022-03-25 | 基于深度学习的雷达防空侦察效能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662392A true CN114662392A (zh) | 2022-06-24 |
Family
ID=82031432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210299565.9A Pending CN114662392A (zh) | 2022-03-25 | 2022-03-25 | 基于深度学习的雷达防空侦察效能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520270A (zh) * | 2023-07-04 | 2023-08-01 | 四川天中星航空科技有限公司 | 一种基于评估模型的雷达电子战测试方法 |
-
2022
- 2022-03-25 CN CN202210299565.9A patent/CN114662392A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520270A (zh) * | 2023-07-04 | 2023-08-01 | 四川天中星航空科技有限公司 | 一种基于评估模型的雷达电子战测试方法 |
CN116520270B (zh) * | 2023-07-04 | 2023-09-05 | 四川天中星航空科技有限公司 | 一种基于评估模型的雷达电子战测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
Sharma et al. | Artificial intelligence aided electronic warfare systems-recent trends and evolving applications | |
CN110618405B (zh) | 一种基于干扰机理与决策能力的雷达有源干扰效能测算方法 | |
CN108089167B (zh) | 一种合成孔径雷达跨脉冲干扰信号检测方法 | |
CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN107167783A (zh) | 一种共形阵列杂波协方差矩阵的稀疏重构方法 | |
CN107607916B (zh) | 一种抗自卫式速度距离联合欺骗干扰方法 | |
CN108614245B (zh) | 一种基于射频隐身的边跟踪边干扰方法 | |
CN115236607B (zh) | 一种基于双层q学习的雷达抗干扰策略优化方法 | |
CN113341383B (zh) | 基于dqn算法的雷达抗干扰智能决策方法 | |
CN113050045A (zh) | 一种智能化综合抗主副瓣干扰系统及方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN114662392A (zh) | 基于深度学习的雷达防空侦察效能评估方法 | |
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 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN112162246A (zh) | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 | |
CN114545387A (zh) | 一种基于毫米波雷达数据拟合的高空抛物检测判别方法 | |
CN112269401B (zh) | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 | |
CN110441761B (zh) | 基于分布式浮标探测的多源信息融合方法 | |
NL2026449A (en) | Abnormal grain condition detection method based on radio tomographic imaging | |
CN115508793A (zh) | 基于对抗分析特征筛选的雷达干扰效果在线评估智能方法 | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
CN111339816B (zh) | 基于小波神经网络的多无人机射频信号识别方法 | |
CN113687318B (zh) | 一种雷达抗干扰效能评估方法 | |
Liu et al. | An intelligent signal processing method for motional vital signs detection system based on deep learning |
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 |