基于復合導引頭態勢的抗干擾評估方法

摘 要：針對雷達抗干擾效果評估中，抗干擾方獲取評估信息困難、主觀性強等問題，以主／ 被動復合導引頭的態勢變化為主線，基于主動導引頭感知的位置態勢和導引頭本身的態勢、主／ 被動導引頭偵察到敵方有源干擾信號的態勢信息，建立抗干擾評估指標體系?；趹B勢的麻雀搜索算法優化卷積神經網絡（Ｓｐａｒｒｏｗ Ｓｅａｒｃｈ ＡｌｇｏｒｉｔｈｍＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＳＳＡＣＮＮ） 方法開展導引頭抗干擾效果評估。在態勢信息存在缺失時，采用卷積自編碼器（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ，ＣＡＥ） 完成非完備信息下的導引頭抗干擾效果評估。仿真結果表明，在復雜干擾環境下的２ 種人工智能算法對導引頭抗干擾評估均具有優秀的有效性和準確性。

關鍵詞：復合導引頭；干擾態勢；抗干擾效果評估；卷積神經網絡；卷積自編碼器

中圖分類號：ＴＮ９７３． ２ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３７１－１２

０ 引言

進入現代以來，為了適應遠距離探測以及提高作戰性能，主／ 被動復合導引頭被廣泛地運用到反艦導彈中。復合導引頭在搜索目標和截獲目標的過程中，會遭受多種干擾［１］；在跟蹤目標的過程中，更是由于速度欺騙干擾、距離拖引干擾的影響，導致復雜導引頭的測量精度和命中率下降。處于日益復雜、未知且動態變化的電磁態勢環境，復合導引頭必須提高抗干擾能力才能抵制各種形式的干擾信號，在海戰中取得主動性，為戰局帶來積極影響。因此，基于復合導引頭感知的態勢信息間抗干擾效果評估至關重要。

抗干擾效果評估是復合導引頭作戰效能評估的關鍵，目前國內外雷達研究人員通常采用解析法［２－４］、多指標評估方法［５－７］、神經網絡方法［８－１０］對導引頭的抗干擾效果進行評估。武亞濤等［１１］根據雷達采取抗干擾措施前后的性能變化，構建干擾改善因子、干擾強度因子、剩余虛警率和受干擾頻率這４ 項核心指標，適用于實時評估場景。李增輝等［１２］提出了一種新的方法來估計干擾抑制比，該方法基于吉布斯采樣（Ｇｉｂｂｓ ｓａｍｐｌｉｎｇ），能夠有效地評估實測雷達數據的抗干擾效果。Ｑｉ 等［１３］采用云理論進行評估，考慮評估中可能存在模糊性和隨機性問題，將定性結果定量化，使評價結果更全面、更有效。２０１９ 年孔璐［１４］提出了基于機器學習的雷達抗干擾效果評估模型，分別對極限梯度提升算法（ＸＧｂｏｏｓｔ）、支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、隨機森林和決策樹進行實驗仿真，通過分析對比幾種不同模型的評估效果，最終得到了一個泛化能力較好的模型，這幾種機器方法降低了主觀性和人為因素的影響。