GA-Dueling DQN Jamming 决策方法用于脉冲内频率敏捷雷达

科学领域:

• 电子战是一种电子战.
• 认知干扰系统 认知干扰系统
• 深度强化学习 (deep reinforcement learning) 是一种深度强化学习的方法.

背景情况:

• 优化干扰策略对于在动态电磁环境中运行的认知干扰系统至关重要.
• 频率敏捷雷达,具有快速改变载波频率的能力,对智能干扰决策提出了重大挑战.
• 传统的方法很难适应脉冲频率敏捷雷达特征的次脉冲水平的快速频率变化.

研究的目的:

• 开发用于脉冲频敏捷雷达的智能干扰决策算法.
• 为了提高对高级雷达威胁的认知干扰系统的性能.
• 解决动态频率环境中传统干扰方法的局限性.

主要方法:

• 利用深度强化学习进行智能干扰频率选择.
• 提出了一种新的GA-Dueling DQN (基于GRU注意力的决斗深度Q网络) 方法.
• 雇佣的门式循环单位 (GRU) 和一个注意力机制来捕获长期依赖和序列数据.

主要成果:

• 与传统的Q-learning,DQN和Dueling DQN相比,GA-Dueling DQN方法显示出更高的干扰效率.
• 在学习最佳干扰策略方面实现了更快的融合速度.
• 减少对先前知识的依赖,表明更大的适应能力.

结论:

• 拟议的GA-Dueling DQN为干扰低脉冲级频率敏捷雷达提供了显著的优势.
• 通过GRU和注意力增强的深度强化学习,为动态电磁环境提供了有效的解决方案.
• 这种方法提高了认知干扰系统在复杂威胁场景中的能力.