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。     

雷达信号非均匀粒度聚类分选方法

聚类分析是数据挖掘中的重要技术.在比较分析了两种常用的聚类分析方法的基础上,将基于商空间的非均匀粒度聚类算法应用于雷达信号分选中,仿真实验的结果表明:该算法可以从不同层次观察聚类数据,更适用于复杂雷达信号聚类分选,具有良好的性能.     

基于滑动窗宽的非参数变宽直方图方法研究

针对等宽直方图难以定性确定分组数的问题,提出一种基于滑动窗宽非参数概率估计的变宽直方图算法。该算法通过对等宽直方图的区间进行合并或划分操作,使直方图上部轮廓线与参数概率密度函数曲线尽量相吻合,并以此确定直方图的分组数。在概率密度函数未知的情况下,采用滑动窗宽非参数概率密度估计算法预先估计出概率密度函数。滑动窗宽非参数概率密度估计是一种改进算法,将固定窗宽算法和变窗宽算法相结合,实现窗宽根据样本的分布情况,在不同的估计点自动调整窗宽的取值。最后仿真实验表明,该直方图算法是有效的。     

基于熵的直方图最优分组方法研究

最优分组是直方图法中的一个关键问题,对直方图法的有效性起着决定性的作用.在研究直方图法提取离散型雷达信号参数特征的基础上,根据信息熵的物理意义及其基本性质,提出一种基于熵的最优分组判定准则,并用仿真实验验证了该判定准则的有效性.     

基于信息增益和相关性的判定树特征选择算法

特征选择是模式识别中需要解决的一个重要问题.针对已知类标号的样本集合,从特征的分类信息和特征间相关性2个方面出发,提出了一种基于信息增益和相关性的判定树特征选择算法.该算法是一种有监督方法,先采用信息增益度量特征的分类区分度,采用相关系数度量特征的冗余度,然后建立判定树,则树中的节点即为选择出的特征.     

一种基于模糊熵的特征选择算法

特征选择是模式识别中的一个重要组成部分。针对分类边界模糊的样本集,将模糊集的理论应用到特征选择中,通过对特征进行模糊化,定义一种模糊熵来度量特征的分类区分度,再采用相关系数度量特征间的冗余度,建立判定树。则树中的节点即为选择出的特征,树枝为特征的隶属度函数,且通过判定树进行的分类可以实现样本识别的模糊化。     

基于熵最优分组的雷达信号参数特征提取算法

雷达信号参数特征提取是电子情报侦察系统中的一个关键步骤,常采用直方图法.但直方图法中有一个关键且较难解决的问题:最优分组问题,且该问题对直方图法的有效性有着决定性的作用.根据信息熵的物理意义及其基本性质,提出一种基于熵最优分组判定准则的直方图算法,对雷达信号参数特征进行提取.并由仿真实验验证了该方法提取雷达信号参数特征的有效性.