雷達(dá)輻射源信號(hào)支持向量聚類分析.pdf

1、雷達(dá)對(duì)抗偵察包括雷達(dá)輻射源信號(hào)的截獲、分選、分析和識(shí)別。雷達(dá)輻射源信號(hào)識(shí)別是整個(gè)雷達(dá)對(duì)抗信號(hào)處理中的關(guān)鍵性過(guò)程，是現(xiàn)代電子情報(bào)偵察系統(tǒng)和電子支援系統(tǒng)的重要組成部分。雷達(dá)輻射源信號(hào)識(shí)別的準(zhǔn)確與否決定著雷達(dá)對(duì)抗的成敗。然而，由于軍事領(lǐng)域保密的需要，很難獲得各雷達(dá)輻射源完整的先驗(yàn)概率和條件概率信息，由各種渠道獲得的輻射源特征參數(shù)以及由此形成的數(shù)據(jù)存在著不完整、不確定性，這給傳統(tǒng)的識(shí)別方法帶來(lái)巨大的困難。 無(wú)監(jiān)督學(xué)習(xí)是解決未知雷達(dá)輻射源

2、信號(hào)識(shí)別的有效方法。Support Vector Clustering(SVC)是一種基于支持向量機(jī)的無(wú)監(jiān)督聚類方法，它可以獲得任意形狀的聚類邊界，引入的軟間隔常量可以使一些數(shù)據(jù)點(diǎn)在特征空間的球體之外，即允許有外點(diǎn)存在，因此可以處理數(shù)據(jù)重疊情況。但SVC不僅時(shí)間復(fù)雜度高，而且在處理分布復(fù)雜、不均勻樣本時(shí)，識(shí)別率較低。因此，本文對(duì)SVC算法進(jìn)行研究，以在降低算法時(shí)間復(fù)雜度的同時(shí)，提高其對(duì)分布復(fù)雜、不均勻樣本的識(shí)別率，以實(shí)現(xiàn)對(duì)雷達(dá)輻射源信號(hào)

3、快而準(zhǔn)確的識(shí)別。論文的主要工作及研究成果如下： 1.研究SVC算法的基本理論，了解其研究現(xiàn)狀以及在一些領(lǐng)域中的應(yīng)用，分析算法的優(yōu)、缺點(diǎn)。 2.將SVC應(yīng)用于雷達(dá)輻射源信號(hào)識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明，SVC不僅時(shí)間復(fù)雜度高，而且在處理分布復(fù)雜、不均勻樣本時(shí)，識(shí)別率很低。 3.基于剪輯近鄰法，結(jié)合K-近鄰法和SVC的優(yōu)點(diǎn)，對(duì)數(shù)據(jù)樣本作兩步?jīng)Q策。先用SVC對(duì)所有未知樣本作預(yù)分類，按照一定的剪輯規(guī)則剪掉錯(cuò)誤的聚類，留下聚類作

4、為已知類別，再用K-近鄰規(guī)則對(duì)剪掉的樣本按各已知類別的不同分布進(jìn)行加權(quán)分類。對(duì)雷達(dá)輻射源信號(hào)進(jìn)行聚類分析的實(shí)驗(yàn)結(jié)果表明，此方法能在很大程度上提高識(shí)別率。 4.用K-均值聚類法對(duì)數(shù)據(jù)樣本作初步的線性劃分，將原數(shù)據(jù)樣本劃分成若干子樣本，再將子樣本分別映射到高維特征空間，用SVC方法去處理非線性問(wèn)題。對(duì)雷達(dá)輻射源信號(hào)進(jìn)行聚類分析的實(shí)驗(yàn)結(jié)果表明，此方法能在降低計(jì)算時(shí)間的同時(shí)，能有效地提高識(shí)別率。 本文研究工作得到了國(guó)家自然科學(xué)基