基于蚁群算法的K-Means聚类雷达信号分选算法

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

相控阵雷达信号的分选识别

相控阵雷达是一种多功能高性能的新型雷达,简述了相控阵雷达的工作原理及其特征,从理论上讨论了对相控阵雷达信号的分选识别,具有一定的工程意义。     

雷达侦察系统信号分选新方法

随着新体制雷达技术的出现,雷达侦察系统的信号分选遇到了越来越多的困难,针对在复杂雷达信号环境下雷达侦察装备信号分选存在的问题,结合实际工作中的体会,提出了信号分选方法的一些新设想。     

基于数字告警接收机的雷达信号分选与识别方法研究

机载雷达告警接收机作为一种雷达侦察设备,主要用于对高威胁雷达目标进行识别和告警,而识别的前提是信号的分选。针对传统告警接收机普遍存在增批、虚警的问题,提出了基于数字雷达告警接收机的信号分选与识别方法,介绍了其工作流程和雷达信号的时域模型,对多通道雷达信号分选和识别实现方法进行了阐述,通过试验验证了该方法的有效性。     

一种基于改进网格聚类的雷达信号预分选算法

基于网格的聚类算法是雷达信号预分选领域的一种常用方法。针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出一种改进的网格聚类算法,该算法对输入雷达信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。仿真实验验证了算法的有效性和抗噪声能力。     

基于K-Means算法的雷达信号预分选方法

K-Means算法在雷达信号预分选中有着广泛的应用,传统K-Means算法对聚类个数以及聚类中心的初始设定依赖性很大,并且对噪声和孤立点很敏感,针对这些不足,文中提出了一种将距离法与改进的K-Means算法相结合的雷达信号预分选方法。仿真实验表明提出的方法可以有效的降低了噪声和孤立点对K-Means聚类算法的影响。     

基于FastICA的雷达信号分选研究

现代战争中新体制雷达的大量涌现,电磁环境变得越来越复杂,对雷达信号分选提出了新的挑战。目前的雷达信号分选领域,多采用基于参数容差的传统分选方法,这些方法受参数误差的影响大,对PDW参数相似的雷达无法分选,已经无法适应复杂电磁环境。在对FastICA算法原理分析的基础上,重点研究了将它应用于PDW参数相近的雷达信号和参差脉冲列的分选,并进行了仿真。仿真结果表明,FastICA是建立在源信号统计独立基础上的处理,对信号相关性敏感,受参数误差的影响小,可以有效解决上述问题,为雷达信号分选提供了一种新的思路。     

一种基于顺序差值直方图算法的改进雷达信号分选方法

雷达信号分选是现代雷达侦察系统中的重要组成部分。顺序差值(SDIF)直方图算法是一种典型的雷达信号分选算法。该算法基于减法运算,能够对脉冲到达时间实现快速处理,实时性好,然而该算法对抖动信号分选效果不理想。为解决该问题,通过把修正脉冲重复间隔(PRI)变换中交迭PRI箱的思想引入到顺序差值直方图算法中,提出一种改进SDIF算法,研究了该方法对信号在不同抖动上限情况下的分选结果,并与SDIF分选结果相比较。结果表明该方法显著提高了顺序差值直方图对抖动信号的分选能力。     

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。     

基于负熵最大化FastICA算法的雷达信号分选

在深入分析FastICA算法的基础上,提出了将其用于雷达信号的分选。仿真结果表明,这种算法应用于雷达信号分选时取得了很好的分离效果。     

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.     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

一种基于云模型的辐射源识别方法

该文针对测量参数的不确定所造成的辐射源不能正确识别问题,提出了一种基于云模型的识别方法。该方法首先利用云模型对雷达模板库中区间类型的参数变量进行正态云建模从而得到测量参数的隶属度,然后利用云模型的定性定量转换特性来描述离散型参数变量的调制匹配程度,同时给出了一种确定辐射源识别权值的新方法,能够动态调整各特征参数的权值。仿真结果表明,这种基于云模型的识别方法是适用有效的。     

基于独立分量分析的雷达信号分选研究

独立分量分析(Independent Component Analysis,ICA)是近年来发展起来的一种有效的盲信源分离方法。在介绍了独立分量分析基本理论的基础上,将基于负熵最大化的FastICA算法应用于对脉冲多普勒雷达信号和连续波雷达信号进行分选,是一种新方法的尝试,并通过2种性能指标来评价分选的效果。仿真结果表明,该算法能够有效地对脉冲多普勒雷达信号和连续波雷达信号进行分选。     

基于集对分析的雷达信号分选算法

随着新体制、新技术雷达的不断出现,雷达侦察接收机接收到的雷达信号更加密集和复杂,传统的分选方法已不能对其进行有效分选.将雷达脉冲信号与已知雷达的脉冲信号特征两两视为集对,应用集对分析算法,通过计算脉冲信号之间的关联度,实现信号分选.仿真结果表明,该算法不仅简单,易于编程,而且与传统分选算法相比,能实时、高效地实现密集和复杂信号环境下的信号分选任务.