该文简要分析了通信电子战及通侦信息的特点,介绍了一个通侦信息智能化融合系统,并着重讨论了该系统的融合模型和关键技术,最后指出有待解决的几个问题。

针对带不确定模型参数和噪声方差的线性离散多传感器系统，基于极大极小鲁棒估值原理，该文提出一种鲁棒协方差交叉(CI)融合稳态Kalman滤波器。首先，用引入虚拟噪声补偿不确定模型参数，把模型参数和噪声方差两者不确定的多传感器系统转化为仅噪声方差不确定的系统。其次，应用Lyapunov方程证明局部鲁棒Kalman滤波器的鲁棒性，进而保证CI融合Kalman滤波的鲁棒性，且证明了CI融合器的鲁棒精度高于每个局部滤波器的鲁棒精度。最后，给出一个仿真例子来说明如何搜索不确定参数的鲁棒域，并验证所提出的鲁棒Kalman滤波器的优良性能。

超宽带CI脉冲是由多个相干载波合成的窄脉冲信号.该文在此基础上,提出了扩频CI合成窄脉冲技术.由此降低了功率谱密度,提高了频带使用效率和便于多址应用.通过对每个相干载波信号CI扩频且合成,其效果很好.在信道传播上拥有超宽带信号的抗多径高分辨率性能,同时又能对扩频相干副载波进行相关接收,这样大大地提高了相关接收增益,减少了码间串扰.该文运用信号最佳设计方法,将超宽带SSCI信号设计成符合FCC标准和ETSI标准的最佳信号,减少与其他无线系统的相互干扰.文中给出了理论分析、设计方法和计算机模拟仿真结果.该设计方法对于提高UWB通信系统的性能有很重要的意义.

树增强朴素贝叶斯(TAN)结构强制每个属性结点必须拥有类别父结点和一个属性父结点，也没有考虑到各个属性与类别之间的相关性差异，导致分类准确率较差。为了改进TAN的分类准确率，该文首先扩展TAN结构，允许属性结点没有父结点或只有一个属性父结点；提出一种利用可分解的评分函数构建树形贝叶斯分类模型的学习方法，采用低阶条件独立性(CI)测试初步剔除无效属性，再结合改进的贝叶斯信息标准(BIC)评分函数利用贪婪搜索获得每个属性结点的父结点，从而建立分类模型。对比朴素贝叶斯(NB)和TAN，构建的分类器在多个分类指标上表现更好，说明该方法具有一定的优越性。

为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力，该文研究了SAR ATR的小样本类增量学习(FSCIL)问题，并提出了自监督解耦动态分类器(SDDC)。针对FSCIL 中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战，根据SAR图像目标信息的部件化与方位角敏感性特点，于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务，以提升目标表征的泛化性与稳健性。同时，设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调，以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。

SAR图像中舰船目标稀疏分布、锚框的设计，对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响，因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法，命名为CI-Net。考虑到SAR图中舰船尺度的多样性，在特征提取阶段设计上下文融合模块，以自底向上的方式融合高低层信息，结合目标上下文信息，细化提取到的待检测特征；其次，针对复杂场景中目标定位准确性不足的问题，提出分支交互模块，在检测阶段利用分类分支优化回归分支的检测框，改善目标定位框的精准性，同时将新增的IOU分支作用于分类分支，提高检测网络分类置信度，抑制低质量的检测框。实验结果表明：在公开的SSDD和SAR-Ship-Dataset数据集上，该文方法均取得了较好的检测效果，平均精度(AP)分别达到92.56%和88.32%，与其他SAR图舰船检测方法相比，该文方法不仅在精度上表现优异，在摒弃了与锚框有关的复杂计算后，较快的检测速度，对SAR图像实时目标检测也有一定的现实意义。