摘要:针对弹载单脉冲雷达在杂波背景下由于差路信号信杂比降低导致测角精度降低的问题，提出了一种基于凸优化的低副瓣差波束方向图优化设计方法。通过低副瓣及副瓣零陷方向图优化仿真实例，验证了所提方法的可行性。该方法可以用于弹载单脉冲雷达抗地海杂波干扰，能够提升其测角性能。

摘要:目前基于正交时频空（orthogonal time frequency space，OTFS）的雷达目标参数估计算法以在网估计为主，但在网估计算法无法有效应对现实应用中的离网现象。同时，现有离网估计算法的目标参数估计性能受建模误差的限制，也难以确保雷达系统在复杂环境下的有效应用。针对以上问题，提出了一种基于OTFS调制的动态稀疏贝叶斯（dynamic-sparse Bayesian learning，dynamic-SBL）算法。该算法在稀疏贝叶斯学习框架下引入动态虚拟网格，通过不断更新调整网格参数降低建模误差，提升目标参数估计性能。同时利用 OTFS 雷达信道特有的稀疏性对网格参数进行选择性局部更新，以降低算法的复杂度。仿真结果表明，所提算法估计的目标归一化时延和多普勒频率的均方误差较小，目标参数的估计性能优于传统离网估计方法的。该算法在实际雷达系统中具有较大应用潜力。

摘要:针对天线罩瞄准线误差导致相控阵雷达导引头跟踪性能下降的问题,开展天线罩瞄准线误差补偿方法研究。在建立相控阵雷达导引头捷联去耦跟踪回路模型的基础上，提出了回路内和回路外两种天线罩瞄准线误差补偿方法，并重点针对回路外补偿方法进行了理论计算和半实物仿真试验。试验结果表明：经天线罩瞄准线误差补偿后，导引头跟踪性能得到了有效改善，其视线角速度跟踪精度和隔离度得到大幅提升。

摘要:针对目前雷达干扰抑制决策智能化程度低的问题，提出了一种基于双深度优先经验回放和可变贪婪算法改进的双重竞争深度Q网络（double dueling deep Q network, D3QN）决策的雷达干扰抑制方法。首先对雷达目标回波和干扰混合信号进行特征提取；然后根据信号特征通过可变贪婪算法选择动作作用于干扰，并将动作前后的信号特征存储于双深度优先经验回放池后，经过学习决策出最优的干扰抑制策略；最后使用该策略抑制干扰后输出。实验结果表明，该方法有效改善了信号的脉压结果，显著提升了信号的信干噪比，相较于基于D3QN的传统干扰抑制方法，在策略准确率和收敛速度上分别提升了7.3%和8.7%。

摘要:针对大视场(field of view，FOV)、宽波段、高精度的星载激光告警成像需求，开展了基于光谱补偿技术的超大视场成像光学系统设计。设计并实现了182°成像视场的超广角光学系统，并通过滤光片光谱透过率设计对探测器光谱响应不均匀性进行了有效补偿。通过鬼像分析优化了光学系统的结构布局，并提出了系统的杂散光抑制措施。试验结果表明：采用所提光谱补偿措施，在实现太阳直射光抑制的同时，光学系统在激光告警波段内的光谱响应度差异由8.0 dB降低至0.5 dB；采用滤光片与衰减片分离放置的结构形式，杂散光强度与信号光主峰强度的比值降低至1.7×10-5，实现了杂散光的有效抑制。

摘要:针对大尺寸高速旋转目标回波存在的跨多普勒单元现象导致其相参积累增益低的问题，提出了一种目标旋转角速度的参数化相位补偿方法。该补偿方法利用预测的目标旋转角速度，对脉冲压缩后的目标回波先进行多普勒相位补偿,再进行相参积累，解决了积累回波的能量发散问题。经仿真验证，所提方法有效提高了积累回波的信噪比，改善了雷达对大尺寸高速旋转目标的探测性能。

摘要:针对密集电磁环境下雷达信号因到达时间交错、观测时窗内波形截断导致信号完整性缺失与多分量信号混叠的问题，提出了一种基于轻量化YOLOv8n目标检测网络的多分量雷达信号检测与识别方法。该方法首先对雷达信号进行时频分析处理，随后将生成的时频图输入到YOLOv8n网络中进行检测并识别。YOLOv8n中路径聚合网络（path aggregation network，PANet）的双向特征金字塔结构将跨阶段局部双卷积瓶颈（cross stage partial bottleneck with 2 convolutions，C2f）模块输出的多层次特征进行双向融合，显著增强了模型在复杂场景下的特征表征能力。实验结果表明，在信噪比为-1dB条件下，YOLOv8n目标检测模型对到达时间交错条件下的多分量雷达信号具有良好的识别效果，整体召回率达到99.0%。

摘要:针对空间群目标电磁散射特征复杂导致其本征参数估计难的问题，开展了空间锥体群目标散射中心逆向建模方法及其多维本征参数智能提取方法研究。结合空间锥体目标运动状态和锥体目标散射中心模型，推导了空间群目标电磁散射特征理论公式，实现了群目标的散射中心分离提取及其电磁散射特征重构。利用分离后的空间群目标散射中心模型，结合静态构造法，快速构建了多维电磁散射特征数据集。将深度学习与物理先验知识相结合，构建了多维电磁散射特征融合的物理驱动网络模型。仿真结果表明，所提方法的目标本征参数估计性能最优，在信噪比为0 dB时的参数估计误差均小于5%。该方法可用于对空间群目标本征参数的精确估计。