重力式热管黑体辐射源的研制

研制了一种重力式热管黑体辐射源。热管系统中冷凝段居上,把黑体空腔作为热管冷凝段的一部分,冷凝液靠重力经绝热段回流到设置在下部的蒸发段。本黑体的工作温度范围是40～150℃,故选择水/铜型热管。在研究中采用φ0.3mm二等标准铜康铜热电偶测量了黑体空腔内壁面的温度分布。测量结果表明,在双锥腔体内腔体壁面的最大温差在0.4～0.6℃以内。采用Bedford方法并引用作者导出的微元环对同轴全照区和半照区圆盘辐射角系数公式计算了腔体有效发射率分布。计算结果表明,在经常被瞄准的靶面上有效发射率为0.9995以上。     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

基于云模型的复杂体制雷达辐射源信号特征模糊评价

鉴于传统的评价方法未能考虑指标值的模糊性,从可分性、复杂性和稳定性3方面建立评价指标体系,把云模型和模糊评价理论结合起来,并利用Bootstrap小子样法求解评价矩阵,最终通过建立的新模型得到评价结果.仿真实验结果表明,此模型把指标的确定性和模糊性都代入计算,从而较为全面地得出特征评价结果,为雷达辐射源信号特征的分选识别提供了一种新的选择.     

基于BP网的雷达辐射源分类器设计

为了解决侦察告警设备在强噪声背景下的雷达辐射源识别率较低的问题,设计了一种基于BP(Back Propagation)网络的雷达辐射源分类器,并就设计关键点——分类器拓扑结构、训练次数的确定以及训练集的设计进行了研究。分类器以BP网络为基础,以载频、脉宽、重频和天线扫描方式为输入特征向量,对雷达辐射源进行分类识别。仿真实验结果证明,该分类器在强噪声背景下的正确识别率可达92.4%。     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

利用相位变化率对固定辐射源的无源被动定位

无源被动定位是利用从威胁辐射源接收到的辐射信息,对威胁辐射源进行定位的技术。以往的研究,常常局限于利用方向角（ＤＯＡ）信息。由于定位精度对角度测量误差的敏感性,仅利用ＤＯＡ信息很难得到迅速准确的位置信息。本文提出了一种利用相位变化率信息进行快速定位的定位方法,并给出了相应的算法和仿真结果,以及与传统只测角定位法的比较。     

轻量化的增量式集成学习算法设计

常规的分类与回归树算法(classification and regression tree,CART)只能通过重新训练来增加对新类别的认知,导致样本类别数量较多时训练成本大幅增加.针对这一问题,提出一种轻量化的增量式集成学习算法:当新的类别进入到训练集中,只需在原有集成学习算法中添加具有开集识别能力的CART基分类器...     

一种机载外辐射源雷达微弱目标检测方法

针对机载外辐射源雷达系统中直达波信号参数估计误差导致的杂波抑制性能下降、微弱目标检测性能恶化的问题,提出了一种机载外辐射源雷达体制下微弱目标检测方法。该方法在建立杂波和微弱运动目标信号模型的基础上,对重叠分段后的两通道信号进行匹配滤波,然后分别对两通道信号进行Keystone变换完成相对径向速度的距离徙动校正,最后构造通道间相位偏差补偿函数,并结合两通道相位中心偏置天线(DPCA)方法解决杂波剩余问题。仿真结果表明:考虑直达波参数估计误差的影响能够提高微弱目标检测能力;在载机偏航角为2°的情况下,该方法与忽略相位偏差的传统DPCA方法和理论值补偿相位偏差的DPCA方法相比,检测信噪比分别提高了12dB和7dB以上。     

基于多个外辐射源的单站无源定位

利用多个外辐射源,单站可以对目标进行定位。文中研究了在多个外辐射源条件下,利用目标反射信号和外辐射源到接收站的直达信号的单站无源定位算法;并结合计算定位精度的几何稀释度的方法,定量分析了定位的误差,最后讨论了外辐射源数目会对定位精度产生的影响。计算机仿真验证了算法的有效性。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.