日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展, 如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点, 而没有考虑先前的航迹信息。除此之外, 大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准, 这不仅增加了算法本身的计算开销, 还放大了航迹信息中包含的误差, 因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法 (TTCSN)。该算法首先将待关联航迹两两组成一对, 将其成对地送入特征提取网络中, 再利用共享权重的双向 LSTM网络提取输入航迹的隐含特征, 之后对两条航迹的特征向量进行相似度计算, 得到相似度向量, 最终送入分类器完成关联航迹与非关联航迹的判别。实验表明, TTCSN算法能够有效地解决异步航迹关联问题。

日益拥挤、复杂的空域环境, 使得确定真实目标航迹的起始尤为主要。现有关于雷达目标航迹起始的研究大多只考虑了实时性或起始率中的一种, 难以在强杂波环境下完成快速而准确的航迹起始。本文提出一种适用于强杂波环境的基于深度学习和雷达量测时空(DLTS)特征的航迹起始算法。该算法首先从雷达量测组合中筛选出候选集, 并从中提取出量测组合的时序变化和空间分布向量, 作为一维卷积神经网络(1DCNN)和门控循环单元(GRU)混合模型的输入, 获得量测组合的时间和空间维度特征, 再将二者合并得到时空特征。最后对经过自注意力处理的时空特征进行真假航迹分类, 完成航迹起始。在仿真实验中, DLTS算法在强杂波环境下能够在时间损耗与逻辑法相近的情况下有效提高真假航迹起始率性能。

针对目前电磁态势认知没有形成统一认识的问题，以电磁态势中的雷达对抗态势为研究对象，提出了态势分层认知的概念，研究了雷达对抗态势知识的获取与分析，随后针对雷达对抗态势知识表示问题，建立了雷达对抗态势知识表示模型，为后续的电磁态势要素计算以及态势表征研究提供了基础。最后梳理了雷达对抗态势与电磁态势的相互关系，为下一步将雷达对抗态势融入电磁态势提供支撑。

现代战争中雷达信号日趋复杂，如何快速准确地从种类繁多、数据量庞大的雷达检测数据中，获取目标航迹的类别信息，为战场指挥提供准确有效的信息是当前急需解决的难题。传统基于人的经验认知的雷达目标航迹识别方法已经无法有效应对瞬息万变的战场和海量数据。根据实际雷达数据特点，提出了使用对数的雷达航迹预处理方法，并构建了基于卷积神经网络的深度学习模型，实现了对雷达对抗中的目标航迹的识别与检测。基于模拟生成的雷达目标航迹数据对提出的数据预处理方法和构建的模型进行测试；实验表明，所提出的方法能很好地实现对目标航迹的检测与识别。

Signal degradation due to physical impairments may result in unacceptable bit-error rates of received signals at the destination. Based on earlier work, we study the impairment-aware quality of service (QoS) provisioning problem in dual-header optical burst switching (OBS) networks that employ two control packets for each data burst. At an OBS node, the proposed algorithm schedule bursts for transmission by searching for available resources using admission control and preemption. The algorithm also verifies signal quality. Simulation results show that this algorithm is effective in providing QoS support in OBS networks while considering physical impairment effects.