摘要： 南京航空航天大学（Nanjing University of Aeronautics and Astronautics，NUAA）雷达探测与成像团队利用自主研发的无人机载微小型合成孔径雷达（Synthetic aperture radar，SAR）系统针对不同型号的坦克、装甲车和战机等十余类典型军事目标构建了圆周SAR数据集。通过对多次外场试验数据的高精度成像处理，在多俯仰角单基圆周SAR图像数据集的基础上，扩展了不同双基角组合的双基圆周SAR图像数据集。基于该数据集，本文结合团队在SAR图像目标检测和识别方法及应用方面的研究成果，对基于深度学习的SAR目标检测识别技术进行了回顾和综述，对比了不同神经网络模型在南航无人机载圆周SAR数据集上的检测和识别性能。具体地，在目标检测方面，利用SAR图像固有属性获得目标位置信息并结合单阶段轻量级检测算法，提出利用信息分布规律并结合全局注意力机制捕捉小目标位置信息的检测算法，以提高复杂背景下的小目标检测准确率和效率。在目标识别方面，在通过SAR图像先验信息抑制干扰噪声的基础上，提出利用SAR目标多视角信息联合Transformer的目标识别算法，通过设计视角正则化项以约束多视角之间的关联性从而实现不同视角间的特征融合，提高SAR小目标识别的准确率。从无人机载微型SAR系统对地面目标进行实时检测和识别的实际需求出发，本文还探讨了轻量化检测和识别网络在数字信号处理（Digital signal processing， DSP）平台上的部署方案，同时展示了初步试验结果。最后，本文展望了SAR目标智能检测和识别领域面临的挑战和发展趋势。
摘要： 随着无线通信技术的快速演进，5G、Wi-Fi和窄带物联网（Narrowband internet of things， NB-IoT）等多种通信制式并存，网络结构与信道环境的复杂性显著提升，使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特征与规则的方法在动态复杂场景及未知协议下适应性有限，而深度学习通过端到端建模与自动特征提取显著提升了识别精度与鲁棒性，但其在跨制式泛化、数据稀缺与计算开销方面仍面临瓶颈。以大语言模型与多模态模型为代表的大规模预训练模型凭借强泛化、跨任务迁移和少样本学习能力，展现出在复杂通信制式识别中的巨大潜力。本文系统梳理了通信制式识别技术的发展脉络，重点探讨了大语言模型驱动方法的最新进展，剖析了其在泛化能力、可解释性与高效部署等方面所面临的挑战，挖掘了其在智能频谱管理与安全监测中的应用机遇，并展望了其在5G/6G智能网络管理中的发展前景。
摘要： 现代战争中的空战态势复杂多变，因此探索一种快速有效的决策方法十分重要。本文对多架无人机协同对抗问题展开研究，提出一种基于长短期记忆（Long and short-term memory， LSTM）和多智能体深度确定策略梯度（Multi-agent deep deterministic policy gradient，MADDPG）的多机协同超视距空战决策算法。首先，建立无人机运动模型、雷达探测区模型和导弹攻击区模型。然后，提出了多机协同超视距空战决策算法。设计了集中式训练LSTM-MADDPG分布式执行架构和协同空战系统的状态空间来处理多架无人机之间的同步决策问题；设计了学习率衰减机制来提升网络的收敛速度和稳定性；利用LSTM网络改进了网络结构，增强了网络对战术特征的提取能力；利用基于衰减因子的奖励函数机制加强无人机的协同对抗能力。仿真结果表明所提出的多机协同超视距空战决策算法使无人机具备了协同攻防的能力，同时算法具备良好的稳定性和收敛性。
摘要： 电磁脉冲（Electromagnetic pulses，EMPs）耦合进入发动机电控单元（Electronic control unit，ECU）的主要方式是通过线束传导，大电流注入（Bulk current injection，BCI）是控制器敏感度测试的标准试验方法。为了在设计阶段对电控单元的电磁脉冲防护设计进行优化，提出了基于线束传导规律的虚拟注入方法。该方法由基于一维卷积神经网络（Convolutional neural network，CNN）的线束传导预测模型及仿真电路实现，线束传导预测模型基于一维卷积神经网络，训练模型所用数据集为BCI试验采集的注入电流信号与调理电路输入端口响应信号，仿真电路在软件Multisim中建立。选择注入电流信号输入至预测模型，得到端口的预测信号，将该信号“注入”到仿真电路输入端口，通过监测仿真电路输出端口信号分析发动机电控系统是否发生电磁敏感现象。结果表明，预测信号与实际测量信号的误差不超过5.8%，虚拟注入结果与BCI试验结果一致，并与试验中观测的敏感现象吻合。该方法可以在设计阶段快速分析电控单元各模块的电磁敏感度，为电控单元的电磁脉冲防护设计提供参考依据。
