-
公开(公告)号：CN113406579A
公开(公告)日：2021-09-17
申请号：CN202110632548.8
申请日：2021-06-07
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明属于电子干扰技术领域，具体涉及一种基于深度强化学习的伪装干扰波形生成方法。本发明通过构建深度强化学习探索模型，设计状态空间、动作空间、奖励函数，实现了基于深度强化学习的干扰波形生成，该模型中模拟了较为复杂的动态对抗过程，只需当前雷达状态就可以输出对应的干扰波形，在复杂或未知对抗场景下依然能够做出较为有效的干扰波形决策；通过构建伪装生成网络输出伪装信号，并与深度强化学习的生成的干扰信号叠加，得到带有伪装的干扰波形，使得已经训练完成的雷达智能识别网络误判，避免了干扰波形易被雷达方识别的问题，具有较好的干扰和伪装效果。
-
公开(公告)号：CN113406579B
公开(公告)日：2022-09-27
申请号：CN202110632548.8
申请日：2021-06-07
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明属于电子干扰技术领域，具体涉及一种基于深度强化学习的伪装干扰波形生成方法。本发明通过构建深度强化学习探索模型，设计状态空间、动作空间、奖励函数，实现了基于深度强化学习的干扰波形生成，该模型中模拟了较为复杂的动态对抗过程，只需当前雷达状态就可以输出对应的干扰波形，在复杂或未知对抗场景下依然能够做出较为有效的干扰波形决策；通过构建伪装生成网络输出伪装信号，并与深度强化学习的生成的干扰信号叠加，得到带有伪装的干扰波形，使得已经训练完成的雷达智能识别网络误判，避免了干扰波形易被雷达方识别的问题，具有较好的干扰和伪装效果。
-
公开(公告)号：CN113376592A
公开(公告)日：2021-09-10
申请号：CN202110631507.7
申请日：2021-06-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于逆合成孔径雷达干扰技术领域，具体涉及一种基于联合学习的假目标信号生成方法。本发明通过构建XGBoost模型，利用回归的思想，通过大量数据来拟合出俯仰角、方位角与对应散射系数矩阵的映射关系，能够适应复杂的电磁环境，避免了传统方法获取的假目标散射系数矩阵适应性差的问题。本发明在所构建的深度强化学习模型中设置了奖惩机制，根据经修正矩阵修正后的预测值给予奖励，使XGBoost的输出预测值与实际值的差值尽量小，输出对应的最优修正矩阵，对输出预测值进行修正，提高了假目标散射系数矩阵的准确率，弥补了传统方法生成的假目标系数矩阵和实际目标散射系数矩阵有一定偏差的问题。
-
公开(公告)号：CN113376592B
公开(公告)日：2022-12-13
申请号：CN202110631507.7
申请日：2021-06-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于逆合成孔径雷达干扰技术领域，具体涉及一种基于联合学习的假目标信号生成方法。本发明通过构建XGBoost模型，利用回归的思想，通过大量数据来拟合出俯仰角、方位角与对应散射系数矩阵的映射关系，能够适应复杂的电磁环境，避免了传统方法获取的假目标散射系数矩阵适应性差的问题。本发明在所构建的深度强化学习模型中设置了奖惩机制，根据经修正矩阵修正后的预测值给予奖励，使XGBoost的输出预测值与实际值的差值尽量小，输出对应的最优修正矩阵，对输出预测值进行修正，提高了假目标散射系数矩阵的准确率，弥补了传统方法生成的假目标系数矩阵和实际目标散射系数矩阵有一定偏差的问题。
-
-
-
Search Results
4
records
(took 0.021 seconds)
