支持向量機(jī)算法及其在雷達(dá)干擾效果評(píng)估中的應(yīng)用研究.pdf

1、國內(nèi)圖書分類號(hào):TP181學(xué)校代碼：10213國際圖書分類號(hào):621.3密級(jí)：公開工學(xué)博士學(xué)位論文支持向量機(jī)算法及其在雷達(dá)干擾效果評(píng)估中的應(yīng)用研究博士研究生：林連雷導(dǎo)師：姜守達(dá)教授申請(qǐng)學(xué)位：工學(xué)博士學(xué)科、專業(yè)：儀器科學(xué)與技術(shù)所在單位：自動(dòng)化測試與控制系答辯日期：2009年1月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)摘要I摘要隨著電子技術(shù)的發(fā)展，雷達(dá)對(duì)抗在戰(zhàn)爭中發(fā)揮著越來越重要的作用。雷達(dá)干擾是雷達(dá)對(duì)抗的主要組成部分，干擾效果是反映干擾裝備作戰(zhàn)能力的

2、一項(xiàng)重要的綜合性指標(biāo)，它表現(xiàn)為干擾前后雷達(dá)工作性能的下降程度，是雷達(dá)方、干擾方以及對(duì)抗環(huán)境等方面的眾多因素共同作用的結(jié)果。干擾效果評(píng)估要解決的是根據(jù)影響因素估計(jì)干擾效果的問題，科學(xué)合理地評(píng)估干擾效果對(duì)雷達(dá)干擾抗干擾技術(shù)的研究、雷達(dá)及干擾裝備的研制都具有重要的意義。雷達(dá)干擾效果評(píng)估方法主要有早期的評(píng)估因子法，后來的模糊綜合評(píng)估法，以及近幾年出現(xiàn)的基于人工神經(jīng)網(wǎng)絡(luò)(ANN)等機(jī)器學(xué)習(xí)理論的智能評(píng)估法。智能評(píng)估法是利用機(jī)器學(xué)習(xí)理論對(duì)干擾實(shí)驗(yàn)所

3、得到的實(shí)驗(yàn)樣本進(jìn)行學(xué)習(xí)，得到干擾效果與影響因素之間對(duì)應(yīng)關(guān)系，并由此實(shí)現(xiàn)對(duì)特定影響因素下干擾效果的評(píng)估。因?yàn)榫哂幸詫?shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)、受人為影響小等特點(diǎn)，智能評(píng)估法已被認(rèn)為是一種非常有前景的干擾效果評(píng)估方法。從智能評(píng)估角度，干擾效果評(píng)估問題可以看作是一個(gè)有限樣本的學(xué)習(xí)問題，神經(jīng)網(wǎng)絡(luò)在有限樣本情況下容易出現(xiàn)因過學(xué)習(xí)而導(dǎo)致的推廣能力下降，而在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的支持向量機(jī)(SVM)是專門針對(duì)有限樣本問題的機(jī)器學(xué)習(xí)方法，所以利用SVM解決干

4、擾效果評(píng)估問題會(huì)更有優(yōu)勢。由于干擾技術(shù)的多樣性，本文僅針對(duì)艦載有源干擾設(shè)備對(duì)反艦導(dǎo)彈末制導(dǎo)雷達(dá)進(jìn)行的自衛(wèi)式干擾進(jìn)行研究。針對(duì)雷達(dá)干擾效果評(píng)估及戰(zhàn)時(shí)預(yù)測問題研究合適的支持向量機(jī)算法，并解決其在該領(lǐng)域的相關(guān)應(yīng)用問題是本文的主要研究內(nèi)容，具體如下：1.在支持向量機(jī)算法方面，對(duì)計(jì)算復(fù)雜度低的最小二乘支持向量機(jī)(LSSVM)進(jìn)行了研究。針對(duì)干擾效果評(píng)估中的離線學(xué)習(xí)以及干擾效果戰(zhàn)時(shí)預(yù)測中需要對(duì)預(yù)測誤差較大的樣本進(jìn)行在線學(xué)習(xí)的需求，并且為了克服標(biāo)準(zhǔn)L

5、SSVM解的非稀疏性的缺點(diǎn)，研究了兩種在線式的LSSVM：基于更新逆核矩陣的在線式LSSVM和基于序列最小優(yōu)化(SMO)的在線式LSSVM，并分別研究了它們的分類算法和回歸算法。它們均采用“預(yù)測→增量學(xué)習(xí)→逆學(xué)習(xí)”的思想迭代完成學(xué)習(xí)過程，能夠根據(jù)具體問題自適應(yīng)地得到稀疏的解，不但能夠快速地完成離線學(xué)習(xí)，而且能夠用于在線學(xué)習(xí)問題。2.對(duì)SVM相關(guān)的參數(shù)選擇及特征選擇問題進(jìn)行了研究。在SVM參數(shù)選擇方面，針對(duì)SVM的性能一般是參數(shù)的多峰函數(shù)