以深度学习为代表的人工智能技术是解决电磁目标识别问题的一种有效方法.然而，在识别多模式电磁目标时，目标内部不同模式间数据的差异可能掩盖目标个体间的差异，当某种模式训练样本缺失或稀少时，该模式下的目标识别性能会显著下降.为此，提出一种基于孪生网络的电磁目标跨模式识别算法，在度量学习框架下通过优化设计网络结构和损失函数，引导网络在分类学习过程中拉近同一目标各模式数据间的距离，拉远不同目标数据间的距离，并结合邻近判决准则实现多模式电磁目标在非均衡数据集上的跨模式识别.基于实际数据的测试结果表明，在相同数据集和网络规模条件下，所提方法的跨模式识别率较经典卷积神经网络方法和数据增强方法提升20%.
针对战场通信对抗协同干扰中的干扰功率分配难题，本文基于多智能体深度强化学习设计了一种分布式协同干扰功率分配算法.具体地，将通信干扰功率分配问题构建为完全协作的多智能体任务，采用集中式训练、分布式决策的方式缓解多智能体系统环境非平稳、决策维度高的问题，减少智能体之间的通信开销，并加入最大策略熵准则控制各智能体的探索效率，以最大化累积干扰奖励和最大化干扰策略熵为优化目标，加速各智能体间协同策略的学习.仿真结果表明，所提出的分布式算法能有效解决高维协同干扰功率分配难题，相比于已有的集中式分配算法具有学习速度更快、波动性更小等优点，且相同条件下干扰效率可高出集中式算法16.8%.
针对电磁频谱异常检测效率不高等问题，该文结合卷积神经网络（Convolutional Neural Networks，CNN）以及长短时记忆神经（Long Short-Term Memory，LSTM）网络，提出一种融合深度特征的电磁频谱异常检测算法.首先构建深度特征提取网络，该网络包含能够分级提取深度特征的两路多层CNN以及LSTM；其次通过池化、合并等操作将网络模型提取的各级深度特征进行融合，实现频谱数据预测；最后计算预测数据与真实数据的均方误差，判别频谱异常.该算法能在无监督学习的条件下，实现多种类异常状态检测的.在公开频谱数据的多个频段对算法性能进行验证，结果表明本文算法能够有效地实现电磁频谱异常检测.
针对协同电子战中跳频通信干扰协同决策难题，通过构建“整体优化、逐站决策”的协同决策模型，基于深度强化学习技术，设计了在Actor-Critic算法架构下融合优势函数的决策算法，并在奖励函数中嵌入专家激励机制以提高算法的探索能力，采用集中式训练方法优化决策网络，使算法能够输出资源利用率最高的干扰方案，并大幅提高决策效率.仿真结果表明，相比于现有智能决策算法，本文算法给出的干扰方案能够节约8%干扰资源，决策效率提高50%以上，具有较大实用价值.
先进多功能雷达可以实现灵活的波束调度和复杂的工作状态调制，进而在雷达时间线上同时执行多个不同的任务，给电子侦察设备带来了巨大挑战.准确快速地对多功能雷达工作状态切换点进行在线检测对识别多功能雷达行为意图具有重要意义.本文在对多功能雷达层次化模型中工作状态所在“符号-脉冲”层进行调制类型级和参数级扩展表征基础上，提出了一种非理想观测下的多功能雷达工作状态在线切换点检测算法.该方法针对真实信号环境中存在的测量误差、虚假脉冲和缺失脉冲等情况进行适应性设计，通过离群点剔除处理和广义切换点检测算法处理，不仅可以实现调制参数粒度的雷达工作状态在线切换点检测，还可以给出雷达工作状态调制参数在切换点前后的准确估计.仿真实验验证了本文提出方法相较传统切换点检测方法的有效性和优越性.
在越来越复杂的电磁频谱环境中，要想实现对频谱资源的管控，首先要判断发送信号的辐射源是否是己方已知的.针对此问题，本文提出了一种基于计算特征子空间投影比值的算法Open-MUSIC（MUltiple SIgnal Classification），通过神经网络获得已知类特征表示；进而得到已知类特征矩阵的两个正交子空间；以特征在两个子空间内的投影比值为指标，对辐射源信号样本是否为已知做判决.在3个数据集上的仿真表明，Open-MUSIC算法的性能在电磁数据集上较其他方法提升了3%以上.
在认知电子战中，对多功能雷达工作模式的识别是至关重要的一个环节.在实际中，由于多功能雷达工作模式的多样性、隐藏性，能侦收到的不同工作模式脉冲样本数可能较少.因此，如何在少量样本条件下，准确识别多功能雷达的工作模式，对雷达对抗具有重要意义.针对此问题，本文提出了一种将模式先验知识与原型网络相融合的识别方法.该方法的核心是将雷达工作模式先验知识进行编码映射，并融入原型网络训练，实现知识在网络模型中的内嵌，以在少量训练样本条件下获得更好的识别性能.仿真结果表明，融入了先验知识的原型网络与不使用先验知识的原型网络、SVM分类器相比，识别准确率分别提升了2.9%和10.5%.
调制方式识别是电磁频谱战中的关键技术之一，已有星上识别方法智能化程度低、适应性差.针对此类问题，提出了一种基于多重分形谱和深度学习相结合的智能识别方法.首先分析了常见卫星通信信号的多重分形特性，构建了多重分形特征域矩阵.在此基础上，将该特征矩阵与深度学习残差网络相结合，并根据多尺度思想对残差网络结构进行了优化改进，改进后残差网络的多层自主细节特征提取优势完美契合了多重分形谱多尺度特征刻画能力，最终实现了卫星通信信号调制方式的有效识别.仿真结果表明，该方法具有较好的识别性能，当信噪比不低于1 dB时，平均识别率大于89%.
认知无线电是解决无线通信能量有效性问题的关键技术，其中频谱感知对于提高频谱的利用效率有着重要意义.针对基于共识的分布式协作频谱感知算法易受到恶意节点数据注入攻击，影响认知网络性能的问题，本文提出了两种基于神经网络的恶意节点检测和定位方法抵制网络内的恶意攻击行为，并采用基于Gossip Learning的联合学习策略进一步增强训练邻域检测和定位模型的鲁棒性.本文在9个认知节点的曼哈顿网络上模拟了分布式频谱感知的过程，并验证所提出方法的有效性.结果表明，所提方法具有良好的恶意节点检测和定位性能，联合学习策略能够使神经网络在样本局部有限的情况下学习到更多的攻击特征，提高本地检测和定位模型的可靠性.
针对复杂电磁环境下大范围抖动、滑变等特殊类型雷达信号难以分选，脉冲重复周期（Pulse Repetition Interval，PRI）估计精度低，脉冲序列搜索效果不佳等问题，提出一种基于PRI多级箱与深度森林的雷达信号单参数分选算法.该算法利用PRI多级箱结构进行PRI变换，提升针对特殊类型雷达的分选正确率.在多级箱中的脉冲对个数与PRI变换结果中，提取雷达信号PRI边界特征，将不同电磁环境下特殊类型雷达信号PRI边界特征混合，通过平滑滤波器增强特征，训练深度森林预测完整雷达信号PRI范围，从而校正中心PRI估计值.最后依据PRI中心值与变化范围，搜索提取脉冲序列，完成分选.仿真实验表明，所提算法可在复杂电磁环境下，对大范围抖动、单线性滑变、双线性滑变、锯齿波滑变以及正弦滑变等特殊类型雷达信号进行有效分选，PRI范围预测效果在原始深度森林基础上提升14%，PRI估计误差降低75%.
本文提出了一种中心频率与输出端口均可重构的滤波分支线电桥设计方法.验证电路由4个半波长环形阶跃阻抗谐振器（Step Impedance Resonator，SIR）构成，谐振器开路端与谐振器之间加载变容二极管用于控制中心频率以及谐振器级间耦合的强弱.为了实现滤波响应，传统分支线电桥的传输线用不同电磁特性的导纳变换器替代.通过这一简单的结构，可以在不添加额外开关电路的条件下实现滤波分支线电桥输出端口的变换.电路使用微带线谐振器设计并加工、测试.测试结果表明，该电路的中心频率调节范围为1.2~1.6 GHz，正向输出时的相差为90°，反向输出时的相差为-90°.
