联合准则下的认知雷达波形设计

针对不同工作环境中, 需要雷达同时具有多种模式和多种任务的问题, 提出了一种联合优化准则的雷达波形设计方法, 该方法综合考虑了目标与回波之间的互信息与信干噪比。在发射信号能量有限的约束条件下, 首先通过最大边缘分配算法求解最优波形, 其次讨论互信息与信干噪比的增减率, 当改变系数值时, 联合准则下的雷达信号模型既可同时提高互信息和信干噪比值, 又可根据发射需求分别优化互信息或信干噪比。最终信号模型通过一次或较少次数的观测同时完成目标参数估计、检测或识别任务, 为雷达波形优化朝着多功能模型设计提供研究依据。     

信杂噪比约束下基于互信息的雷达波形设计

在发射信号能量有限情况下, 雷达性能界定了信杂噪比(signal to interference plus noise ratio, SINR)的作用范围, 而雷达波形设计就受到SINR的约束。对此, 以提升认知雷达目标估计性能为目标, 根据相对熵的非负性条件, 从理论上推导了互信息的边界和SINR的作用阈, 并在信号相关杂波环境下, 提出一种SINR约束下基于最大化互信息的波形设计方法。仿真验证了互信息和SINR之间的单调递增、阈值限定和相互约束关系, 结果表明SINR约束下的优化波形能更充分利用发射能量, 在有目标且杂波弱的频率点提取目标信号。     

认知雷达起伏目标检测

认知雷达通过对探测环境的感知实现对感兴趣目标的探测。考虑杂波和噪声中的起伏目标的认知雷达探测问题,建立从接收机到发射机的反馈支路,使得雷达与探测环境之间构成一个闭环;采用期望最大算法对探测环境中的目标参数进行估计;利用接收机获得的反馈信息,采用信杂噪比最大准则设计下一次迭代所需的发射波形。计算机仿真分析表明,采用了认知雷达闭环探测结构,可以有效增加探测环境信息获取的效率,因此相对于常规雷达而言,具有更好的探测能力。     

基于容积卡尔曼滤波的约束恒模波束形成算法

提出一种基于容积卡尔曼滤波的线性约束恒模波束形成算法。首先使用伪观测法将恒模代价函数和约束条件写成状态观测方程,之后利用容积卡尔曼滤波算法来求解以上非线性滤波问题。所提方法能够避免常规算法对模型的近似处理和特征值分散效应对波束形成器输出性能的影响,因此对干扰和噪声有更强的抑制能力。仿真结果表明,本算法相比随机梯度法和递归最小二乘法具有更快的收敛速度和更高的输出信干噪比,在非平稳环境下,能够迅速调整权值收敛到最优解。     

基于虚拟孔径投影的共形阵MIMO雷达发射波形设计

为了克服共形阵天线单元指向互异带来波形旁瓣高的缺点,该文以圆弧阵为例,提出一种基于虚拟孔径投影的共形阵多输入多输出(multiple input multiple output，MIMO)雷达发射波形设计方法。该方法首先对各阵元指向进行精确建模,并通过共形阵虚拟投影方法,获得规则虚拟投影阵列;其次向量化发射信号矩阵,将发射波形设计问题转为发射信号协方差矩阵降秩问题;最后通过log det heuristic 算法获得针对该虚拟阵列波形设计的凸优化数学模型,并利用凸优化工具箱对其求解。仿真结果表明,相较于现有方法,该方法能够对共形阵MIMO雷达设计更低旁瓣的发射波形。     

Phased MIMO雷达恒模正交波形优化设计 Phased-MIMO雷达恒模正交波形优化设计

由于受到发射机功率和波形能量的限制,现代雷达系统一般选择恒模波形来实现发射功率的最大化利用。针对Phased MIMO雷达子阵单元之间的恒模正交波形优化设计问题,基于矩阵谱逼近的思想,本文提出了一种新的波形设计框架。首先假设输出信干比的需求得到划分的子阵数目,根据最大信噪比准则对子阵单元进行波束形成,提高了雷达系统的抗干扰性能,其次采用迭代矩阵谱逼近算法(iterative matrix spectral approximation algorithm, IMSAA)对子阵单元之间的正交波形进行优化设计,相对于multi-CAN算法,该算法能够获得更好的相关性能,而且运算效率较高,最终实现了恒模波形的优化设计。仿真结果证明了算法的有效性。     

抗间歇采样转发干扰的认知恒模波形设计方法

间歇采样转发干扰(interrupted sampling repeater jamming, ISRJ)是一种相干干扰, 对雷达信号的干扰效果表现为欺骗性。针对ISRJ匹配滤波后形成的高栅瓣问题, 研究了低集成旁瓣电平(integrated sidelobe level, ISL)的波形设计方法。考虑到雷达发射信号的恒模约束, 以最小化ISL为目标函数建立优化问题, 由于该问题包含非凸四阶目标函数和非凸约束, 难以得到闭式解, 因此设计了一种加速优化极小化(majorization-minimization, MM)方法进行求解。最后, 通过仿真实验和已有算法进行对比, 验证了所设计的波形能降低干扰栅瓣, 有效对抗ISRJ。     

近区低旁瓣的OFDM MIMO雷达波形设计

雷达系统在临近目标分辨中存在近区旁瓣过高的问题,导致了弱目标淹没、临近目标回波主旁瓣混叠等现象。针对这一问题,该文提出了一种抑制近区距离旁瓣的正交频分复用(orthogonalfrequency division multiplexing, OFDM) 多输入多输出雷达波形设计方法。首先,构造一组基于相位编码调制的OFDM发射波形集,在此基础上,以极小化极大原理和近区积分旁瓣水平建立目标函数,令发射波形恒模为约束条件;然后,借助发射波形与相位的对应关系,将波形设计转化为无约束优化问题,并利用Broyden-Fletcher-Goldfarb-Shanno算法求解。理论分析和仿真结果表明,该文方法较现有方法具有更好的近区旁瓣抑制特性和更低的运算复杂度。     

认知雷达中基于Q学习的自适应波形选择算法

自适应波形选择器是认知雷达中智能发射器的重要组成部分。有效的波形选择能够在不同的环境下选择发射最优的波形序列,从而以更高的精度追踪目标。针对雷达目标转移概率未知这一特点,把自适应波形选择问题建模为随机动态规划模型,提出应用Q学习的方法来解决这个问题。仿真结果说明,该算法接近于最优波形选择方案,并且状态估计的不确定性低于固定波形。     

FOPEN UWB SAR 抑制窄带干扰的波形设计及处理

针对叶簇穿透超宽带合成孔径雷达面临其他多种电子系统的频谱干扰问题,提出一种在干扰频带设计陷波的相位调制雷达波形设计及频域处理方法。在建立最大化使用频带和干扰频带能量之比的模型基础上,通过相位域求解共轭梯度以较快的收敛速度得到近似最优相位调制波形。基于发射信号频谱研究了频域匹配处理和距离旁瓣频域抑制加权技术。通过该波形设计及处理方法,可以灵活并有效地完成抗窄带干扰,且易于工程实现。     

基于长短时记忆网络的雷达波形设计

针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information, MI)准则和信杂噪比(signal to clutter and noise ratio, SCNR)准则,提出一种基于长短时记忆(long short-term memory, LSTM)网络的雷达波形设计方法。首先，设计了由输入层、LSTM层和输出层构成的LSTM网络。其次，将基于MI准则和SCNR准则生成的信号与相应环境信息组成训练集,训练LSTM网络。最后,使用训练完成的LSTM网络设计波形,并将所提方法生成波形的雷达性能与单准则设计的波形进行对比。为衡量雷达综合性能,提出一种新的雷达综合性能指标和目标识别率。仿真结果表明,所提方法生成信号作为发射信号时,与MI准则生成信号相比,雷达综合性能平均提升0.67%,与SCNR准则相比,平均提升1.47%,证明了该方法可兼具MI准则和SCNR准则优点,提升雷达综合性能。     

基于双阶段互信息准则的多目标检测波形设计

在有限信噪比情况下,雷达对多目标的检测性能受限于参数估计精度和发射脉冲积累,而波形设计为雷达性能提升提供了自由度。本文以信噪比为约束条件,以假设概率与设计波形的加权和迭代波形发射,分阶段提出了基于单假设互信息最大化、基于多假设间互信息最小化的波形优化方法,实现了提升参数估计精度与降低发射脉冲次数的均衡处理。仿真验证了目标参数估计精度与目标检测性能间呈正相关关系,结果表明,基于双阶段互信息准则设计的波形能够快速检测多目标方位,提升目标检测性能。     

主瓣多假目标干扰收发联合抑制方法

从现代电子战雷达抗干扰迫切需求出发, 针对主瓣多假目标干扰的对抗难题, 提出一种空时相位编码多输入多输出(space time phase coded multiple input multiple output, STPC-MIMO)信号与失配滤波器联合设计方法。该方法通过发射端STPC-MIMO信号设计可自适应调整回波中干扰能量的空域分布, 实现真假目标的空域分离, 进而结合接收端失配滤波器设计, 在信噪比损失可控情况下实现主瓣内多假目标有效抑制。此外, 由于该收发联合优化方法需要对干扰进行认知, 因此进一步给出了基于STPC-MIMO信号回波的假目标参数获取方法, 形成波形设计-干扰认知闭环雷达探测系统。最后通过仿真实验验证了所提方法的有效性。     

基于序列锥规划的MIMO雷达正交连续相位编码波形设计

提出了一种基于序列锥规划的多输入多输出雷达正交连续相位编码波形设计方法,以最小化发射信号的自相关峰值旁瓣电平和互相关峰值电平为目标函数,利用序列锥规划在每一个迭代点对其进行一阶泰勒近似,将原问题转化为一系列二阶锥规划子问题,以便采用原对偶内点算法进行有效求解;为了进一步提高算法的优化性能,对相位增量的门限进行线性变化约束。仿真表明,发射阵元个数和编码长度一定时,所提方法设计的正交波形性能明显优于现有方法,而且该方法能够对正交波形的自相关峰值旁瓣电平和互相关峰值电平分别进行定量控制,以便兼顾两者的性能指标,因而在波形设计时更具灵活性。     

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。     

局部均匀环境中自适应极化与波形优化检测

研究了一种局部均匀环境中的自适应优化检测算法。首先提出了两种波形设计方案;然后基于自适应子空间检测器提出自适应极化分集与波形设计联合优化检测算法,该算法首先将优化检测问题转化为多参数的联合优化问题;进而应用田口优化算法解决该优化问题。仿真实验证明,在局部均匀环境中提出算法相比其他算法检测性能获得了极大改善;重要的是,由于引入高效的田口优化算法,提出算法的效率得以极大提高。     

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept, LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达, 对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network, CNN)的结构智能寻优问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性, 可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优; 采用识别精度及网络复杂度相结合的衡量指标, 可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果, 同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题, 提高了选用CNN结构的适配性及高效性。