【摘 要】
：
随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别（RATR）技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像（HRRP）反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关
论文部分内容阅读
随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别（RATR）技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像（HRRP）反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关注。本论文将围绕国家自然科学基金、国防预研等项目,针对雷达高分辨距离像信号,主要从基于深度神经网络的HRRP特征提取（目标识别）及针对HRRP识别系统的对抗攻击两方面开展相关研究。论文研究内容可以概括为以下几个方面:1、为充分挖掘HRRP信号距离单元之间的空间相关性和提取结构化的判别特征,本文提出了一种可同时完成雷达HRRP目标识别和拒判任务的改进的卷积神经网络（CNN）模型。该模型在传统CNN识别网络基础上,增加一个重构网络来实现库外目标拒判功能。通过识别网络和重构网络的融合,使得该模型可同时实现HRRP的识别和拒判任务。此外,由于雷达HRRP信号的相位信息可以提供额外的分类信息,因此在该模型中除了使用常用的HRRP一维时域特征外,还使用HRRP的二维谱图特征用于识别和拒判任务。在实测数据集上的实验结果表明:所提方法无论在识别性能还是拒判性能上均优于传统方法。2、本文探讨了HRRP时频表示对识别结果的影响,并提出了一种具有注意力机制的CNN网络用于HRRP目标识别任务。具体的,为探索HRRP时频表示的影响,文中分别使用了短时傅里叶变换和连续小波变换两种时频变换方法对HRRP信号进行分析并对比了它们在CNN网络中的识别性能。在此基础上,针对在使用HRRP时频表示时需要参数选择的问题,提出了一种具有注意力机制的CNN模型用于HRRP目标识别。该模型通过注意力机制将由CNN从不同HRRP时频表示提取的特征进行自动融合,不仅避免了参数不合适影响识别结果的问题,而且还进一步提高了目标识别的准确率。3、为使深度网络同时具有好的特征提取和抗平移敏感能力,本文提出了一种CNN与双向递归网络（Bi RNN）的混合模型（称为CNN-Bi RNN模型）,用以HRRP目标识别任务。在CNN-Bi RNN模型中,先采用CNN从HRRP信号中提取有用的结构化特征,然后利用双向RNN对所提特征进行时序建模。为进一步提高模型的抗平移敏感能力,在CNN-Bi RNN模型中还引入了注意力机制,使模型所提特征更聚焦在目标区域。CNN-Bi RNN模型结合了CNN和RNN各自的优点,即与单纯的CNN模型相比,CNN-Bi RNN具有时序建模能力,可以缓解HRRP的平移敏感问题;而与直接用RNN对HRRP识别相比,CNN-Bi RNN采用CNN进行特征提取,有效提高了模型的识别率。基于实测数据的实验显示,本模型无论在识别率还是对抗平移敏感方面均具有优势。4、本文对比和分析了几种经典的数字对抗样本生成方法,并提出了一种鲁棒的数字对抗样本生成方法。对抗样本是深度网络的特有产物,研究对抗样本的生成可以达到攻击基于深度网络的目标识别系统的目的。为研究基于深度网络HRRP识别模型中的对抗样本问题,本文分析了几种经典的数字对抗样本生成方法并在实测数据集上进行了攻击性能对比。进一步地,为提高数字对抗样本的鲁棒性与实用性,提出了一种鲁棒的数字对抗样本方法。该方法通过优化的方式产生一个通用的、局部对抗扰动用以网络攻击。相比经典的数字对抗攻击方法,该方法产生的对抗扰动更具实用性,为将来针对实际HRRP目标识别系统的攻击提供基础。
其他文献
随着各种高科技技术和探测技术在军事中的应用,降低武器装备等被发现的概率,提高其在现在化战场中生存能力的需求显得尤为迫切。被称为低可探测技术的隐身技术可以改变或减少目标的可探测信息从而降低其被敌方探测系统发现的概率。一般隐身技术以雷达隐身为主,因为位于武器或飞行器上的雷达天线是电磁波的主要散射源。因此,设计兼具传输和隐身功能的雷达天线罩对于降低目标的雷达散射截面（Radar Cross Sectio
极化敏感阵列可以感知入射电磁波的多维电磁场分量,不仅能显著改善对电磁辐射源空域信息的感知性能,而且还可以提供目标的极化信息,其性能要高于传统标量阵列,是阵列信号处理的一个前沿领域,在雷达、通信、声纳和导航等领域有着广阔的应用前景,极化敏感阵列参数估计是一项重要的研究内容,且当前绝大多数极化敏感阵列参数估计算法都是针对远场信号源。然而,随着大型（超大型）阵列以及分布式阵列在实际中的应用日益广泛,在这
随着计算、通信和传感器技术的快速发展,大量的复杂动态系统比如自动制造系统,智能交通系统和物流系统等应运而生,它们都具有混合命令、控制、通信和信息问题的特征。由于各种信号的并发和冲突以及人为设计的运行规则,系统状态只能通过随时间异步发生的离散事件来改变。因此,这类人造系统通常被视为离散事件系统。特别地,由Ramadge和Wonham共同提出的监督控制理论为离散事件系统的控制提供了有力的支撑,其特点在
共形阵列贴合载体曲面的构型符合基于空气动力学的飞行器外形设计,可以减小飞行阻力和油耗、降低飞行器RCS、提升隐身能力。在雷达性能方面,这种构型可最大限度地扩展阵列有效孔径,获得更广的波束覆盖范围和监控视野;天线贴合曲面、不同朝向的放置使极化响应各异的特点给共形阵列带来极化敏感能力。综合利用空域-时域-极化域自由度能提高共形阵列的目标探测能力和地杂波抑制能力,这依赖于对目标回波和杂波在空-时-极化多
近来深度学习已引起AI,计算机视觉,语言处理等多个领域研究人员的关注。本质上讲,序列到序列结构（例如递归神经网络（RNN）和卷积神经网络（CNN））在检测,事件预测和预报等任务中已得到广泛应用。从大规模传感器数据网络,众多工业,环境传感器以及网络空间生成的数据对流的可用性以及相关的高效且可扩展的算法提出了越来越高的需求。这类算法可以自动分析这些数据,检测并标记异常数据,预测感兴趣的事件,甚至预测未
现代无线通信系统的不断发展对天线的电性能指标提出了越来越严格的要求。电磁超表面具有强大的电磁波调控能力和极化转换能力,可以应用于法布里珀罗谐振腔天线、卡塞格伦天线和折叠透射阵天线中实现波前调控、指向调控和极化调控的设计,已经获得了研究学者们的广泛关注并且逐渐成为天线领域的研究热点。论文结合国家自然科学基金项目进行选题,以电磁超表面为中心,对几种基于电磁超表面的新型天线进行研究。论文具体研究成果如下
无线传感器网络由众多小型传感器节点组成,它们能够感应、计算和传输来自恶劣物理环境的数据。基于其良好的分布特性,无线传感器网络在诸如位置感应、环境观察、医疗监测等领域具有广泛应用。然而,由于需要执行计算和通信操作,电池的耗尽速度很快,这给无线传感器的密钥管理带来巨大挑战。因此,研究能量约束下的无线传感器网络密钥管理方案是当前研究的热点之一。论文首先提出了一种通过太阳能为传感器节点进行能量采集与充电的
随着无线网络通信技术的不断发展,无线传感器网络（Wireless Sensor Networks,WSNs）以其低功耗、分布式且自组织的特点在物联网和环境监测等领域取得了广泛应用。无线传感器网络通常部署在复杂的开放式环境中并使用结构简单的微型传感器,从而导致易受攻击、网络安全性能难以保障等问题。特别地,数据源中记录了诸如数据创建者、所有权等数据历史特征,因而实现数据溯源是保护传感器数据的重要方法之
复杂网络被广泛用于描绘与分析复杂系统中不同元素之间的相互作用。无论是日常的人际关系网络还是生态系统的内在运作结构,都可以用复杂网络进行研究。复杂网络上元素之间的相互博弈与演化,推动着整个系统向前发展。本文围绕复杂网络展开研究,分析网络结构对系统功能的影响,并将复杂网络研究与智能优化算法相结合。为理解合作行为的涌现,研究人员分析复杂网络结构对策略演化的影响,并尝试寻找有利于合作策略演化的复杂网络结构
本文研究了多agent离散事件系统的集中式和分布式监督控制。系统中的agent根据其状态转移结构被分为多组,每一组里的agent具有相似或相同的状态转移结构。这样的系统在工业生产中有着广泛的应用。系统中的agent（例如工厂中的机器、制造单元中的机器人以及物流系统中的AGV）执行着相同的任务,并且agent的数量可能随着时间发生变化。针对以上系统,本文共研究了四方面的内容。首先,本文利用每组里的a