基于距离度量方法的雷达辐射源信号识别研究

为了能够在多种距离度量方法中选择一种最优的算法,提高基于距离度量方法的雷达辐射源信号识别的正确识别率,构建了雷达辐射源信号识别模型.并在不同的噪声背景下对基于距离度量方法的雷达辐射源识别模型的正确识别率和识别时间做了比较,最后进行了大量的仿真实验,给出了识别结论.     

基于优化算法的雷达辐射源信号识别方法及性能

针对基于支持向量机(SVM)的雷达辐射源信号识别方法中SVM模型参数对识别性能影响较大的问题,提出基于优化算法的雷达辐射源信号识别方法,并选择遗传算法、蚁群算法和粒子群算法三种典型的优化算法应用于新的识别方法进行优化识别.通过不同条件下计算机仿真实验,验证了新方法的有效性,并分析了三种典型优化算法在新方法中的综合性能,为对雷达辐射源信号进行更好的识别提供一定的依据.     

改进SVC算法在雷达信号分选中的应用

为提高支持向量聚类（SVC）对分布复杂、不均匀雷达辐射源信号样本分选的正确率,提出一种改进的支持向量聚类分选方法,先采用支持向量聚类对所有未知样本作预分类,提供初始的聚类中心,然后利用K-Means聚类分选算法最终分选。结果表明,此方法能够很好地对复杂雷达信号进行分选,分选正确率较高。     

基于DAGSVM的雷达辐射源信号分选与识别

支持向量机具有较好的解决小样本、非线性问题的能力,而DAG算法具有分类精度高的优点。针对现有方法分选与识别准确率不高和对参数变换敏感的问题,在DAGSVM的基础上,提出一种新的雷达辐射源分选与识别方法。首先概述了支持向量机的原理及特点,然后完成了对SVM多分类器的设计,介绍了DAG算法,提出了基于DAGSVM的雷达辐射源信号分选与识别。并通过仿真实验分析了分类器对分选识别结果的影响。实验结果表明,使用DAGSVM这种方法是可行的,该方法具有较强的泛化性能,明显地提高了信号分选识别的准确性。     

基于C均值聚类算法的雷达信号分选方法

随着现代雷达技术的发展,雷达告警设备所面临的电磁环境日益复杂,雷达告警系统对雷达分选的要求必须快速、准确.改进的C-均值聚类算法可有效地对雷达信号的脉宽、到达方向、频率参数进行联合分选.文中采用了这种改进的C-均值聚类算法,该方法易实现.仿真实验证明其能够较好地达到分选效果.     

一种自动选择参数的雷达辐射源SVC分选方法

雷达信号分选的容差问题一直是雷达对抗情报处理中的难题,而支持向量聚类法（SVC）是一种能够有效避免容差问题的聚类方法,但现有参数搜索方法不能快速准确地确定SVC最优聚类结构,从而限制了支持向量聚类法的广泛应用。针对这一问题,提出了一种可以自动选择参数的SVC聚类方法。它通过采用一种综合的参数搜索方法,自动选择惩罚因子和核函数宽度两个参数,从而确定最优的聚类结构。仿真实验表明,此方法可在较少的迭代次数下获得最优的聚类结构,提高了雷达信号的分选正确率。     

基于随机森林的雷达辐射源识别算法研究

为解决低信噪比条件下传统雷达辐射源识别准确性低、时效性差、稳健性不强的问题,提出了一种基于随机森林的雷达辐射源型号识别算法.算法以载频、脉宽、脉冲重复周期为识别特征向量,首先从先验样本集中随机抽取得到多个训练集,然后使用训练集构建多个决策树分类器,最后通过多个决策树分类器对新识别特征向量进行识别并投票得到最终识别结果....     

一种基于雷达图的雷达辐射源识别算法

在分析和考察雷达辐射源(Radar Emitter)多特征模式识别算法的基础上提出了一种基于雷达图(Radar Chart)中向量夹角余弦值的分类识别算法,借助雷达图实现了雷达辐射源空间特征向量向平面向量的转换,实现对雷达辐射源型号的自动识别,给出识别置信度.通过计算机仿真得到大于85%的正确识别率,进一步验证了算法在雷达辐射源识别工程中的可用性和可行性.     

基于加权AVA的SVM辐射源识别算法研究

支持向量机(SVM)最初是用以解决两类分类问题,不能直接用于多类分类,如何有效地将其推广到多类分类问题是一个正在研究的问题。该文总结了现有主要的支持向量机多类分类算法,分析比较了各算法的分类精度,同时对其中一类方法进行了改进。最后,把本文方法用于辐射源识别问题的解决,实际仿真结果表明该方法是有效的。     

多核融合框架下的雷达辐射源个体识别

该文利用机器学习中多核学习(Multiple Kernel Learning,MKL)算法的多源信息融合功能,提出一种基于核层面信息融合的雷达辐射源个体识别框架。对雷达辐射源信号所提取的不同特征表示,分别构建相应的核函数或核矩阵,然后通过一定的准则计算它们的组合系数,并同时或独立获得支持向量机的分类超平面,最终实现对辐射源信号的分类。特别地,该方法能够实现辐射源信号模糊函数多个"近零"切片特征的有效融合,得到比代表性切片更优的识别性能。在3组实测雷达辐射源数据上的实验表明了所提方法的有效性。     

遗传+模糊C-均值混合聚类算法

本文提出了一种新的结合遗传算法(GA)和模糊C-均值算法(FCM)的混合聚类算法(HCA)。它通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了GA在达到全局最优解前收敛慢和FCM算法容易陷入局部极小的问题。三组不同分布类型的数据聚类实验表明,该算法具有较好的通用性和有效性。     

基于加权SVC和K-Mediods联合聚类的雷达信号分选方法

为了提高复杂体制雷达信号分选的正确率,提出了加权SVC和K-Mediods联合聚类算法,针对雷达参数特点,对SVC算法的核函数内积和K-Mediods算法的欧氏距离进行加权计算,从而避免聚类结果被弱相关的特征所支配.与SVC与K-Means联合聚类算法相比,SVC与K-Mediods联合聚类算法有效降低了"离群点"的影响.结果表明,该算法能够提高复杂体制雷达信号分选的正确率,存在部分"离群点"时分选正确率较高.     

雷达辐射源信号快速识别综述

对现代战场的电磁环境特点进行分析,介绍了已有的几种雷达信号特征描述方式,阐述了目前的雷达辐射源信号快速识别方法及其发展方向,概述了雷达辐射源识别系统中的数据库设计研究现状.对未来进行展望,为进一步研究雷达辐射源信号快速识别技术提供参考.     

基于AP密度聚类方法的雷达辐射源信号识别

未知雷达辐射源信号识别一直是雷达对抗情报分析中的难题。针对基于密度的聚类算法在处理不均匀样本时识别率较低的缺陷,将该算法与亲和传递（AP）聚类算法结合,提出一种基于AP密度聚类的识别方法。该方法先利用AP聚类方法对数据样本进行初步聚类,再设定相关参数,运用基于密度的带有噪声的空间聚类（DBSCAN）算法进行二次聚类。相对于原样本,初始聚类结果分布具有一定的代表性,容易找到适合DBSCAN方法的参数值。测试表明该方法具有较高的识别率。     

雷达辐射源识别决策层融合算法

针对雷达辐射源识别过程中数据信息量大的实际情况,应用多传感器最优组合理论,提出一种对辐射源侦察传感器的优化组合方法,以提高融合效率;此外,将D-S证据理论用于数据融合过程中,结合雷达辐射源识别问题的特点,并借鉴信息论中熵的概念,对基本概率赋值函数(BPAF)进行了建模;仿真结果表明该模型的有效性和融合算法的优良性能。     

雷达辐射源识别算法综述

结合雷达辐射源识别的军事需求和近几年取得的研究进展,以雷达辐射源识别中最核心的3个方面为研究对象,综述相关算法的研究现状与发展.针对低信噪比环境、分类器能力不足和单传感器识别的缺陷,从辐射源特征提取、分类识别和多源融合识别等方面详述了目前算法的研究思路和性能,引入当前热点模式识别算法并分析其可借鉴性.最后,指出了在辐射源识别研究领域中仍存在的问题,并展望了下一步的研究方向.     

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

基于熵特征的雷达辐射源信号识别

针对现有方法识别率低和没有考虑噪声影响的问题, 提出一种新的雷达辐射源信号识别方法. 将近似熵(ApEn)和范数熵(NoEn)构成特征向量, 用神经网络分类器实现自动分类识别. ApEn是定量描述信号复杂性和不规则性的有效测度, NoEn是定量表征信号能量分布的有效参数. 理论分析和实验结果表明, 熵特征类内聚集性强、类间分离度大, 在较大信噪比范围内均能获得非常满意的正确识别率, 证实了所提出方法的有效性.     

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。