针对多部干扰机协同干扰多部雷达的干扰资源分配问题,提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)对...针对多部干扰机协同干扰多部雷达的干扰资源分配问题,提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)对目标雷达进行威胁评估,然后建立干扰资源多约束优化分配模型,最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解,将这些优化解用于调整蚁群算法中初始信息素的分布,利用蚁群算法对问题进一步优化,从而找到最优解,提升了算法的求解精度和求解时间。仿真结果表明,融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。展开更多
在部分频谱侦察应用中,无人机集群的采样率必须保持一致。然而在采用无人机自组网(Flying Ad Hoc Network, FANET)作为频谱数据回传方案时,由于无人机间的带宽受限,因此频谱采样率存在上限,超过此上限将导致网络丢包,从而在控制中心观...在部分频谱侦察应用中,无人机集群的采样率必须保持一致。然而在采用无人机自组网(Flying Ad Hoc Network, FANET)作为频谱数据回传方案时,由于无人机间的带宽受限,因此频谱采样率存在上限,超过此上限将导致网络丢包,从而在控制中心观测到不一样的采样率。为了研究影响频谱最大采样率的因素,搭建了基于商用仿真平台EXata的仿真场景,评估了在不同网络场景下各潜在因素对频谱数据采集任务的影响,性能指标包括分组交付率、平均端到端时延和最大频谱采样率,总结出不同场景下的性能差异,以期增加对频谱侦察无人机集群在复杂环境下的性能理解,提高无人机在复杂环境下的效率和生存能力。展开更多
针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Cho...针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。展开更多
文摘针对多部干扰机协同干扰多部雷达的干扰资源分配问题,提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)对目标雷达进行威胁评估,然后建立干扰资源多约束优化分配模型,最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解,将这些优化解用于调整蚁群算法中初始信息素的分布,利用蚁群算法对问题进一步优化,从而找到最优解,提升了算法的求解精度和求解时间。仿真结果表明,融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。
文摘在部分频谱侦察应用中,无人机集群的采样率必须保持一致。然而在采用无人机自组网(Flying Ad Hoc Network, FANET)作为频谱数据回传方案时,由于无人机间的带宽受限,因此频谱采样率存在上限,超过此上限将导致网络丢包,从而在控制中心观测到不一样的采样率。为了研究影响频谱最大采样率的因素,搭建了基于商用仿真平台EXata的仿真场景,评估了在不同网络场景下各潜在因素对频谱数据采集任务的影响,性能指标包括分组交付率、平均端到端时延和最大频谱采样率,总结出不同场景下的性能差异,以期增加对频谱侦察无人机集群在复杂环境下的性能理解,提高无人机在复杂环境下的效率和生存能力。
文摘针对低信噪比(signal to noise ratio,SNR)低截获概率(low probability of intercept,LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation,SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution,CWD)获得雷达时域信号的二维时频图像(time-frequency image,TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。
