对多功能雷达的DQN认知干扰决策方法

基于Q-Learning的认知干扰决策方法随着多功能雷达(multifunctional radar, MFR)可执行的任务越来越多,决策效率明显下降。对此,提出了一种对MFR的深度Q神经网络(deep Q network, DQN)干扰决策方法。首先,分析MFR信号特点并构建干扰库,以此为基础研究干扰决策方法。其次,通过对DQN原理的简要阐述,提出了干扰决策方法及其决策流程。最后,对该决策方法进行了仿真试验并通过对比DQN和Q-Learning的决策性能,验证了所提方法的必要性。为提高决策的实时性和准确率,对DQN算法进行了改进,在此基础上,结合先验知识进一步提高了决策效率。仿真试验表明:该决策方法能够较好地自主学习实际战场中的干扰效果,对可执行多种雷达任务的MFR完成干扰决策。     

干扰规则库未知条件下的干扰决策

针对模板匹配(template matching, TM)应用于未知干扰规则库时干扰决策正确率低问题,提出基于迁移成分分析-支持向量机(transfer component analysis support vector machine, TCA SVM)的干扰决策方法。对空-空场景机载多功能火控雷达,提取雷达信号特征,构建雷达干扰规则库及未知威胁数据集,通过迁移成分分析把两个样本集的特征映射到同一低维隐藏空间,提取样本隐藏空间特征,经过支持向量机训练,实现对未知威胁数据集的干扰决策。实验结果表明:所提方法有效提高了干扰决策正确率,TCA-SVM出色的学习及泛化能力,较好地解决了干扰规则库未知条件下干扰决策问题。     

MFR认知干扰决策体系构建及关键技术

随着多功能雷达(multifunctional radar, MFR)和认知电子战的不断发展,现有干扰决策体系越来越难以满足现代化战争的需求。对此,构建了一种对MFR的认知干扰决策体系。首先,构建了MFR信号层级结构,在此基础上结合认知特点,提出了认知干扰决策体系,使得对MFR的干扰决策体系具备了一定的认知能力。其次,对体系中的关键技术——干扰库和案例库的构建和更新、干扰有效性分析和基于强化学习的干扰策略分别进行了研究分析。对认知电子战的发展具有重要的理论和实际意义。     

MFR认知干扰决策体系构建及关键技术

随着多功能雷达(multifunctional radar, MFR)和认知电子战的不断发展,现有干扰决策体系越来越难以满足现代化战争的需求。对此,构建了一种对MFR的认知干扰决策体系。首先,构建了MFR信号层级结构,在此基础上结合认知特点,提出了认知干扰决策体系,使得对MFR的干扰决策体系具备了一定的认知能力。其次,对体系中的关键技术——干扰库和案例库的构建和更新、干扰有效性分析和基于强化学习的干扰策略分别进行了研究分析。对认知电子战的发展具有重要的理论和实际意义。     

基于灰色关联分析的多传感器协同探测效果评估

本文研究多传感器协同探测性能的综合评估问题。针对协同探测的复杂性,明确了效果评估的整体思路,建立了评估指标体系,结合协同探测评估信息的多层次、多粒度、多尺度、不确定性等特点,将灰色关联度对比运用于协同探测效果评估,构建了基于灰色关联分析的协同探测综合评估模型,该模型可以给出客观、定量化的评估结果,最后结合实测数据完成了综合评估仿真,实验结果表明了该模型的有效性。     

基于Q-学习的智能雷达对抗

随着雷达技术的进步,雷达发展趋于多功能与智能化,抗干扰能力增强,应用于常规雷达的对抗方法作战效能下降,针对多功能雷达,尤其是工作模式未知的智能对抗成为雷达对抗领域的热点与难点。基于此,该文阐述了智能雷达对抗(intelligent radar countermeasure, IRC)方法,对比了智能雷达对抗与传统雷达对抗(traditional radar countermeasure, TRC)的区别。介绍了强化学习(reinforcement learning, RL)基本原理,针对雷达工作模式及数目未知情况,提出了基于Q-学习的智能雷达对抗方法,给出了算法步骤,分析了Q矩阵收敛时间、收敛值与循环次数的关系。仿真实验表明:给定仿真实验条件下,智能化雷达对抗Q矩阵收敛时间仅为秒量级,能根据干扰效果自主学习并智能决策,提高了雷达对抗系统的实时性与自适应性,且能同时对抗多工作模式的雷达。     

面向非协作多功能雷达的波形单元提取方法

针对当前波形单元提取技术难以应用于非协作多功能雷达(multi-function radar, MFR)实侦数据的问题, 构建了基于MFR多参数序列的二分类模型, 在此基础上提出了一种自适应确定输入参数的密度聚类算法进行分类。该方法无需依靠MFR波形库的先验知识, 采用无监督学习的方式提取波形单元。同时, 充分利用多参数间的联合变化和数据集的整体分布信息提高算法鲁棒性, 并通过引入输入参数λ可对不同用户需求调整算法性能。仿真实验表明, 该算法可以有效地提取非协作MFR波形单元, 同时能够适应测量误差和脉冲丢失的干扰, 具有良好的鲁棒性和准确性, 有利于实际工程应用。     

基于块稀疏贝叶斯学习的直扩通信窄带干扰检测与参数估计

现有基于Nyquist采样定理的直扩(direct sequence spread spectrum, DSSS)通信窄带干扰(narrowband interference, NBI)检测和参数估计方法存在应用受限于采样率较高的问题。针对这一问题,将压缩感知(compressive sensing, CS)应用于DSSS通信NBI的检测和参数估计,根据DSSS信号与NBI的不同压缩域特性以及NBI在频域表现出的分块稀疏特性,利用块稀疏贝叶斯学习(block sparse Bayesian leaning, BSBL)框架获取干扰检测和参数估计的特征量,通过对特征量的检测和参数估计实现对NBI的检测和参数估计。理论分析和仿真结果表明:所提方法能够在压缩采样条件下实现对DSSS通信中NBI的有效检测和参数估计,与传统方法相比具有显著优势,干扰检测和参数估计性能受干扰强度、干扰带宽以及压缩率变化的影响,干扰强度越强、干扰带宽越小、压缩率越大,干扰检测和参数估计效果越好。     

基于先验知识的多功能雷达智能干扰决策方法

针对基于强化学习的多功能雷达干扰决策方法训练周期长、收敛慢的问题，本文提出了基于先验知识的多功能雷达智能干扰决策算法。所提算法使用了基于势能函数的收益塑造理论，利用先验知识设置收益函数，相比于传统算法，具有更快的收敛速率。利用先验知识加速算法收敛速率的方法对强化学习在多功能雷达干扰决策中的实际应用具有重要的意义，对于强化学习在其他领域的应用也具有很好的参考价值。     

基于马尔可夫的多功能雷达认知干扰决策建模研究

多功能雷达是现代电磁战场上不可或缺的重要装备, 针对多功能雷达的干扰一直是一个难题。本文在研究多功能雷达信号特点和雷达对抗过程的基础上, 提出了雷达状态联合表征的方法, 将多功能雷达的干扰决策问题建模为一个带收益的马尔可夫决策过程, 设计了认知干扰决策系统, 并通过基于Q-Learning的认知干扰决策算法求解该模型下的最佳干扰策略。通过仿真实验, 证明了基于Q-Learning的认知干扰决策算法能够在缺乏先验经验的情况下学习到最佳干扰策略, 具备“认知”的特性, 并且在不稳定的环境中也具有较强的适应性, 有效支撑了本文所提的干扰决策模型。