摘 要：針對(duì)雷達(dá)抗干擾效果評(píng)估中，抗干擾方獲取評(píng)估信息困難、主觀性強(qiáng)等問(wèn)題，以主／ 被動(dòng)復(fù)合導(dǎo)引頭的態(tài)勢(shì)變化為主線，基于主動(dòng)導(dǎo)引頭感知的位置態(tài)勢(shì)和導(dǎo)引頭本身的態(tài)勢(shì)、主／ 被動(dòng)導(dǎo)引頭偵察到敵方有源干擾信號(hào)的態(tài)勢(shì)信息，建立抗干擾評(píng)估指標(biāo)體系?；趹B(tài)勢(shì)的麻雀搜索算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)（Ｓｐａｒｒｏｗ Ｓｅａｒｃｈ ＡｌｇｏｒｉｔｈｍＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＳＳＡＣＮＮ） 方法開(kāi)展導(dǎo)引頭抗干擾效果評(píng)估。在態(tài)勢(shì)信息存在缺失時(shí)，采用卷積自編碼器（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ，ＣＡＥ） 完成非完備信息下的導(dǎo)引頭抗干擾效果評(píng)估。仿真結(jié)果表明，在復(fù)雜干擾環(huán)境下的２ 種人工智能算法對(duì)導(dǎo)引頭抗干擾評(píng)估均具有優(yōu)秀的有效性和準(zhǔn)確性。

關(guān)鍵詞：復(fù)合導(dǎo)引頭；干擾態(tài)勢(shì)；抗干擾效果評(píng)估；卷積神經(jīng)網(wǎng)絡(luò)；卷積自編碼器

中圖分類號(hào)：ＴＮ９７３． ２ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１０－２３７１－１２

０ 引言

進(jìn)入現(xiàn)代以來(lái)，為了適應(yīng)遠(yuǎn)距離探測(cè)以及提高作戰(zhàn)性能，主／ 被動(dòng)復(fù)合導(dǎo)引頭被廣泛地運(yùn)用到反艦導(dǎo)彈中。復(fù)合導(dǎo)引頭在搜索目標(biāo)和截獲目標(biāo)的過(guò)程中，會(huì)遭受多種干擾［１］；在跟蹤目標(biāo)的過(guò)程中，更是由于速度欺騙干擾、距離拖引干擾的影響，導(dǎo)致復(fù)雜導(dǎo)引頭的測(cè)量精度和命中率下降。處于日益復(fù)雜、未知且動(dòng)態(tài)變化的電磁態(tài)勢(shì)環(huán)境，復(fù)合導(dǎo)引頭必須提高抗干擾能力才能抵制各種形式的干擾信號(hào)，在海戰(zhàn)中取得主動(dòng)性，為戰(zhàn)局帶來(lái)積極影響。因此，基于復(fù)合導(dǎo)引頭感知的態(tài)勢(shì)信息間抗干擾效果評(píng)估至關(guān)重要。

抗干擾效果評(píng)估是復(fù)合導(dǎo)引頭作戰(zhàn)效能評(píng)估的關(guān)鍵，目前國(guó)內(nèi)外雷達(dá)研究人員通常采用解析法［２－４］、多指標(biāo)評(píng)估方法［５－７］、神經(jīng)網(wǎng)絡(luò)方法［８－１０］對(duì)導(dǎo)引頭的抗干擾效果進(jìn)行評(píng)估。武亞濤等［１１］根據(jù)雷達(dá)采取抗干擾措施前后的性能變化，構(gòu)建干擾改善因子、干擾強(qiáng)度因子、剩余虛警率和受干擾頻率這４ 項(xiàng)核心指標(biāo)，適用于實(shí)時(shí)評(píng)估場(chǎng)景。李增輝等［１２］提出了一種新的方法來(lái)估計(jì)干擾抑制比，該方法基于吉布斯采樣（Ｇｉｂｂｓ ｓａｍｐｌｉｎｇ），能夠有效地評(píng)估實(shí)測(cè)雷達(dá)數(shù)據(jù)的抗干擾效果。Ｑｉ 等［１３］采用云理論進(jìn)行評(píng)估，考慮評(píng)估中可能存在模糊性和隨機(jī)性問(wèn)題，將定性結(jié)果定量化，使評(píng)價(jià)結(jié)果更全面、更有效。２０１９ 年孔璐［１４］提出了基于機(jī)器學(xué)習(xí)的雷達(dá)抗干擾效果評(píng)估模型，分別對(duì)極限梯度提升算法（ＸＧｂｏｏｓｔ）、支持向量機(jī)（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、隨機(jī)森林和決策樹(shù)進(jìn)行實(shí)驗(yàn)仿真，通過(guò)分析對(duì)比幾種不同模型的評(píng)估效果，最終得到了一個(gè)泛化能力較好的模型，這幾種機(jī)器方法降低了主觀性和人為因素的影響。