本文译自美国兰德公司2020年发布的研究报告《Joint All-Domain Command and Control for Modern Warfare: An Analytic Framework for Identifying and Developing Artificial Intelligence Applications》，该报告由兰德公司为美国空军空中作战司令部撰写，核心围绕全域

本文提出AWSPNet深度学习框架，专为复杂电磁环境下MIMO雷达的目标识别与干扰抑制设计，融合DTCWT稳健特征提取、注意力机制特征优化、预训练网络表示学习和原型网络少样本分类四大核心能力，旨在实现高识别准确率、强泛化能力、抗噪声性与实用化部署的统一。

在现代电子战的复杂电磁环境中，雷达作为战场“千里眼”，其生存与作战效能面临着日益严峻的干扰威胁。尤其是数字射频存储（DRFM）技术加持下的新型欺骗式干扰，凭借逼真的假目标模拟、低能耗特性，成为雷达系统的主要挑战。而准确识别雷达干扰信号类型，是实施有效抗干扰策略的核心前提，直接决定着雷达在电子对抗中的主动权。传统的雷达干扰识别方法，无论是基于似然估计的模型匹配法，还是依赖专家经验的人工特征提取法，都

在电磁频谱成为现代战场核心博弈场的今天，传统电子战系统早已难以应对瞬息万变的复杂环境、层出不穷的新型辐射源，以及毫秒级的决策需求。而人工智能（AI）的爆发式发展，正为电子战带来颠覆性变革——《Cognitive Electronic Warfare: An Artificial Intelligence Approach, Second Edition》（《认知电子战：人工智能方法（第二版）》）应

摘要： 本文介绍了一种融合Toeplitz先验、稀疏先验与深度卷积网络（DCN）的波达方向（DOA）估计新方法，突破传统MUSIC算法在低信噪比、小快拍数场景下的性能瓶颈。通过双先验约束提升协方差矩阵估计精度，结合DCN网络端到端输出角度分布，实验表明该方法在-10dB低信噪比下正确率比MUSIC提升30%，推理速度加快5倍。项目提供Python+MATLAB完整实现，包含传统MUSIC、单/双先

摘要： 传统波束成形方法（如MVDR、MUSIC）在理想条件下能有效估计信号方向（DoA），但在相干源干扰、少快拍或非理想阵列等复杂场景中性能骤降。一种融合深度学习与波束成形原理的新框架通过神经网络逼近"最优空间滤波器"，兼具模型可解释性与环境适应性。该框架利用注意力机制聚焦信号区域，通过概率化空间谱和不对称损失函数解决谱峰反向传播难题，显著提升了相干源分离、低信噪比（SNR）

民用无人机的普及可能引发技术、安全和公共安全问题，这些问题亟待解决、规范和预防。安全机构一直在不断探索能够检测无人机的技术和智能系统。然而，相关技术的突破因缺乏无人机射频信号开源数据库而受阻，这些射频信号可通过远程传感和存储，为开发最有效的无人机检测与识别方法提供支持。本文为构建不同飞行模式下各类无人机射频信号数据库迈出了重要一步。我们系统地收集、分析并记录了不同无人机在不同飞行模式（如关闭、开启

本文提出一种基于可解释波束成形的深度学习单快拍DOA估计方法deep-MPDR。该方法将MPDR波束成形器原理映射至深度学习框架，通过可学习参数矩阵实现高效DOA估计，解决了传统方法在单快拍场景下阵列孔径减小、计算复杂等问题。实验表明，deep-MPDR在推理速度、估计精度和泛化性上均优于传统算法和其他深度学习模型，同时通过参数关联验证了物理可解释性。该方法为汽车雷达等实时应用提供了新的解决方案。

【测向定位】MUSIC、ESPRIT、GMUSIC、GESPRIT算法对比研究【附MATLAB代码】

本文译自美国兰德公司2020年发布的研究报告《Joint All-Domain Command and Control for Modern Warfare: An Analytic Framework for Identifying and Developing Artificial Intelligence Applications》，该报告由兰德公司为美国空军空中作战司令部撰写，核心围绕全域