使用1D-CGAN增强1D-CNN的超宽带无线电保险丝的目标识别
Kaiwei Wu1, Shijun Hao1, Yanbin Liang1
1School of Mechatronical Engineering, Beijing Institute of Technology, Beijing 100081, China.
Entropy (Basel, Switzerland)
|September 27, 2025
概括
本研究引入了超宽带 (UWB) 无线电烟的新信号处理系统,在复杂的电子战环境中显著提高了目标识别和可靠性. 这种新的方法实现了零错误报警和错误检测,提高了爆炸精度.
科学领域:
- 电气工程 电气工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 超宽带 (UWB) 无线电烟需要精确的信号处理,以便在战场条件下可靠地引爆.
- 电子战环境引入干扰,导致虚假报警和UWB烟中错过的检测.
- 目前的检测方法易受干扰,损害了保险丝的可靠性.
研究的目的:
- 开发UWB无线电烟的新型信号处理架构,以提高在有争议的电磁环境中的可靠性和准确性.
- 解决能源值检测方法对故意干扰的脆弱性.
- 建立一个新的技术框架,用于UWB烟在复杂的频谱中运行.
主要方法:
- 整合固定参数最小平均平方 (LMS) 前端过以抑制干扰.
- 实施一维卷积神经网络 (1D-CNN) 用于目标识别.
- 使用一维条件生成对抗网络 (1D-CGAN) 增强训练数据集.
主要成果:
- 该新系统在测试样本上实现了0%的错误报警和错误检测率.
- 获得了97.66%的分段识别准确度,比基线提高了5.32%.
- 该系统证明了对故意干扰的弹性,克服了传统方法的局限性.
结论:
- 开发的信号处理架构显著提高了UWB烟在电子战中的性能.
- 这一突破提供了一个可靠的解决方案,用于在堵塞和有争议的频谱中可靠的UWB烟操作.
- 该研究为UWB烟信号处理和目标识别建立了新的基准.
