一、对相控阵雷达的侦察识别研究（论文文献综述）
季皓[1]（2021）在《小样本多功能相控阵雷达工作模式分析与智能识别方法研究》文中提出近年来,随着数字信号处理技术、计算机科学技术和集成电路技术的快速发展,各种新体制雷达技术都取得了革命性的技术突破,其中多功能相控阵雷达取得了特别引人注目的发展。多功能相控阵雷达是目前战场中常用雷达体制。多功能相控阵雷达具有波束快速扫描、波位快速捷变、波形复杂、功率管控等特点,导致对多功能相控阵雷达的侦收面临小样本问题,给传统的雷达工作模式识别等问题带来挑战。在复杂的电磁环境中,如何实现小样本多功能相控阵雷达工作模式分析与智能识别,已经成为现代电子战亟待解决的关键问题。本文围绕多功能相控阵雷达边搜索边跟踪（TWS）、搜索加跟踪（TAS）、多目标跟踪（MTT）、单目标跟踪（STT）模式在小样本环境下的智能识别开展研究工作。论文的主要工作和贡献如下:1、在多功能相控阵系统结构的基础上,分析了边搜索边跟踪、搜索加跟踪、多目标跟踪、单目标跟踪模式的时、频、空域特点并完成建模。总结了现有典型的多功能相控阵雷达工作模式识别方法针对小样本环境的不足。2、针对小样本环境下多功能相控阵雷达工作模式识别问题,分析了条件生成对抗网络（CGAN）、深度卷积生成对抗网络（DCGAN）、标准生成对抗网络（GAN）对样本扩展性能的影响及对小样本数量的敏感度,明确CGAN的优势;分析了Alex Net、letet、Resnet网络对多功能相控阵工作模式智能识别性能的影响,明确Resnet网络的优势。提出了基于CGAN与Resnet的小样本多功能相控阵雷达工作模式智能识别方法。通过仿真对比实验,验证了该方法在小样本条件下的有效性。3、分别提出基于深度迁移学习和深度LSTM的小样本多功能相控阵雷达工作模式智能识别方法。研究并比较了已经充分训练的VGG16、VGG19、Dense Net121网络基于模型迁移的方法对小样本多功能相控阵雷达工作模式智能识别性能,仿真实验验证了深度迁移学习方法的有效性。同时对深度LSTM网络在小样本多功能相控阵雷达工作模式智能识别问题进行了研究,仿真实验结果证明了深度LSTM算法的有效性。
李瑞瑞[2]（2021）在《相控阵雷达有源干扰智能感知与抗干扰决策方法研究》文中进行了进一步梳理相控阵雷达是目前战场中常用雷达体制。随着雷达技术的高速发展,雷达干扰技术越来越成熟,灵巧噪声干扰、切片转发类干扰等新型雷达有源干扰层出不穷。雷达有源干扰具有获得雷达脉压增益和转发时延小等特点,能够降低甚至破坏雷达对于战场环境的监控能力,使得我方雷达无法正常工作。因此,对雷达有源干扰的感知方法与抗干扰措施的选取的研究具有很重要的价值与意义。本文围绕相控阵雷达有源干扰的智能感知与抗干扰决策方法选取展开工作。论文的主要工作和贡献如下:1、分析相控阵雷达面临有源干扰场景及其时频特性,针对相控阵雷达有源干扰,研究了噪声卷积干扰、噪声乘积干扰、全脉冲密集转发干扰、间歇采样直接转发干扰、间歇采样重复转发干扰及间歇采样循环转发干扰的产生机理,提取了干扰信号在时域、频域两方面的特征参数。2、在分析基于BP网络的雷达有源干扰智能感知方法的基础上,提出一种基于PSO-BP（粒子群算法和BP网络结合）网络的雷达有源欺骗干扰和雷达有源压制干扰智能感知方法,该方法以PSO算法优化BP神经网络中的权值和阈值,进一步提升网络对雷达有源干扰的识别性能。3、在分析基于CNN网络的雷达有源干扰智能感知方法的基础上,提出一种基于Faster R-CNN的雷达有源欺骗和雷达有源压制干扰智能感知方法,并得出该网络对上述6种雷达有源干扰在不同干信比下的识别概率。提升了网络对有源干扰的识别性能。同时分析并比较了基于统计的传统有源干扰识别方法及上述智能感知算法的性能差异。4、针对相控阵雷达抗干扰决策优化选取问题,给出了雷达抗干扰决策优化选取的数学模型,分别提出了基于Q-Learning和基于深度强化学习的雷达抗干扰决策优化选取方法。
李永锋[3]（2020）在《基于深度强化学习的干扰决策技术研究》文中提出在现代战场上,随着雷达体制的改变,雷达工作模式的增多和雷达抗干扰能力的增强,战场环境变得更为复杂。干扰方根据侦察的雷达信号实时判断雷达工作模式的难度提升。针对雷达的任意一种工作模式,干扰方可以选择多种干扰样式对其进行干扰。传统干扰决策方法依靠经验或模板匹配选取干扰样式,不能保证选择的干扰样式是最优的。为了提高复杂电磁环境下干扰决策的性能,提出了基于监督抽样的深度强化学习干扰决策方法。本文主要研究了基于深度强化学习的干扰决策技术,建立基于深度强化学习的干扰决策模型,在识别雷达工作模式的基础上,分别研究了基于深度Q学习（Deep Q-network,DQN）的干扰决策方法及其改进方法以及基于深度双Q网络（Double Deep Q-network,DDQN）的干扰决策方法及其改进方法。仿真结果显示本文的方法具有更好的决策性能。论文的主要研究工作如下:1.分析了雷达干扰决策的过程,提出基于深度强化学习的干扰决策模型。分别分析了深度强化学习干扰决策模型里雷达常用的工作模式以及干扰方可采取的干扰样式。研究了干扰方实施干扰后获得的干扰收益并重点讨论了计算干扰收益的方法。2.分析了常用的雷达信号特征参数,根据雷达工作模式的特点,选择差异大的信号特征,并对选取的信号特征建模。探讨了几种常用的雷达工作模式识别方法及其识别雷达工作模式的过程。研究了基于反向传播（Back Propagation,BP）神经网络识别雷达工作模式的过程并构建了基于BP神经网络的雷达工作模式识别模型。最后进行仿真实验,对比不同方法的识别效果。仿真结果表明基于BP神经网络的工作模式识别方法受参数测量误差的影响较小,并且正确率高。3.分析了DQN决策算法决策的基础过程——马尔科夫决策过程、算法基本原理和模型。探讨了基于DQN的干扰决策原理,给出了基于DQN的干扰决策步骤。针对DQN算法由随机抽样导致的训练样本不均衡问题,提出了监督抽样的方法,并研究了基于监督抽样的DQN干扰决策方法。最后进行仿真实验,仿真验证了DQN及其改进方法的决策性能。4.分析了DDQN决策算法模型以及基于DDQN的干扰决策原理,给出了基于DDQN的干扰决策步骤。针对DDQN算法中由随机抽样导致的训练样本不均衡问题,采用本文提出的监督抽样方法进行改进,研究了基于监督抽样的DDQN干扰决策方法。最后进行仿真实验,仿真验证了DDQN及其改进方法决策的有效性,并对比了DQN及其改进方法与DDQN及其改进方法的决策性能。
王隆威[4]（2020）在《基于机器学习的雷达信号分选识别方法研究》文中研究指明随着电子与信息技术的快速发展,电子侦察已经成为影响战争走向的关键因素。电子侦察在电子战的过程中承担着非常重要的任务,比如截获敌方辐射源信息、战场侦察等,均需要电子侦察的配合工作。而对于战场上产生的越来越多的新体制相控阵雷达不同工作模式的识别显得更为重要。本文主要研究基于机器学习的雷达脉冲分选识别问题。本文深入相控阵雷达的各个工作模块,基于各模块工作流程产生电子侦察系统截获的雷达不同工作模式的脉冲描述字。通过聚类算法对产生的数据集进行聚类的预处理,完成混合雷达脉冲的稀释和单部雷达脉冲提取工作。最后结合基于神经网络的自编码器和分类器完成信号分类。首先,基于相控阵雷达的工作流程对其天线模块、波位编排模块、资源调度模块等模块进行模拟仿真。建立相控阵雷达在不同工作模式（边搜索边跟踪、搜索加跟踪）脉冲描述字特征维度的模型,作为后续脉冲分选识别的基础。其次,利用聚类算法对相控阵雷达不同工作模式和传统雷达的脉冲数据集进行复杂脉冲流的稀释和预处理。文章中分别研究了K-means聚类方法和基于邻域密度网格的聚类方法,并通过实验对聚类算法的选择、特征参数和先验信息等方面进行讨论。最终选择脉冲宽度、脉冲到达角度特征利用基于邻域密度网格聚类算法进行单部雷达脉冲提取工作。最后对聚类结果进行进一步分析,由于相控阵雷达不同工作模式特征交叠严重,因此将脉冲序列按照时间排序并采用加窗的方式进行窗口划分,对每个窗口内脉冲的各维特征分别进行取均值或者归一化处理形成特征矢量。通过基于神经网络的自编码器进行数据降维和进一步的特征提取,送入分类器进行分类识别。对比分析了Softmax分类器和SVM分类器的分类效果,最终选择Softmax分类器作为优选分类器。经实验验证可以达到94%的识别率。
侯超[5]（2020）在《相控阵雷达行为识别与推理技术研究》文中研究说明随着电子战在未来军事领域中的地位日益提升,电子侦察作为电子战的先驱愈发显得关键重要。在实际战场环境中,通过运用电子侦察手段,往往能够提前获取到敌方雷达辐射源信息,从而可以快速制定相应的军事策略并采取行动加以防护,极大提升了侦察方的威胁告警以及军事防御能力。然而,从传统的电子侦察手段看,之前所采用的侦察方式大多都是针对辐射源个体的静态信息而进行的,并不能针对辐射源的行为属性及意图进行深入地分析,以实现辐射源动态信息的提取,从而为后续的战情部署提供强而有力的支撑。针对以上问题,本文主要工作如下:1、研究了相控阵雷达行为理论,并且实现了行为模式的建模仿真与特性分析。首先,从相控阵雷达系统的基本原理入手,探究了相控阵雷达的系统组成结构,并针对相控阵雷达在搜索、复合、跟踪等多个状态下的多种工作模式进行了详细地理论分析;其次,依据典型战情场景进行了想定建模,并对各类工作模式进行了仿真;随后,依据相控阵雷达资源调度策略,探究了各类工作模式的切换准则;最后,通过对各类模式工作原理的分析,提出了一组可供后续行为识别及推理的模式描述字。2、研究了相控阵雷达行为识别技术。首先,根据机器学习算法中提升算法Ada Boost和支持向量机SVM各自的优势特点,实现了二者的算法融合,并且以Ada Boost-SVM融合算法为基础,针对各类行为工作模式提出了一个在不同信噪比条件下的最优模式识别模型;随后,通过寻优化MLP网络以及大量的组合实验,提出了一个针对各类工作模式识别的最优网络架构,达到了不错的模式识别效果。3、研究了相控阵雷达行为意图推理技术。首先,依据长短期记忆网络LSTM可对长时间序列进行状态存储的特性,通过探究多层LSTM网络对时序信息流深层变化特征的敏感程度,提出了一个可用于行为模式推理的网络架构;其次,借助一维CNN可对时间序列进行特征提取的优势、Encoder-Decoder框架的语义转换特性、Attention机制的重要特征焦点化特性,通过对LSTM网络的进一步融合改进,最终构建出了一个混合型网络架构,并通过实验验证了相比其他网络结构有着更佳的行为意图预测能力。
牛浩楠[6]（2020）在《雷达辐射源信号精细化特征分析与识别》文中研究说明当今世界,随着信息化时代的到来,电子科学技术发展飞快。军事作战也越来越依靠电子信息,因此世界各国都在不断更新作战装备。其中,最重要的就是雷达的发展更新。在各种新体制和新种类的雷达大量涌现的背景下,电磁环境变得越来越复杂多变,给电子对抗带来了很大的挑战。针对复杂电磁环境下的辐射源精确识别问题,本文将基于相控阵雷达辐射源的精细化特征,主要是包络特征和相噪特征,利用高阶谱和小波变换对其进行分析,并结合有监督学习方法完成雷达辐射源识别任务。最后本文还提出了一种基于雷达信号中频数据和一维卷积神经网络的雷达辐射源识别方法。主要内容分为以下几部分:1、研究了相控阵雷达的结构组成并进行了数学建模。着重对相控阵雷达的发射系统和天线系统进行了分析和建模,然后根据信号产生过程和相控阵天线扫描原理,按照调制、混频、放大、波束合成等过程给出雷达发射信号模型,并仿真实现了常见的几种雷达辐射源信号。最后通过接收机噪声叠加形成侦收信号。2、研究了雷达辐射源精细化特征。本文重点从时域、频域和变换域研究了雷达辐射源个体的精细化特征。首先分析了包络特征和相噪特征的产生机理和特征模型,然后利用Morlet小波变换法提取信号包络特征,利用非参数化双谱估计间接法和围线积分提取了相噪特征,最后通过频谱小波变换提取频谱特征,构建了八维特征向量。3、研究了雷达辐射源识别方法。针对提取的雷达信号的精细化特征,构建八维特征向量,利用K近邻算法、支持向量机算法和栈式自编码器网络三种分类算法对不同雷达辐射源个体进行分类识别,三种方法各有优劣,但仍能实现较好的分类识别结果。在信噪比为20d B的条件下,各种信号的识别率均达到了90%以上。4、针对低信噪比条件下识别率低的问题,根据雷达辐射源信号中频数据的一维特性提出使用一维卷积神经网络模型来进行分类识别。通过调整网络参数,得到了比较高的识别正确率,在信噪比为0d B条件下,识别率能达到90%以上,比之前的分类器识别效果好。并且网络在高信噪比数据训练,低信噪比数据测试的仿真实验中表现出良好的鲁棒性和抗噪性,达到了很好的分类识别效果。
苏若龙[7]（2019）在《基于电子侦察数据的雷达逆向建模》文中指出雷达作为一种全天候探测设备,在目标探测、跟踪、制导等方面发挥着越来越重要的作用。目前,世界先进战机,如F-22、F-35、Su-35都列装了机载有源相控阵雷达,大大提高了探测距离并实现了同时多目标跟踪,因此对机载有源相控阵雷达的对抗成为非常迫切和重要的研究领域。由于机载有源相控阵雷达性能指标、工作模式等都是严格保密的,难以获得,但是雷达在工作时必须辐射信号,而电子侦察设备通过对雷达辐射信号的截获和分析就可以得到其相关参数,依据获得的参数就可以建立该雷达模型,从而为实施有效的电子对抗提供理论和试验提供基础。本文以机载火控雷达为研究对象,结合雷达侦察以及雷达建模等方面技术完成了对机载火控雷达的逆向建模。本文所做主要工作有:1、对机载火控雷达系统进行了分析,从雷达信号、天线、波位编排这几个方面对机载火控雷达的发射系统进行了仿真建模。并对机载火控雷达边搜索边跟踪（TWS）工作模式、搜索加跟踪（TAS）工作模式、单目标跟踪（STT）工作模式以及速度搜索（VS）工作模式四种工作模式进行了分析与建模仿真。得到我们后面分析所需要的侦察数据。2、通过对侦察数据进行分析得到雷达信号参数。使用门限检测的方法得到脉冲宽度以及脉冲重复间隔。随后针对不同调制信号的表达式的不同,分析得到不同调制信号的调制参数。最后根据调制信号双谱作为特征使用支持向量机（SVM）,对调制信号的脉内特征进行分析。3、通过前面的分析结果以及相关侦察数据完成对雷达系统参数的分析。首先从雷达的系统组成出发,对雷达的近似辐射功率、天线方向图、接收机灵敏度以及信号处理等过程的相关系统参数进行分析。随后对雷达TWS、TAS、STT以及VS四种工作模式的进一步分析,研究得出四种工作模式在信号参数以及天线扫描特性两个方面存在差异。分别选择信号参数以及脉冲幅度作为特征,使用BP神经网络对雷达工作模式进行识别,在此基础上使用D-S证据理论将两种特征的识别结果进行融合,从而提高识别正确率达到了对该识别方法的改进。4、在对雷达信号参数以及雷达系统参数分析的基础上,使用标准化雷达建模工具完成对雷达的逆向建模。将软件工程中的标准化概念利用到雷达建模中,结合分析结果建立标准化的机载火控雷达系统。随后结合分析结果以及建模经验,对标准化雷达系统进行参数配置,并且通过仿真结果的分析验证模型的正确性。
杨勇[8]（2019）在《防空反导雷达干扰与评估研究》文中认为近些年发生的局部战争充分证明了电子对抗已经成为决定战争胜负的重要手段。从中东战争、海湾战争到叙利亚冲突,航空兵都扮演着先头兵的角色。而航空兵面临的最大威胁就是地面防空导弹系统,如何利用电子对抗装备有效掩护航空兵突防,是电子对抗领域一个重要研究课题。本文的工作主要从三个方面展开:第一个方面,研究并且分析防空反导雷达的系统构成,并且对各个关键模块进行建模仿真;第二个方面,研究各种干扰样式及干扰信号产生方法;第三个方面,将干扰信号注入到仿真雷达系统中,进一步分析干扰的效果。具体如下:1.分析了防空反导雷达系统的构成。建立了防空反导雷达系统模型,对阵列天线、信号样式,特别是脉冲压缩、MTD、MTI、恒虚警等信号处理过程进行了仿真分析;然后,针对防空雷达中的目标跟踪问题,分析了数据处理流程,对目标跟踪算法进行了分析。2.建立了雷达干扰信号模型。产生了噪声调幅干扰、噪声调频干扰、噪声调相干扰等干扰信号;分析了欺骗式干扰的工作原理并且对距离假目标欺骗干扰、距离波门拖引干扰、频移叠加干扰、速度波门拖引干扰等欺骗干扰样式建立了干扰模型并进行相应的仿真分析。3.针对两种不同的作战场景,分别从不同的角度分析干扰的效果。首先是干扰对雷达有效探测距离的影响,模拟通过改变突防飞机的进攻路线（主要是突防飞机与雷达天线主瓣夹角不同）,分析不同角度情况下防空反导雷达的有效探测距离,并与理论数据进行对比;针对分布式干扰研究了干扰暴露区的变化规律,给出了突防飞机的安全进攻通道在空间中的分布情况。其次,从干扰对雷达目标跟踪的影响出发,分别分析了距离波门拖引干扰和多假目标干扰情况下,不同干扰样式对目标航迹的影响。最后,从干扰对雷达目标的检测影响的角度,研究分析了多假目标干扰情况下,假目标的数量和干扰信号的功率（即不同的干信比）对检测门限和雷达检测概率的影响。
赵源[9]（2019）在《相控阵雷达及组网抗有源假目标与虚假航迹方法研究》文中进行了进一步梳理从相控阵雷达主瓣进入的有源多假目标干扰是一种典型的精准干扰,严重威胁相控阵雷达目标检测、跟踪与识别能力;通过多干扰机协同产生的虚假航迹干扰作为另一种主瓣精准干扰,进一步影响相控阵雷达及组网对当前战场态势的判断。常规体制维度抗干扰方法通常难以应对此类干扰。如何提升相控阵雷达及组网在主瓣精准干扰背景下的目标探测能力,已成为雷达领域亟需解决的问题之一。本文针对有源多假目标及虚假航迹干扰,分别从信号与信息处理维度进行干扰反对抗方法理论研究、数值仿真等工作,主要内容如下:1)分析了有源多假目标及虚假航迹干扰产生机理与作用机理。重点阐述相控阵雷达及组网易受干扰的薄弱环节,提出了广义干扰函数,分析了有源多假目标干扰作用机理。为反对抗方法研究奠定基础。2)从信号处理维度提出了有源多假目标干扰反对抗方法。实现基于ZAM域间歇采样干扰参数估计,提出了最小方差无畸变失真响应（MVDR）准则下可变参数自适应滤波器,保留目标回波分量的同时在干扰频点形成凹口。另外,提出了一种分数阶Fourier域自适应滤波方法,实现频谱弥散干扰背景下目标分量重构。3)从信号处理维度提出了虚假航迹干扰鉴别方法。剖析了干扰机功率放大器非线性失真产生机理,基于Volterra级数推导了杂散频率分布,利用单帧数据提出了ABORT自适应检测结构下的真/假目标鉴别方法。4)从信息处理维度提出了随机转发多假目标干扰反对抗方法。分析了帧内多假目标空间分布联合稀疏模式差异,提出了基于相位辅助的分布式压缩感知抗干扰方法。联合信息与信号处理提出了相控阵雷达网虚假航迹鉴别方法,提出了基于Dempster组合规则的雷达网多特征、多帧信息融合方法,提高真/假航迹鉴别效能。5)从体制、信号处理与信息处理联合维度提出了转发式虚假航迹剔除方法。阐述了真实目标与转发式干扰在频率分集阵列下信号差异。提出了在MVDR约束下的检测前跟踪方法。引入运动限制,实现航迹不连续假目标的剔除。本文利用数值仿真对上述方法进行了验证,实验结果证明了上述方法能够实现有源多假目标与虚假航迹干扰反对抗。相关研究结果有望提升雷达系统在复杂电磁环境下的目标探测能力。
邬诚,颜振亚,许磊,任财[10]（2019）在《相控阵体制雷达精准自卫干扰技术》文中研究指明面对新一代相控阵体制雷达,采用传统的基于空域、时域、频域大范围"遮盖"自卫干扰,效率低,干扰效果受限,还带来电磁兼容、电磁暴露等问题。精准干扰是提升对相控阵体制雷达综合对抗效能的有效解决途径。文中对相控阵体制雷达精准自卫干扰技术开展了研究,分析了相控阵体制雷达精准自卫干扰系统设计的主要考虑因素,构建了相控阵体制雷达精准自卫干扰系统的系统架构,在此系统架构上建立了精准自卫干扰数学模型,并通过数字仿真验证了模型的有效性。
二、对相控阵雷达的侦察识别研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、对相控阵雷达的侦察识别研究（论文提纲范文）
（1）小样本多功能相控阵雷达工作模式分析与智能识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多功能相控阵雷达工作模式仿真现状 |
| 1.2.2 多功能相控阵雷达工作模式识别现状 |
| 1.2.3 小样本条件下智能识别方法现状 |
| 1.3 论文主要工作及结构安排 |
| 第二章 小样本多功能相控阵雷达工作模式分析 |
| 2.1 多功能相控阵雷达工作模式分析 |
| 2.1.1 边搜索边跟踪(TWS)模式 |
| 2.1.2 搜索加跟踪(TAS)模式 |
| 2.1.3 多目标跟踪(MTT)模式 |
| 2.1.4 单目标跟踪模式(STT)模式 |
| 2.2 多功能相控阵雷达建模 |
| 2.2.1 天线方向图 |
| 2.2.2 脉冲信号参数 |
| 2.2.3 空域波位编排 |
| 2.2.4 资源调度 |
| 2.3 小样本相控阵雷达工作模式仿真建模分析 |
| 2.3.1 小样本边跟踪边搜索模式分析 |
| 2.3.2 小样本搜索加跟踪模式分析 |
| 2.3.3 小样本多目标跟踪模式分析 |
| 2.3.4 小样本单目标跟踪分析 |
| 2.4 脉冲丢失条件下的脉冲幅度变化分析 |
| 2.5 典型相控阵雷达工作模式识别方法 |
| 2.6 小结 |
| 第三章 基于CGAN与 Resnet的小样本多功能相控阵雷达工作模式智能识别 |
| 3.1 常见深度学习算法 |
| 3.1.1 卷积神经网络(CNN) |
| 3.1.2 深度残差网络 |
| 3.1.3 条件生成对抗网络(CGAN) |
| 3.2 算法仿真 |
| 3.2.1 CGAN参数设置 |
| 3.2.2 Res Net参数设置 |
| 3.2.3 小样本数据集参数设置 |
| 3.2.4 算法仿真 |
| 3.3 小结 |
| 第四章 基于迁移学习和LSTM的小样本多功能相控阵雷达工作模式智能识别 |
| 4.1 迁移学习和LSTM算法 |
| 4.1.1 迁移学习 |
| 4.1.2 LSTM网络 |
| 4.2 基于迁移学习的小样本多功能相控阵雷达工作模式智能识别方法 |
| 4.2.1 迁移学习方法 |
| 4.2.2 算法仿真 |
| 4.3 基于LSTM的小样本多功能相控阵雷达工作模式智能识别方法 |
| 4.3.1 特征参数预处理 |
| 4.3.2 算法仿真 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
（2）相控阵雷达有源干扰智能感知与抗干扰决策方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的结构安排 |
| 第二章 相控阵雷达有源干扰分析 |
| 2.1 相控阵雷达面临的有源干扰场景 |
| 2.1.1 相控阵雷达有源欺骗干扰 |
| 2.1.2 相控阵雷达有源压制干扰 |
| 2.2 相控阵雷达有源干扰特征分析 |
| 2.2.1 基于特征参数提取的相控阵雷达有源干扰特征分析 |
| 2.2.2 基于短时傅里叶变换的相控阵雷达有源干扰特征分析 |
| 2.3 本章小结 |
| 第三章 相控阵雷达有源干扰智能感知 |
| 3.1 相控阵雷达有源干扰识别现有方法分析 |
| 3.2 基于BP网络的相控阵雷达有源干扰智能感知 |
| 3.2.1 理论基础 |
| 3.2.2 仿真实验 |
| 3.3 基于CNN网络的相控阵雷达有源干扰智能感知 |
| 3.3.1 理论基础 |
| 3.3.2 仿真实验 |
| 3.4 基于PSO-BP网络的相控阵雷达有源干扰智能感知 |
| 3.4.1 算法原理 |
| 3.4.2 仿真实验与结果分析 |
| 3.5 基于Faster R-CNN的相控阵雷达有源干扰感知 |
| 3.5.1 算法原理 |
| 3.5.2 仿真实验与结果分析 |
| 3.6 雷达有源干扰的感知算法性能比较 |
| 3.7 本章小结 |
| 第四章 相控阵雷达抗干扰决策方法研究 |
| 4.1 相控阵雷达抗干扰技术分析 |
| 4.2 基于Q-Learning的雷达抗干扰决策算法 |
| 4.2.1 算法原理 |
| 4.2.2 仿真实验 |
| 4.3 基于深度强化学习的雷达抗干扰决策算法 |
| 4.3.1 方法原理 |
| 4.3.2 仿真实验 |
| 4.4 相控阵雷达抗干扰决策方法对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（3）基于深度强化学习的干扰决策技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和结构安排 |
| 第二章 基于深度强化学习的雷达干扰决策模型 |
| 2.1 基于深度强化学习的干扰决策模型 |
| 2.1.1 深度强化学习基本原理 |
| 2.1.2 雷达干扰决策模型建模 |
| 2.2 雷达常用工作模式 |
| 2.2.1 搜索模式 |
| 2.2.2 跟踪模式 |
| 2.2.3 综合工作模式 |
| 2.2.4 武器控制模式 |
| 2.3 常用的雷达干扰样式 |
| 2.3.1 压制干扰 |
| 2.3.2 欺骗干扰 |
| 2.4 干扰收益 |
| 2.4.1 工作模式转移概率 |
| 2.4.2 工作模式转移奖励 |
| 2.5 总结 |
| 第三章 雷达工作模式识别方法 |
| 3.1 信号特征参数建模 |
| 3.1.1 常用的雷达信号特征参数 |
| 3.1.2 信号特征选取 |
| 3.1.3 特征序列组建模 |
| 3.2 常用的雷达工作模式识别方法 |
| 3.2.1 基于聚类的雷达工作模式识别方法 |
| 3.2.2 基于决策树的雷达工作模式识别方法 |
| 3.3 基于BP神经网络的雷达工作模式识别方法 |
| 3.4 仿真实验及结果分析 |
| 3.4.1 实验样本数据设置 |
| 3.4.2 实验结果及分析 |
| 3.5 总结 |
| 第四章 基于DQN的干扰决策方法 |
| 4.1 DQN决策算法研究 |
| 4.1.1 马尔科夫决策过程 |
| 4.1.2 Q-learning算法 |
| 4.1.3 DQN算法与模型 |
| 4.2 基于DQN的干扰决策 |
| 4.2.1 DQN干扰决策原理分析 |
| 4.2.2 DQN干扰决策步骤 |
| 4.3 基于监督抽样的DQN干扰决策 |
| 4.3.1 监督抽样方法 |
| 4.3.2 监督抽样的DQN干扰决策步骤 |
| 4.4 仿真实验及结果分析 |
| 4.5 总结 |
| 第五章 基于DDQN的干扰决策方法 |
| 5.1 基于DDQN的干扰决策 |
| 5.1.1 DDQN算法模型 |
| 5.1.2 DDQN干扰决策原理分析 |
| 5.1.3 DDQN干扰决策流程步骤 |
| 5.2 基于监督抽样的DDQN干扰决策 |
| 5.3 基于DDQN算法的干扰决策仿真实验 |
| 5.4 干扰决策算法性能对比仿真实验及结果分析 |
| 5.5 总结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于机器学习的雷达信号分选识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究和发展现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 第二章 相控阵雷达建模 |
| 2.1 辐射源描述方式 |
| 2.1.1 辐射源脉冲到达角 |
| 2.1.2 辐射源脉冲宽度 |
| 2.1.3 辐射源脉冲到达时间 |
| 2.1.4 辐射源脉冲载波频率 |
| 2.1.5 辐射源脉冲幅度 |
| 2.2 相控阵雷达工作模式 |
| 2.2.1 边搜索边跟踪 |
| 2.2.2 搜索加跟踪 |
| 2.3 相控阵雷达建模 |
| 2.3.1 雷达天线方向图 |
| 2.3.2 雷达波位编排 |
| 2.3.3 资源调度和波形设计 |
| 2.4 相控阵雷达不同工作模式建模 |
| 2.5 本章小结 |
| 第三章 基于聚类算法的辐射源预分选研究 |
| 3.1 K-Means聚类算法 |
| 3.2 密度网格聚类算法 |
| 3.3 实验验证 |
| 3.4 本章小结 |
| 第四章 基于自编码器的雷达信号识别 |
| 4.1 雷达联合特征预处理 |
| 4.2 基于自编码器的特征变换 |
| 4.2.1 自编码器 |
| 4.2.2 栈式自编码器 |
| 4.2.3 稀疏自编码器 |
| 4.2.4 编码器参数寻优 |
| 4.3 雷达工作模式分类 |
| 4.3.1 SVM分类器 |
| 4.3.2 Softmax分类器 |
| 4.3.3 实验测试与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）相控阵雷达行为识别与推理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究与现状 |
| 1.2.1 相控阵雷达建模与仿真 |
| 1.2.2 辐射源行为识别 |
| 1.2.3 辐射源行为意图推理 |
| 1.3 论文的主要内容和结构安排 |
| 第二章 相控阵雷达行为特性研究 |
| 2.1 相控阵雷达系统 |
| 2.1.1 相控阵雷达概述 |
| 2.1.2 相控阵雷达系统结构 |
| 2.2 天线特性分析 |
| 2.2.1 线阵天线 |
| 2.2.2 面阵天线 |
| 2.3 波位编排分析 |
| 2.4 资源调度分析 |
| 2.4.1 雷达事件优先级 |
| 2.4.2 相控阵雷达搜索资源管理 |
| 2.4.3 相控阵雷达跟踪资源管理 |
| 2.4.4 相控阵雷达事件调度与负载分配 |
| 2.5 各类工作模式分析 |
| 2.5.1 搜索状态的工作模式 |
| 2.5.2 复合状态的工作模式 |
| 2.5.3 跟踪状态的工作模式 |
| 2.6 本章小结 |
| 第三章 相控阵雷达行为建模仿真与特性分析 |
| 3.1 典型战情场景仿真想定建模 |
| 3.2 相控阵雷达各类工作模式仿真 |
| 3.2.1 速度搜索模式 |
| 3.2.2 高重频边测距边搜索模式 |
| 3.2.3 中重频边测距边搜索模式 |
| 3.2.4 边搜索边跟踪模式 |
| 3.2.5 搜索加跟踪模式 |
| 3.2.6 态势感知模式 |
| 3.2.7 单目标跟踪模式 |
| 3.3 相控阵雷达行为切换准则分析 |
| 3.4 各类工作模式特性分析 |
| 3.4.1 平滑度/离散度特征分析 |
| 3.4.2 波束驻留数特征分析 |
| 3.4.3 回照信息特征分析 |
| 3.4.4 重频组变/脉内调制特征分析 |
| 3.4.5 脉宽/占空比特征分析 |
| 3.5 本章小结 |
| 第四章 相控阵雷达行为识别技术 |
| 4.1 基于AdaBoost-SVM融合算法的行为识别 |
| 4.1.1 支持向量机SVM与提升算法AdaBoost |
| 4.1.2 基于SVM和AdaBoost算法融合的行为识别模型构建 |
| 4.1.3 实验流程及结果分析 |
| 4.1.4 实验总结 |
| 4.2 基于寻优化MLP网络的行为识别 |
| 4.2.1 MLP网络概述 |
| 4.2.2 基于寻优化MLP网络的行为识别模型构建 |
| 4.2.3 实验流程及结果分析 |
| 4.2.4 实验总结 |
| 4.3 本章小结 |
| 第五章 相控阵雷达行为意图推理技术 |
| 5.1 基于LSTM网络的行为意图推理 |
| 5.1.1 循环神经网络概述 |
| 5.1.2 基于LSTM网络的行为意图推理模型构建 |
| 5.1.3 实验流程及结果分析 |
| 5.1.4 实验总结 |
| 5.2 基于改进的CNN-LSTM混合网络的行为意图推理 |
| 5.2.1 CNN-LSTM混合网络及改进方法概述 |
| 5.2.2 基于改进的CNN-LSTM混合网络的行为意图推理模型构建 |
| 5.2.3 实验流程及结果分析 |
| 5.2.4 实验总结 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）雷达辐射源信号精细化特征分析与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源个体识别研究现状 |
| 1.2.2 雷达辐射源指纹特征研究现状 |
| 1.2.3 雷达辐射源识别算法研究现状 |
| 1.3 论文主要内容及章节安排 |
| 第二章 相控阵雷达建模 |
| 2.1 相控阵雷达系统 |
| 2.2 发射机建模 |
| 2.3 相控阵天线建模 |
| 2.3.1 线阵分析 |
| 2.3.2 面阵分析 |
| 2.4 信号建模 |
| 2.4.1 雷达发射信号建模 |
| 2.4.2 侦察接收机侦收信号建模 |
| 2.5 本章小结 |
| 第三章 雷达辐射源个体细微特征分析与提取 |
| 3.1 包络波形特征分析 |
| 3.1.1 包络特征产生机理 |
| 3.1.2 包络特征参数分析 |
| 3.1.3 包络特征参数提取 |
| 3.1.4 仿真实验及结果分析 |
| 3.2 高阶统计量分析 |
| 3.2.1 相位噪声产生机理 |
| 3.2.2 相位噪声建模 |
| 3.2.3 双谱特征分析及提取 |
| 3.2.4 仿真实验及结果分析 |
| 3.3 频域小波分析 |
| 3.3.1 频谱小波变换 |
| 3.3.2 小波变换尺度间相关性去噪 |
| 3.3.3 特征提取 |
| 3.3.4 仿真实验及结果分析 |
| 3.4 本章小结 |
| 第四章 基于细微特征的雷达辐射源识别 |
| 4.1 基于KNN的雷达辐射源识别 |
| 4.1.1 KNN算法原理 |
| 4.1.2 KNN算法流程 |
| 4.1.3 基于KNN的雷达辐射源识别仿真分析 |
| 4.2 基于SVM的雷达辐射源识别 |
| 4.2.1 SVM算法原理 |
| 4.2.2 SVM算法流程 |
| 4.2.3 基于SVM的雷达辐射源识别仿真分析 |
| 4.3 基于SAE的雷达辐射源识别 |
| 4.3.1 SAE算法原理 |
| 4.3.2 SAE算法流程 |
| 4.3.3 基于SAE的雷达辐射源识别仿真分析 |
| 4.4 本章小结 |
| 第五章 基于中频数据的雷达辐射源个体识别 |
| 5.1 基于中频数据的识别分析 |
| 5.2 卷积神经网络概述 |
| 5.3 D-CNN网络结构 |
| 5.3.1 卷积层 |
| 5.3.2 池化层 |
| 5.3.3 全连接层 |
| 5.3.4 激活函数 |
| 5.3.5 softmax层 |
| 5.4 1D-CNN训练算法 |
| 5.4.1 前向传播 |
| 5.4.2 反向传播 |
| 5.4.3 损失函数 |
| 5.4.4 1D-CNN训练流程 |
| 5.5 仿真实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于电子侦察数据的雷达逆向建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究意义及背景 |
| 1.2 国内外发展现状 |
| 1.2.1 机载火控雷达发展现状 |
| 1.2.2 辐射源信号建模与分析发展现状 |
| 1.2.3 雷达系统建模仿真发展现状 |
| 1.3 本文的主要工作 |
| 第二章 机载火控雷达建模与仿真 |
| 2.1 机载火控雷达系统 |
| 2.2 雷达信号分析 |
| 2.2.1 常规脉冲信号 |
| 2.2.2 线性调频信号 |
| 2.2.3 相位编码信号 |
| 2.2.4 频率编码信号 |
| 2.3 天线特性分析 |
| 2.3.1 线阵天线 |
| 2.3.2 面阵天线 |
| 2.4 波位编排分析 |
| 2.5 工作模式分析 |
| 2.5.1 多重频下工作模式 |
| 2.5.2 边扫描边跟踪模式(TWS模式) |
| 2.5.3 搜索加跟踪模式(TAS模式) |
| 2.5.4 单目标跟踪模式(STT模式) |
| 2.5.5 速度搜索模式(VS模式) |
| 2.6 本章小结 |
| 第三章 基于电子侦察数据的雷达信号参数提取 |
| 3.1 侦察数据处理 |
| 3.1.1 对采样信号的信号处理 |
| 3.1.2 对脉冲描述字处理 |
| 3.2 时域参数分析 |
| 3.2.1 脉冲宽度分析 |
| 3.2.2 脉冲重复间隔分析 |
| 3.2.3 仿真结果及分析 |
| 3.3 信号调制参数分析 |
| 3.3.1 常规脉冲信号调制参数分析 |
| 3.3.2 线性调频信号频率参数分析 |
| 3.3.3 相位编码信号调制参数分析 |
| 3.3.4 频率编码信号调制参数分析 |
| 3.4 信号脉内调制特征分析 |
| 3.4.1 支持向量机 |
| 3.4.2 调制信号双谱估计 |
| 3.4.3 脉内特征分析的SVM分类器设计 |
| 3.4.4 仿真结果及分析 |
| 3.5 本章小结 |
| 第四章 基于电子侦察数据的雷达系统参数估计 |
| 4.1 有效辐射功率(ERP)估计 |
| 4.2 雷达天线方向图反演 |
| 4.3 雷达接收机灵敏度估计 |
| 4.4 信号处理反演 |
| 4.4.1 脉冲压缩增益 |
| 4.4.2 脉冲累积增益 |
| 4.5 雷达工作模式反演 |
| 4.5.1 BP神经网络 |
| 4.5.2 基于信号参数的工作模式识别 |
| 4.5.3 基于天线扫描特性的工作模式识别 |
| 4.5.4 基于D-S证据理论的多特征识别结果融合 |
| 4.6 仿真及分析 |
| 4.7 本章小结 |
| 第五章 基于电子侦察数据的雷达逆向建模 |
| 5.1 标准化雷达建模工具 |
| 5.1.1 标准化雷达建模工具简介 |
| 5.1.2 雷达组件建模 |
| 5.1.3 雷达系统建模 |
| 5.2 雷达逆向建模 |
| 5.2.1 目标及雷达参数设置 |
| 5.2.2 发射信号及回波 |
| 5.2.3 接收机及信号处理 |
| 5.3 仿真结果及分析 |
| 5.3.1 回波结果分析 |
| 5.3.2 脉冲压缩结果分析 |
| 5.3.3 MTI及MTD结果分析 |
| 5.3.4 CFAR及雷达测量结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）防空反导雷达干扰与评估研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外现状 |
| 1.2.1 防空反导发展现状 |
| 1.2.2 防空反导雷达对抗技术发展现状 |
| 1.3 工作内容与章节安排 |
| 第二章 防空反导雷达系统建模仿真 |
| 2.1 相控阵雷达的系统构成 |
| 2.2 雷达信号模型 |
| 2.2.1 发射信号 |
| 2.2.2 接收信号 |
| 2.3 相控阵雷达天线的建模与仿真 |
| 2.3.1 线阵天线仿真 |
| 2.3.2 面阵天线仿真 |
| 2.3.3 和差波束方向图建模仿真 |
| 2.4 相控阵雷达信号处理模块 |
| 2.4.1 信号处理流程 |
| 2.4.2 脉冲压缩 |
| 2.4.3 MTI |
| 2.4.4 MTD |
| 2.4.5 恒虚警处理 |
| 2.4.6 目标角度测量 |
| 2.5 数据处理模块 |
| 2.5.1 数据处理流程 |
| 2.5.2 航迹起始 |
| 2.5.3 跟踪滤波 |
| 2.5.4 数据关联 |
| 2.6 本章小结 |
| 第三章 对防空反导雷达的干扰信号研究 |
| 3.1 雷达干扰概述 |
| 3.2 遮蔽性干扰 |
| 3.2.1 噪声调幅干扰 |
| 3.2.2 噪声调频干扰 |
| 3.2.3 噪声调相干扰 |
| 3.3 欺骗性干扰 |
| 3.3.1 距离欺骗干扰 |
| 3.3.2 频移叠加干扰 |
| 3.3.3 速度欺骗干扰 |
| 3.4 本章小结 |
| 第四章 干扰效果仿真与评估 |
| 4.1 遮蔽性干扰条件下干扰暴露区 |
| 4.1.1 单部干扰机干扰下的干扰暴露区 |
| 4.1.2 分布式干扰下的干扰暴露区 |
| 4.2 距离波门拖引干扰效果分析 |
| 4.3 多假目标干扰效果分析 |
| 4.3.2 多假目标干扰的欺骗性分析 |
| 4.3.3 多假目标干扰对目标检测影响 |
| 4.4 本章小节 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）相控阵雷达及组网抗有源假目标与虚假航迹方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要缩略词对照表 |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 相控阵雷达及组网有源干扰研究现状 |
| 1.2.1 有源多假目标干扰研究现状 |
| 1.2.2 虚假航迹干扰现状 |
| 1.3 相控阵雷达及组网抗有源欺骗干扰研究现状 |
| 1.3.1 有源欺骗干扰反对抗研究现状 |
| 1.3.2 相控阵雷达网抗有源欺骗干扰现状 |
| 1.3.3 有源欺骗干扰反对抗方法研究现状 |
| 1.4 本文的主要内容与结构 |
| 第二章 相控阵雷达及组网有源多假目标及虚假航迹干扰机理分析 |
| 2.1 引言 |
| 2.2 相控阵雷达及组网信号/信息处理流程 |
| 2.2.1 相控阵雷达信号/信息处理流程 |
| 2.2.2 相控阵雷达组网信号/信息处理流程 |
| 2.3 有源多假目标干扰机理分析 |
| 2.3.1 全脉冲/示样脉冲随机转发多假目标干扰 |
| 2.3.2 灵巧噪声干扰 |
| 2.3.3 间歇采样干扰 |
| 2.3.4 频谱弥散干扰 |
| 2.3.5 结论 |
| 2.4 虚假航迹干扰产生及作用机理 |
| 2.4.1 旁瓣假目标虚假航迹干扰产生机理 |
| 2.4.2 多机协同虚假航迹干扰 |
| 2.5 本章小结 |
| 第三章 相控阵雷达信号处理维度抗有源多假目标干扰方法 |
| 3.1 引言 |
| 3.2 基于时频分析的干扰样式识别 |
| 3.2.1 FrFT域特征提取 |
| 3.2.2 ZAM域特征提取 |
| 3.2.3 有源多假目标干扰样式识别算法小结 |
| 3.2.4 仿真实验与结论 |
| 3.3 捷变频相控阵雷达基于自适应滤波的灵巧噪声干扰抑制方法 |
| 3.4 基于ZAM-MVDR自适应滤波的间歇采样干扰抑制 |
| 3.4.1 干扰时序参数估计 |
| 3.4.2 自适应滤波器设计 |
| 3.4.3 仿真实验与结论 |
| 3.5 基于高阶旋转角度下自适应滤波的SMSP干扰抑制 |
| 3.6 本章小结 |
| 第四章 相控阵雷达信号处理维度抗虚假航迹方法 |
| 4.1 引言 |
| 4.2 转发式干扰机指纹特征分析 |
| 4.2.1 干扰机指纹特征产生机理分析 |
| 4.2.2 干扰机功率放大器特性分析 |
| 4.2.3 功率放大器特征提取 |
| 4.3 旁瓣假目标特征分析 |
| 4.4 基于ABORT检测理论的干扰识别方法 |
| 4.4.1 ABORT检测器基本原理 |
| 4.4.2 干扰机指纹特征识别方法 |
| 4.4.3 旁瓣假目标鉴别方法 |
| 4.5 本章小结 |
| 第五章 相控阵雷达及组网信息融合维度抗有源多假目标及虚假航迹干扰方法 |
| 5.1 引言 |
| 5.2 基于分布式压缩感知的随机转发多假目标干扰反对抗方法 |
| 5.2.1 信号模型 |
| 5.2.2 基于DCS的干扰抑制方法 |
| 5.2.3 仿真实验与结论 |
| 5.3 基于D-S证据理论的帧间信息融合抗虚假航迹干扰方法 |
| 5.3.1 虚假航迹特征提取 |
| 5.3.2 基于D-S证据理论的虚假航迹鉴别方法 |
| 5.3.3 仿真实验与结论 |
| 5.4 本章小结 |
| 第六章 新体制阵列雷达抗虚假航迹干扰方法 |
| 6.1 引言 |
| 6.2 频率分集阵列基本原理 |
| 6.2.1 新体制阵列发射信号模型 |
| 6.2.2 新体制阵列雷达目标回波信号模型 |
| 6.2.3 新体制阵列转发式干扰信号模型 |
| 6.3 基于SIR-TBD的新体制阵列虚假航迹抑制方法 |
| 6.3.1 信号模型 |
| 6.3.2 SIR-TBD抗干扰性能分析 |
| 6.3.3 FDA-MIMO-TBD联合抗干扰方法 |
| 6.3.4 算法小结 |
| 6.3.5 仿真实验与结论 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 本文主要工作与贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录 A：公式(3-21)推导具体过程 |
| 附录 B：引理1证明 |
| 附录 C：Volterra级数核函数表 |
| 攻读博士学位期间取得的成果 |
（10）相控阵体制雷达精准自卫干扰技术（论文提纲范文）
| 0 引言 |
| 1 精准自卫干扰主要考虑因素 |
| 2 系统架构设计 |
| 3 精准自卫干扰建模 |
| 4 数字仿真 |
| 5 结束语 |
四、对相控阵雷达的侦察识别研究（论文参考文献）
- [1]小样本多功能相控阵雷达工作模式分析与智能识别方法研究[D]. 季皓. 电子科技大学, 2021(01)
- [2]相控阵雷达有源干扰智能感知与抗干扰决策方法研究[D]. 李瑞瑞. 电子科技大学, 2021(01)
- [3]基于深度强化学习的干扰决策技术研究[D]. 李永锋. 西安电子科技大学, 2020(05)
- [4]基于机器学习的雷达信号分选识别方法研究[D]. 王隆威. 哈尔滨工业大学, 2020
- [5]相控阵雷达行为识别与推理技术研究[D]. 侯超. 西安电子科技大学, 2020(05)
- [6]雷达辐射源信号精细化特征分析与识别[D]. 牛浩楠. 西安电子科技大学, 2020(05)
- [7]基于电子侦察数据的雷达逆向建模[D]. 苏若龙. 西安电子科技大学, 2019(02)
- [8]防空反导雷达干扰与评估研究[D]. 杨勇. 西安电子科技大学, 2019(02)
- [9]相控阵雷达及组网抗有源假目标与虚假航迹方法研究[D]. 赵源. 电子科技大学, 2019(01)
- [10]相控阵体制雷达精准自卫干扰技术[J]. 邬诚,颜振亚,许磊,任财. 现代雷达, 2019(01)