基于动态时间规整算法的车辆目标分类研究

将动态时间规整(Dynamic Time Warping)算法应用于地面车辆目标的分类识别中。基于微多普勒效应原理,建立了轮式车辆和履带式车辆雷达回波模型,对两种车辆目标微多普勒信号的差异性进行了分析,并结合实测数据,验证了理论分析的正确性。在杂波抑制及速度归一化处理的基础上,利用动态时间规整算法,将提取出的车辆目标的累积失真距离作为目标分类识别的依据,实现了轮式车辆和履带式车辆的自动分类。基于实测数据的实验结果表明,该方法在不同信噪比条件下都具有较好的分类性能。     

基于学习矢量量化(LVQ)神经网络的雷达体制识别

由于现代战争中雷达体制的多样化、复杂化及其综合应用使得雷达体制识别中要处理大量复杂的高维数据,学习矢量量化(LVQ)神经网络不仅能处理有监督分类,而且相对于其他神经网络能以较小的计算量处理大量输入数据,所以采用LVQ对雷达体制进行识别,同时针对LVQ学习速率的变化可能引起学习算法不稳定,采用修正的学习速率算法.在简要介绍雷达体制和LVQ的基础上构造了LVQ神经网络对雷达体制进行分类.通过与径向基神经网络(RBFN)识别算法的仿真对比,证实了方法的有效性.     

基于密母算法的雷达一维距离像C-SVM识别方法

为提高反舰导弹的目标识别能力,采用高分辨率雷达一维距离像为识别特征向量,利用改进的密母算法优化的C-SVM模型,研究了反舰导弹对真假目标的分类识别方法并进行了实验,实验结果表明:经过参数优化设置后的C-SVM大幅提升了反舰导弹末制导雷达对目标类型的识别正确率,搜索时间虽有所增加,仍然远小于GS。     

基于循环谱相关的雷达信号脉内分析改进算法

针对传统的雷达信号脉内特征分析算法存在的局限,提出了一种基于循环谱相关的雷达信号脉内特征分析的改进算法。该算法将传统的循环谱估计方法进行了改进,能对雷达信号脉内调制方式进行识别并提取脉内特征参数,然后结合改进的小波变换的优点,对识别出的相位编码信号进行相位突变点的提取,最后输出至完善的脉冲描述字中。改进的算法能够在较低计算量的同时保证较好的脉内特征参数的估算精度。仿真结果表明,在较低信噪比下,该算法仍然具有较好的性能。     

基于改进直方图算法的雷达信号参数特征提取研究

雷达信号特征提取是雷达信号识别中的重要组成部分,直接影响到识别效果的好坏。在研究直方图算法分析雷达信号特征的基础上,提出2种改进的直方图算法:截断直方图算法和窄带直方图算法,并用仿真实验分析影响算法性能的4个因素,验证了直方图算法提取雷达信号参数特征的有效性。     

基于特征加权与SVM的雷达有源干扰分类技术

为了有效提高雷达有源干扰分类正确率,提出一种基于特征加权与支持向量机的分类方法。针对分类过程中各信号特征参数对信号分类的重要度不同,引入特征加权的概念。利用灰色关联分析方法求取各特征权重,避免一些弱特征对分类结果产生较大影响。最后利用支持向量机分类器,对雷达有源干扰信号进行了分类识别。通过仿真实验证明,该方法可以有效提高雷达有源干扰信号类型的识别率,具有很好的通用性。     

基于结构自整定前馈网络的雷达目标识别研究

概述了基于雷达成像的目标类型识别技术。阐述了多层前向网络的分类特性,提出一种网络结构自整定算法来训练网络,并构造分类器,对基于转台成像实验的雷达目标类型识别问题进行了仿真研究。研究结果表明,经结构自整定算法训练后的前馈网络对成像雷达目标具有较好的推广识别能力,识别率达到９０％。     

一种改进的电子情报分析模型

电子情报的分析处理,对提高电子对抗作战效能意义重大。综合运用聚类算法和分类算法构建了一种改进的电子情报分析模型。该模型首先通过基于粗糙集改进的k-means算法完成对记录数据库中雷达信号的聚类分选,选取聚类中心信号表征此类信号;再采用粗糙集提取有效的最优规则并用于聚类中心脉冲识别,从而分选出已知信号和未知信号;未知信号确定其特性后添加到已知威胁雷达数据库。通过仿真,验证了该模型的适用性和有效性。     

确定性理论在雷达型号识别中的应用

雷达型号识别是雷达对抗情报侦察的首要工作,是近一步分析雷达用途及相关武器系统的基础,也是高层次上的态势评估和威胁估计的主要依据.针对现代战争中电磁信号环境的复杂性,利用单一传感器很难对雷达型号进行准确识别,而基于确定性理论的不确定推理技术能将多个传感器在多个周期的侦察信息进行融合,所以采用确定性理论的数据融合技术,基于确定性理论的组合规则,采用分层式融合算法对雷达型号进行识别.仿真结果表明,该方法的识别结果令人满意,使采用单一传感器可能存在的无法识别或误识别等现象得到了明显的改善.     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。