认知电子战通常被定义为以具备认知性能的电子战装备为基础,注重自主交互式的电磁环境学习能力与动态智能化的对抗任务处理能力的电子战形态。自其被首次提出以来,以其感知准、推理强、决策快的优势备受国内外研究学者广泛关注。随着人工智能新理念、新技术、新应用的不断涌现,认知电子战步入崭新的发展阶段。为捕捉其未来发展方向,从人工智能角度出发,总结并丰富了认知电子战概念内涵,梳理认知电子战的发展脉络及外国典型项目,搭建认知电子战系统框架及架构,从感知、判断、决策等方面对认知电子战关键技术进行了全面系统综述,并总结了认知电子战面临的挑战和发展趋势。

为解决现有基于相空间个体识别方法面临重构特征矢量维数高、计算效率低、鲁棒性差等问题,从非线性动力学角度出发,构建了基于重构吸引子的辐射源个体识别框架,并在此框架内提出了基于等距映射的辐射源个体识别技术。该技术采用等距映射从相空间中重构辐射源吸引子,可以更低的维度描述辐射源系统动力学特性,反映辐射源个体的“指纹”特征。实验表明该方法识别准确率更高、效率更高鲁棒性更强。

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。

深度学习容易被对抗样本所攻击。以通信调制识别为例,在待传输的通信信号中加入对抗性扰动,可以有效防止非合作的用户利用深度学习方法识别信号的调制方式,进而提升通信安全。针对现有对抗样本生成技术难以满足自适应和实时性的问题,通过对数据集中抽取的小部分数据产生的对抗扰动进行主成分分析,得到适用于整个数据集的通用对抗扰动。通用对抗扰动的计算可以在离线条件下进行,然后实时添加到待发射的信号中,可以满足通信的实时性要求,实现降低非合作方调制识别准确率的目的。实验结果表明该方法相对基线方法具有更优的欺骗性能。

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码；当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。

卫星/惯性超紧组合导航系统以其定位精度高、动态性能优良、抗干扰能力强等特性成为组合导航领域的研究热点。介绍了卫星/惯性超紧组合的定位原理,基于对技术原理的分析,比较超紧组合模式相对于其他组合模式的优势特点；以高动态下超紧组合技术及卫星/微惯性单元超紧组合为代表介绍国内外研究现状；总结了亟待研究的容错控制技术、神经网络辅助、多传感器辅助超紧组合等关键技术,并对卫星/惯性超紧组合向着低成本、高精度、强稳定趋势发展的前景进行展望。

滤波器阶数是影响卫星导航接收机时域自适应抗干扰性能和计算复杂度的核心参数。为了解决当前阶数选取严重依赖工程经验而影响分析不足的问题,分析了滤波器阶数对导航接收机时域自适应抗干扰性能的影响,可为导航接收机低复杂度时域抗干扰的研究提供理论支撑。该分析面向不同干扰环境,分别以滤波器幅频响应和信号载噪比为评估指标,并通过仿真实验和实测对传统最小均方算法和改进型最小均方算法进行验证,提出了一种基于数字滤波器设计的自适应最优滤波器阶数的设计方法。实验数据分析表明,通过适当提升滤波器长度,可以有效提升时域自适应滤波器的抗干扰性能；在实际应用中,可根据实际抗干扰需求,对滤波器阶数进行优化设计。

由于卫星端信号发射功率小、信号传播损耗大,到达接收机的卫星导航信号极其微弱,容易被干扰。为有效应对电磁干扰的威胁,在系统层面和用户层面同时采取抗干扰措施将是一种很好的选择。建立调零抗干扰接收机抗干扰能力分析模型,并定量分析信号功率增强对调零抗干扰接收机抗干扰性能的提升效果。结果表明:信号功率每增强10 dB,接收机抗干扰能力可提升3～4 dB,但从提高接收机非极限条件下的接收性能(载噪比、测距定位精度等)的角度,信号功率增强15～20 dB时,接收性能最优。研究成果可为卫星功率增强量的优化设计以及终端抗干扰设计提供参考。

自旋载体是全球导航卫星系统接收机的一种典型应用。当全球导航卫星系统载体自旋时,旋转产生的高阶动态将导致传统跟踪环路失锁；全球导航卫星系统与惯性导航系统组合可以有效补偿信号的高阶动态。因此,提出了一种利用惯性导航信息辅助卫星导航信号跟踪的超紧组合导航接收机环路设计方法,并分析了惯性导航信息辅助速率、自旋载体转速和信号载波相位误差之间的关系。通过仿真验证了所提接收机环路结构可以有效解决自旋载体接收机的信号跟踪问题,且相比于卫星导航单系统三阶环路而言,所提超紧组合环路结构可以显著提升自旋载体接收机的定位精度。

针对全球导航卫星系统(global navigation satellite system,GNSS)信道模拟计算量大、硬件资源开销大,不利于实时性能评估和实际工程应用的挑战,提出一种GNSS多径信道模拟的聚类稀疏拟合方案。利用基于K中心聚类信道冲击响应(channel impulse response,CIR)参数萃取的稀疏拟合方法,得到等效精简CIR参数,再以稀疏抽头延迟线结构来实现信道模拟。所提方法在保持多径误差条件下,通过较少抽头数量的抽头延迟线结构滤波器拟合原始GNSS多径信道模型,可以大为简化GNSS信道模型仿真复杂度,而无须庞大的硬件资源。仿真结果表明,通过对参考信道模型生成的信道CIR参数进行稀疏拟合,所提出的方案和方法具有良好的效果。

针对短环路更新间隔下GPU处理效率受限而长更新间隔下传统跟踪环路在高动态场景下不稳健的这一矛盾,提出一种可适应高动态场景的长更新间隔载波相位跟踪算法,该算法设计了一种低复杂度线性调频信号参数估计方法,实现跟踪初始阶段多普勒及变化率的精确估计进而消除大部分信号动态,在跟踪过程中采用4阶卡尔曼滤波对残余信号相位及动态进行精细跟踪。经仿真验证,200 ms更新间隔下,可实现多普勒一次/二次变化率分别达800 Hz/s、64 Hz/s²正弦运动场景下载波相位的快速稳定跟踪,1次更新即可收敛,跟踪灵敏度低至23 dB-Hz,相位跟踪精度远优于传统3阶锁相环路。

针对卫星导航接收机中的快扫频干扰抑制问题,提出了一种基于脉冲置零的低复杂度干扰抑制方法,与传统基于时频分析的干扰抑制方法不同,该方法通过低通滤波将时域上连续的快扫频干扰转变为脉冲干扰,并通过脉冲检测与置零对干扰进行抑制。当快扫频干扰处于低通滤波器带内时,被当作脉冲干扰置零；当快扫频干扰处于低通滤波器带外时,被当成带外干扰滤除。理论分析与实验结果表明,该方法相对传统方法的运算复杂度降低了一个数量级,并且能得到与传统方法相近的干扰抑制效果。

穿透成像雷达利用电磁波对介质的穿透特性,对非金属介质内的不连续点进行高分辨成像。为实现该雷达系统的毫米级高平面分辨率、高探测效率和高便携适用性,设计了高平面分辨率穿透成像雷达系统。采用连续波体制和快速扫描空间采样方案以确保小型化和高成像性能,实现了一体化雷达射频前端；提出了参数未知条件下的自聚焦成像处理等数据处理方法,研制了穿透成像雷达系统样机,质量仅为2.5 kg,可单人手持操作；开展了成像分辨率和穿透能力实验测试,验证了方案的可行性和有效性。

针对集中式多输入多输出(collocated multiple-input multiple-output, CMIMO)雷达在实际探测过程中,未有效结合目标雷达散射截面(radar cross section, RCS)高动态变化特性导致雷达跟踪精度不高甚至失跟的问题,提出一种基于目标RCS高动态特性的CMIMO雷达功率资源自适应分配方法。考虑到目标RCS特征的角度敏感性,利用目标运动状态的可预测性动态获取实际观测角度,从而完成跟踪帧的极化方式优选；在此基础上构建包含功率与RCS的多目标跟踪误差后验克拉美罗下界,将其作为目标函数进行优化,利用内点惩罚法求解该凸优化问题即可实现RCS高动态情况下的功率优化分配。实验结果表明:该方法可结合目标不同方向RCS动态分集特性实现功率的有效分配,相比于传统RCS模型分配方案,有效解决了分配方案与实际跟踪场景之间的失配问题,从而提升了CMIMO雷达的多目标跟踪性能。

提出了一种基于信号幅度分布特征与多次方谱线特征相结合的调制样式识别算法。该算法主要基于正交解调后的正交频分复用子载波信号的幅度分布特征,采用直方图统计的方法实现多进制相移键控和多进制正交幅度调制识别,用多方次谱特征实现多进制相移键控类的调制识别。相比基于经典的高阶累积量的调制识别算法,具有更好的载波频率残留偏差适应能力,在载波频率偏差条件下,提高了调制识别率；相比循环平稳方法,具有更好的信噪比适应能力。仿真实验结果表明了该方法的有效性,相同的识别率下,能适应更低的信噪比。

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程；在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明:所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。

为了将现有的实数域贝叶斯压缩感知方法推广至复数域,利用改进Laplace先验假设,提出了一种复数域多任务贝叶斯压缩感知(complex multitask Bayesian compressive sensing using modified Laplace priors, CMBCS-MLP)方法,消除了测量噪声方差的影响,并推导了一种基于递归操作的快速算法。数值仿真表明:针对复数域稀疏信号重构问题,相比于现有方法,所提CMBCS-MLP方法具有更好的精确性和鲁棒性。

针对数字Stretch处理在大抽取倍数情况下硬件资源消耗大、难以工程实现的问题,提出了层叠分段快速傅里叶变换处理的数字Stretch实现算法,将数字混频后的数据序列通过层叠分段与重组,利用小点数的快速傅里叶变换运算实现数字Stretch处理。实测数据验证了算法的有效性。资源消耗分析表明,与常规的数据滤波抽取处理方法相比,该算法可有效减少数字Stretch处理的硬件资源消耗。

天基光学相机实际在轨对地观测成像的畸变需通过几何校正抑制。目前主流面阵相机对地观测获得的小尺寸、高帧频序贯图像很难满足传统几何校正方法逐帧解算对单帧图像控制点数量与空域分布的要求且计算量巨大。针对这一问题,提出一种使用等效偏移角稀疏测量的面阵相机序贯观测图像几何校正方法,将逐帧校正参数解算问题转化为时域稀疏测量条件下等效偏移角信号恢复问题,利用等效偏移角信号时频信息可有效降低对单帧图像控制点数量和空域分布要求。通过高分四号卫星面阵相机在轨实测图像数据验证了所提方法的可行性且其能大大降低序贯图像几何校正处理的计算量。

针对主流方法难以满足多层级实时可视化的需求,提出面向大规模地理矢量线数据的多层级实时可视化技术。建立面向多层级瓦片绘制的自适应可视化模型,设计像元四叉R(pixel quad R, PQR)树空间索引和基于PQR树的自适应可视化算法,分别用于支撑模型的数据组织和可视绘制。在10亿规模数据集上的实验表明:该技术在0.57 s内可计算任一层级上的可视结果,并且计算耗时大幅小于主流方法。当数据规模急剧增长时,该技术在各显示层级上仍具有较好的可视性能,最低可视速率超过100张/s,大幅优于主流方法。该技术在单机条件下即可支撑大规模地理矢量线数据的多层级实时可视化,在空间大数据探索分析领域具备较好的应用前景。

面向返回编程(return oriented programming,ROP)攻击是网络攻击者突破操作系统安全防护、实现漏洞攻击的一种主要手段,ROP链是ROP攻击的重要组成部分。为检测网络流量中的ROP链,提出了一种能自动提取ROP链特征、具有良好泛化性能的智能检测方法。该方法采用顺序抽取的方式将被测流量分成多个序列,利用滑动窗口和数值量化将输入的一维流量数据转换为二维特征向量,基于卷积神经网络模型实现对ROP链的检测。不同于已有的静态检测方法,该方法不依赖程序内存地址的上下文信息,实现简单、部署方便,且具有优异的检测性能。实验结果表明,模型最高准确率为99.4%,漏报率为0.6%,误报率为0.4%,时间开销在0.1 s以内,对真实ROP攻击流量的漏报率为0.2%。

随着计算机三维视觉的广泛应用,近几年基于深度学习的点云处理算法得到了大量研究,而耗时耗存储的缺陷较大程度限制了其在移动端的部署应用。基于改进损失函数的总体思路,提出了一种新的点云深度模型压缩框架,将知识蒸馏方法引入二值量化模型中,同时考虑点云聚合操作的特殊性引入了辅助损失项,改进的损失函数共包括预测损失项、蒸馏损失项和辅助损失项三部分。实验结果表明,和已有算法相比,所提算法可以获取更高的精度,同时对当前点云主流深度网络模型也具有良好的扩展性。

基于忆阻器的神经形态计算架构在图像分类、语音识别等领域取得了较好的效果,但当忆阻器阵列存在低良率问题时,其性能会出现明显下降。提出一种基于忆阻器神经形态计算的校准方法和原位训练相结合的算法,利用校准方法提高乘累加计算的准确率,并利用原位训练方法降低训练误差。为了验证所提方法的性能,采用多层感知器架构进行仿真。从仿真结果来看,神经网络的精度有明显的提高(近40%)。实验结果表明,与单纯的校准方法相比,采用所提方法训练的网络精度提高了约30%,与其他主流的方法相比,所提方法训练的网络精度提高了0.29%。

不可恢复异常比特位(unrecoverable-sensitive bits, UR-SB)不能通过定时刷新修复,会造成卫星载荷在轨服务的长时间中断,是地面故障注入试验需要着重评估和改善的。但UR-SB占比极低,若采用传统逐位翻转故障注入方法,其测试耗时太长,效率极低。提出了一种基于整帧翻转的静态随机存取存储器型现场可编程门阵列的故障注入加速算法,其通过整帧翻转能够快速筛除不存在UR-SB的配置帧,并进一步用二分法对存在UR-SB的配置帧进行快速搜索,有效加速了UR-SB的精确定位过程。以在轨常用XQR2V3000器件为例,理论分析在较差情况下测试效率可提升207倍,信号生成载荷实测结果最高可提升949倍,理论分析和实测结果均验证了所提加速算法的有效性。

针对现有神经网络加速器在处理稀疏神经网络时存在的数据加载效率低、乘加资源利用率低、输出缓存寻址逻辑复杂等问题,提出了稀疏卷积计算高效数据加载与输出缓存策略。将属于同一输入通道的非零输入特征图像数据和非零权重进行全对全乘累加运算,降低了非零数据配对难度,提高了乘加资源利用率；通过采用输入驻留计算,以及密集型循环加载特征图像数据,大幅减少了数据片外调取次数；优化了输出缓存设计,解决了现有方案中存在的输出缓存地址访问争用、存储拥塞等问题。实验表明,与采用类似架构的细粒度脉动加速器相比,在处理单元面积上减少了21.45%；在数据加载速度方面平均提高了117.71%；在平均乘法器利用率方面提高了11.25%,达到89%。

针对现有多忆阻器阵列集成架构中存在的数据加载、读出效率低以及阵列协同灵活性差等问题,提出一种高效率、高灵活度的阵列互连架构。该架构所采用的数据加载策略支持多种权重映射模式下的数据复用,减少了片外数据访存需求；所采用的计算结果读出网络支持多个处理单元灵活组合实现不同规模卷积运算,以及计算结果的快速累加读出,进而提升了芯片灵活性和整体算力。在NeuroSim仿真平台上运行VGG-8网络进行的仿真实验表明,与MAX²神经网络加速器相比,在仅增加6%面积开销的情况下,取得了146%的处理速度提升。

为解决星载资源严格受限条件下,静态随机存取存储器型现场可编程门阵列中块随机存储器(block random access memory, BRAM)的轻量级、高可靠抗辐照加固难题,提出了一种基于分时刷新和位置约束的卫星载荷BRAM抗辐照加固设计方法,通过监控算法执行时隙实现BRAM分时刷新,并增加位置约束有效降低三模冗余后两模设计同时发生异常的概率,以较少的资源消耗有效提升BRAM在轨抗辐照可靠性。重离子加速试验结果表明,采用分时刷新和位置约束加固方法后,卫星载荷单粒子功能中断截面下降约81.63%,在轨BRAM异常由3颗星2年发生3次减少为25颗星2年未发生,在轨抗辐照可靠性大幅提升。