针对复杂战场环境下舰载雷达间容易出现同频干扰的问题，提出一种基于改进乌鸦搜索算法的独立分量分析方法来分离同频信号。首先，利用反向学习策略、动态感知概率、黄金正弦算子、莱维飞行改进乌鸦搜索算法，提高算法的寻优性能与收敛速度；然后，将改进乌鸦搜索算法与独立分量分析法相结合，以峭度为目标函数，使用改进乌鸦搜索算法去寻求分离同频信号的最优分离矩阵；最后，利用该矩阵对接收的混合信号进行分离。仿真结果表明，基于改进乌鸦搜索算法的独立分量分析法能较好地分离雷达同频信号，达到抗同频干扰的目的。

针对复杂战场环境要求天波雷达快速精准定位的问题，提出一种基于多策略改进麻雀搜索算法的定位模型。首先，使用立方混沌映射、步长因子动态调整、反向学习和混合变异算子对麻雀搜索算法进行改进，形成改进的麻雀搜索算法；然后，采用改进后的麻雀搜索算法寻找混合核极限学习机（HKELM）最优的核函数参数和混合核的权重系数；最后，使用寻优后的HKELM对天波雷达探测到的目标进行定位。结果表明，改进后的麻雀搜索算法在精度上和稳定性上优于用基本麻雀搜索算法改进的HKELM模型和极限学习机（ELM）定位模型，表明了所提算法的有效性。

针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

针对天波雷达方位分辨力低和传统解析算法定位误差较大的缺点,提出一种混沌变异灰狼算法优化核极限学习机(KELM)的定位模型。首先,该模型将分段线性混沌映射、自适应柯西变异和收敛因子的非线性化引入灰狼算法从而形成一种改进的灰狼算法;然后,采用改进后的灰狼算法对KELM的惩罚系数和核参数进行优化;最后,将优化后的KELM应用于天波雷达定位,使建立的KELM定位模型具有更高的预测精度和更强的泛化能力。实验结果显示,所提模型的预测结果与目标实测值基本一致,预测精度高于标准灰狼优化算法改进的KELM模型和解析法定位模型,为天波雷达定位提供了一种新的目标定位方法。

为了提高雷达调制信号在电子对抗环境中的分选准确度,建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法,优化模糊C均值聚类(FCM)算法,用优化后的FCM算法对信号样本集进行预处理;使用“教与学”优化(TLBO)算法优化随机森林(RF)算法,使优化后的RF算法能够以更低的复杂度构成更优的分类器;将预处理后的样本作为TLRF中的训练样本实现信号分选。研究结果表明,与其他分选模型相比,PCFCM-TLRF模型具有更高的分选准确度,能够有效地实现雷达调制信号的分选。

为了提高天波超视距雷达的目标定位精度,提出一种改进蜻蜓算法优化极限学习机的多基地天波超视距雷达目标定位模型。为了避免蜻蜓算法陷入局部最优,将Logistic混沌映射、反向学习策略和变异过程引入蜻蜓算法,形成改进的蜻蜓优化算法;用改进的蜻蜓算法对极限学习机的权值和隐含层偏置进行优化;将优化后的极限学习机应用于多基地天波超视距雷达定位。理论研究和仿真结果表明,该方法能够实现目标的高精度定位,且定位精度和可靠性优于目前常用的天波超视距雷达定位方法和基于误差反向传播神经网络、径向基函数神经网络的目标定位方法,为多基地天波超视距雷达系统提供了一种新的目标定位方法。

针对复杂战场环境下同型号舰载雷达发射信号之间容易出现同频干扰的问题，设计出具有正交特性的调频编码信号。对常规的正交波形编码的搜索方向进行改进，利用混合遗传鸡群算法找出具有低自相关特性和低互相关特性的编码序列。该算法利用反向学习的鸡群算法进行搜索寻优，引入学习因子和遗传算法中的变异和交叉思想对个体进行更新迭代。在适应度函数中引入集对分析联系度综合评价，根据集对分析联系度来引导算法的搜索方向，得到具有更好正交特性的调频编码序列脉冲信号。对得到的雷达信号的模糊函数、回波信号的匹配滤波情况以及不同雷达数量下仿真信号的正交性分别进行仿真，仿真结果验证了所设计的调频编码信号能达到抗同频干扰的目的。