雷达侦察信号智能处理技术

《雷达侦察信号智能处理技术》着重介绍人工智能思想应用于雷达侦察信号处理领域的思路和方法，共分9章。
　　《雷达侦察信号智能处理技术》首章-第2章为首部分，阐述雷达侦察信号处理技术从感知向认知发展的需求与机遇；第3-5章为第二部分，阐述雷达侦察信号智能分选技术，包括常规体制雷达信号在线分选方法、智能分选方法和多功能雷达信号智能分选方法；第6-8章为第三部分，阐述雷达侦察信号智能识别技术，包括常规体制雷达、多功能雷达型号识别方法和辐射源个体识别方法。第9章展望雷达侦察技术智能化发展的方向。
　　《雷达侦察信号智能处理技术》可作为国防领域电子侦察、电子对抗和民用领域电磁认知等方向的工程、技术、教学科研人员的参考用书。

《中国国防科学技术百科全书》对“雷达对抗侦察技术”的定义是：对敌方雷达信号进行搜索、截获、测量、分选、分析、识别、测向和定位，以掌握其技术参数、判断目标类型和型号、识别工作模式，确认威胁程度的技术。这一定义阐明了雷达侦察信号处理包括对雷达信号的获取和处理过程，其中信号分选、辐射源识别是雷达侦察信号处理过程的重要内容。雷达侦察目标识别包含类型识别、型号识别、个体识别、状态识别等多个层次，而在雷达侦察信号处理流程中，雷达识别技术并不是一个孤立的环节，需要准确的脉冲分选为其奠定数据基础。本书论述对雷达侦察信号分选与识别问题的智能化解决方案，以期推动雷达侦察信号处理技术的进一步发展。
　　雷达侦察信号分选与识别并不是新的课题，而是20世纪伴随着雷达系统和电子侦察系统的应用而衍生出来的，典型的技术成果主要集中在20世纪90年代左右，并在后续得到了补充完善。这些成果的典型特点，是针对当时的雷达发展水平，选取了维数较低的雷达侦察信号特征，提取和使用传统雷达脉冲列的骨架周期解决脉冲分选问题，存储雷达信号载频、脉宽、重频的典型值或区间范围等统计参数以解决雷达辐射源识别问题。所使用的特征参数基本是一维的，部分成果使用了这些一维特征的简单组合，这类分选和识别技术停留在对侦察信号进行简单“感知”的层次。“感知”在《汉语大词典》中的定义是：感觉和知觉的统称，其英文perceive在《牛津英语大词典》中的定义是：take in with the mind or senses。在雷达侦察信号处理领域，这一“感知”的过程类似于生物的“条件反射”，即侦察系统在接收到特定参数的雷达信号之后，自然地激发从信号参数到雷达模式的简单映射关系，以完成雷达侦察信号分选和识别等具体任务。这个过程中间缺失了对侦察信号进行深入“理解”的过程。
　　现代雷达的复杂模式、捷变参数、强方向性造成的大数据噪声等因素显著提高了雷达的特征维度和雷达侦察信号的复杂度，给基于低维特征的“感知”侦察方式带来了极大挑战。为了在严重交错、显著漏脉冲／干扰脉冲等条件下实现对现代多功能、相控阵等雷达侦察信号的精确分选与识别，就必须深入理解、掌握和运用雷达信号的高维模式，实现更高层次的“认知”侦察。“认知”在《汉语大词典》中的定义是：认识和感知，其英文cognize在《牛津英语大词典》中的定义是：take or have cognizance of；notice，observe；know，perceive。从字面上看，“认知”在“感知”的基础上增加了“认识（know）”的含义。对雷达侦察信号处理问题而言，就是要掌握参数捷变、噪声污染的侦察数据之中的不变雷达模式，并将其应用于更准确地分析和处理雷达侦察信号。

第一部分 雷达侦察信号处理：从感知到认知
第1章 雷达侦察信号处理的现状与挑战
1．1 雷达侦察信号处理问题分析
1．1．1 雷达与雷达侦察
1．1．2 雷达侦察信号描述
1．2 雷达侦察信号处理的两大任务：分选与识别
1．3 传统脉冲分选方法及局限性
1．3．1 雷达脉冲分选问题描述
1．3．2 雷达脉冲分选技术现状
1．4 传统雷达侦察识别方法及局限性
1．4．1 雷达侦察识别问题描述
1．4．2 雷达侦察识别技术现状
1．5 多功能雷达的分选与识别问题
1．6 分选与识别技术的智能化需求
1．7 本章小结
第2章 人工智能赋能雷达侦察信号处理技术新发展
2．1 人工智能领域相关技术
2．1．1 人工智能与机器学习
2．1．2 前馈神经网络
2．1．3 卷积神经网络
2．1．4 循环神经网络
2．1．5 深度自编码器
2．2 人工智能技术直接应用于雷达侦察信号处理领域的困难
2．3 来自自然语言处理等技术的启发
2．4 雷达侦察信号处理：从感知到认知
2．5 本章小结

第二部分 雷达侦察信号智能分选技术
第3章 基于有限状态自动机的常规体制雷达信号在线分选
3．1 交错脉冲列的在线分选需求
3．2 常规重频体制雷达脉冲列时序规律建模
3．3 用于脉冲列识别的自动机构建
3．3．1 周期重复脉冲列的正则文法表示
3．3．2 周期重复脉冲列的有限状态自动机识别模型
3．4 基于有限状态自动机的脉冲列在线分选
3．4．1 自动机起始
3．4．2 自动机序贯更新
3．5 交错脉冲列并行分选
3．6 多种因素对在线分选性能的影响分析
3．7 本章小结
第4章 基于脉冲列时序规律解析的常规体制雷达信号智能分选
4．1 常规体制雷达交错脉冲列的智能分选需求
4．2 脉冲列建模与分析
4．2．1 脉冲列模型
4．2．2 循环神经网络功能与脉冲分选任务的内在契合性
4．3 脉冲列去噪
4．3．1 用于脉冲参数预测的循环神经网络模型
4．3．2 循环神经网络预测器的训练
4．3．3 基于循环神经网络预测器的脉冲列去噪方法
4．4 基于序贯去噪的交错脉冲列分选方法
4．5 常规体制雷达信号智能分选性能受噪声的影响情况分析
4．5．1 试验参数设置
……

第三部分 雷达侦察信号智能识别技术

参考文献