摘要：在雷达电子战中,快速并准确地识别敌方雷达信号调制技术对于获得战术优势至关重要,而传统依赖于图形处理单元(graphics processing unit,GPU)的识别方法难以满足此应用场景的低延迟要求。为此,该文设计了一种基于数据流架构(dataflow architecture,DF)的雷达信号调制方式识别加速系统。该系统通过对卷积神经网络权值进行二值化来减少模型参数,便于将算法部署到现场可编程门阵列(field-programmablegatearray,FPGA),同时采用数据流架构加快雷达信号调制方式的识别过程。实验结果表明,在确保整体识别准确率的前提下,该加速系统的推理速度相比i7-11800H CPU提升44.43倍,相比RTX 3050Ti GPU提升2.59倍,系统功耗仅为1.724 W。

摘要：针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.

摘要：文中将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合,训练出抗噪声的HMM模型。试验表明,该模型适合于对噪声背景下的语音进行识别。同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(3dB—15dB),识别率比传统CDHMM模型有明显的提高。

摘要：针对传统干扰算法无法适应信号环境变化的问题,提出将Q-Learning算法与“切割”假设法相结合应用到干扰波形设计中,使干扰波形能够达到自适应雷达信号长度变化的效果。该算法主要针对雷达检测环节进行干扰,其中采用恒虚警概率(constant false alarm rate,CFAR)作为环境交互模型,通过强化学习自适应地调整间歇采样信号的采样时间与转发时间,在此基础上对未知长度雷达信号进行“切割”处理以达到最佳干扰的目的。最后进行仿真,实现了对未知雷达信号的干扰。仿真结果表明:在信号模型不定的条件下,强化学习算法在决策时可以充分利用历史数据,相对于传统算法,强化学习算法可以达到更好的干扰效果。

摘要：设计了一种发射机中频数字化方案.该方案的显著特点是:调制方式、调制速率、中频频率皆可编程设置.鉴于美国Intersil公司推出的HSP50415数字上变频可编程超大规模集成芯片的参考资料过于简单的问题,介绍了Intersil公司数字上变频器HSP50415的功能和特点,给出用HSP50415实现数字电台中频调制的例子,将对使用这个芯片的设计人员起到借鉴的作用.