开展脉冲重复间隔(Pulse Repetition Interval,PRI)模式识别工作是电子支援系统的一项重要任务。现代复杂电磁环境下,受雷达辐射源部署和接收设备本身影响,雷达脉冲丢失率极高,导致分选后PRI序列调制规律被破坏,现有的PRI模式识别方法...开展脉冲重复间隔(Pulse Repetition Interval,PRI)模式识别工作是电子支援系统的一项重要任务。现代复杂电磁环境下,受雷达辐射源部署和接收设备本身影响,雷达脉冲丢失率极高,导致分选后PRI序列调制规律被破坏,现有的PRI模式识别方法准确率不足。针对上述问题,从PRI序列还原角度出发,并结合PRI序列本质是时序序列的特点,提出GAIN-LSTM(Generative Adversarial Imputation Nets and Long Short Term Memory)网络架构,其先对丢失脉冲位置进行补全操作,恢复PRI调制规律,然后对还原后PRI序列进行调制模式识别。仿真结果表明,提出的GAIN-LSTM网络架构在脉冲丢失率70%时仍保持95%的正确识别率。展开更多
姿态测量技术是载体运动状态和安全监测的基础.载体自旋运动使得飞行器各姿态角之间互相耦合,对载体的飞行控制带来严重影响.针对载体滚转下GNSS信号入射方向周期性变化特征,本文提出一种长短期记忆(long short term memory,LSTM)神经...姿态测量技术是载体运动状态和安全监测的基础.载体自旋运动使得飞行器各姿态角之间互相耦合,对载体的飞行控制带来严重影响.针对载体滚转下GNSS信号入射方向周期性变化特征,本文提出一种长短期记忆(long short term memory,LSTM)神经网络的深度学习方法,以确定载体的实时滚转角.通过对载体滚转状态下单天线接收卫星信号能量特征的分析,得到载体实时滚转角与接收信号能量幅值关联变化模型,并分析了卫星在轨运行时其空间位置改变对该模型的影响;然后采用LSTM神经网络方法对实测信号中的周期性变化特征进行训练,得到网络各项参数;最后将训练参数用于对实时接收的信号能量进行预测及降噪,并将预测结果通过模型匹配进行载体实时滚转角测算.为验证文中所提出方法的性能,开展了对天滚转实验.实验结果表明:LSTM深度学习方法可还原复杂的信号能量特征,并实现实时载体滚转角测算.展开更多
文摘开展脉冲重复间隔(Pulse Repetition Interval,PRI)模式识别工作是电子支援系统的一项重要任务。现代复杂电磁环境下,受雷达辐射源部署和接收设备本身影响,雷达脉冲丢失率极高,导致分选后PRI序列调制规律被破坏,现有的PRI模式识别方法准确率不足。针对上述问题,从PRI序列还原角度出发,并结合PRI序列本质是时序序列的特点,提出GAIN-LSTM(Generative Adversarial Imputation Nets and Long Short Term Memory)网络架构,其先对丢失脉冲位置进行补全操作,恢复PRI调制规律,然后对还原后PRI序列进行调制模式识别。仿真结果表明,提出的GAIN-LSTM网络架构在脉冲丢失率70%时仍保持95%的正确识别率。
文摘姿态测量技术是载体运动状态和安全监测的基础.载体自旋运动使得飞行器各姿态角之间互相耦合,对载体的飞行控制带来严重影响.针对载体滚转下GNSS信号入射方向周期性变化特征,本文提出一种长短期记忆(long short term memory,LSTM)神经网络的深度学习方法,以确定载体的实时滚转角.通过对载体滚转状态下单天线接收卫星信号能量特征的分析,得到载体实时滚转角与接收信号能量幅值关联变化模型,并分析了卫星在轨运行时其空间位置改变对该模型的影响;然后采用LSTM神经网络方法对实测信号中的周期性变化特征进行训练,得到网络各项参数;最后将训练参数用于对实时接收的信号能量进行预测及降噪,并将预测结果通过模型匹配进行载体实时滚转角测算.为验证文中所提出方法的性能,开展了对天滚转实验.实验结果表明:LSTM深度学习方法可还原复杂的信号能量特征,并实现实时载体滚转角测算.
