基于小波分形插值算法的大气湍流波前畸变重构

波前传感器自适应光学系统的波前畸变校正效果主要取决于重构波前的精度,而现有的模式法、区域法等方法重构波前精度较低,波前畸变校正性能有待提高。针对这一问题,提出一种基于小波分形插值算法的大气湍流波前畸变重构,在对原始波前进行小波变换的基础上采用分形插值的方法,能够有效提高精度,同时避免高频信息丢失,最后进行小波逆变换得到重构波前。仿真结果表明,与传统的最小方差估计算法相比,该方法重构波前的灰度平均梯度由0.065增加到0.765 4,均方根误差由3.249 2下降到0.634 6。     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

基于序列线性规划的雷达低峰均比估计波形设计

在信号相关杂波背景下,现有方法大部分均基于频域进行雷达估计波形设计,这将引起相位信息的缺失从而导致波形变换到时域后性能降低。针对上述问题,同时兼顾放大器的非线性特性,提出了一种基于时域的低峰均比(peak to average power ratio, PAR)估计波形设计方法。首先,根据最大互信息准则在时域上构建了优化问题模型;然后,基于序列线性规划思想,将非凸的优化问题松弛为凸问题,并求得波形矩阵的近似解;最后,对该波形矩阵解进行逼近,使得新的波形矩阵满足Toeplitz结构,进而提取出波形向量解。仿真结果表明,与现有方法相比,本文方法在不增加运算量的前提下具有更好的估计性能。     

用于干扰对消的稀疏约束卡尔曼滤波算法

无人机等小型平台上干扰机的收发隔离问题是影响其收发同时工作的关键。对于动态稀疏系统来说,常规的卡尔曼滤波算法并未考虑干扰信号耦合路径的稀疏性,对路径衰减系数的辨识精度不够,导致隔离性能不佳。针对此问题,从KF算法的修正步出发,将其等效为一个凸问题,并在此基础上,增加对待估计参数的稀疏性约束,重新推导了算法的修正步,提出了一种稀疏约束的KF算法,充分利用了待辨识系统的先验信息,提高了估计参数的稀疏倾向性。理论分析和仿真结果表明,新算法能够有效适用于动态稀疏环境下的系统辨识,提高了KF算法对于动态稀疏系统的辨识精度,并且能够将干扰机的收发隔离度提高3～5dB,改善了干扰机的收发隔离性能。     

基于神经网络的多功能雷达行为辨识方法

针对多功能雷达行为状态复杂多变、难以识别的问题,构建了多功能雷达行为数据集,提出了一种基于神经网络的雷达行为辨识方法。首先对数据进行预处理,提取多功能雷达的参数特征与行为状态特征,并建立两者间的映射关系。然后通过基于贝叶斯准则的变化点检测算法对原始雷达信号脉冲序列进行分割,补齐有缺失的特征参数,构造完整的可用于训练的脉冲数组样本。最后通过数据推理丰富数据库,为数据驱动的智能识别方法提供可靠的数据准备,增强神经网络的泛化能力。针对处理后的雷达行为数据集的特点,设计BP神经网络进行训练与测试。仿真实验结果表明:训练完成的网络模型在识别过程中一定程度上克服了噪声变量等干扰的影响,正确率可以达到89%。     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio，SNR）下识别率低、训练速度慢、识别调制类型少的问题，提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine，GA-ELM）的调制识别算法。首先，提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数；其次，采用GA-ELM作为分类器。仿真实验表明，对11种模拟、数字调制信号进行分类识别，在SNR大于4 dB时算法的总体识别率均超过98%，同时该算法训练速度快，识别系统设计简单，具有较大的应用价值。     

人工智能技术在雷达对抗中的应用

 介绍了人工智能技术的发展概况，总结了人工智能技术在电子战中的应用。以自适应雷达对抗项目为例，分析了人工智能关键技术在雷达对抗中的应用，并探讨了雷达对抗中充分应用人工智能技术需要解决的关键问题。     

基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory, LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。     

一种不同色域空间下的无监督图像分割技术

针对图像分割有监督学习模型训练时间长、需要大量训练样本才能确保模型精度要求且样本标记费时费力的问题,提出了在不同色域空间下基于神经网络的无监督图像分割方法。首先将图像进行不同颜色空间模型转化,得到不同色域空间下图像的颜色表示;其次利用felz和quickshift方法,对转换后的图像进行粗粒度聚类,形成超像素结果,并对每个像素打上相应的标签;最后利用神经网络细粒度的图像特征分辨能力进行微调,得到最终的图像分割结果。该方法在公开的COD10K等数据集上选取了数据集进行验证,实验表明,文中方法能够对图像进行合理分割,且与有监督长时间训练过程相比,无监督的推理耗时大大缩短,速度显著提高。     

防空火力压制任务中反辐射无人机搜索航路优选

反辐射无人机在执行对敌防空火力压制任务时典型的搜索航路有跑道形和"8"字形2种。建立"视场覆盖率"这一指标来衡量两典型搜索航路对目标雷达的压制效果,实现对这两典型搜索航路的优选。为此,首先通过建立数学模型的方法分别求得两种搜索航路的视场覆盖率,然后分别分析了无人机转弯半径、航路规划空间直线长度对两搜索航路视场覆盖率的影响,最后综合考虑了无人机导引头水平机械视场周期扫描对两搜索航路视场覆盖率理论计算值的影响。计算结果表明:在航路规划空间大小、无人机转弯半径一定的情况下,两典型搜索航路的视场覆盖率均低于50%,但"8"字形搜索航路视场覆盖率明显高于跑道形搜索航路,对目标雷达的压制效果更好。