低頻輻射源雜散特征提取及分類方法研究.pdf

1、輻射源的個體識別作為電子對抗的一種重要技術(shù)，近些年受到廣泛的關(guān)注。個體識別技術(shù)主要分為特征提取和分類識別。同類型低頻輻射源由于硬件差異使得發(fā)射信號差異很小且信號特征更多地表現(xiàn)出非線性和非平穩(wěn)性。隨著電子設(shè)施逐漸增多，現(xiàn)代電子環(huán)境趨于復(fù)雜化。個體識別技術(shù)的關(guān)鍵問題變成了如何從信號中得到有效的雜散特征，而且能夠?qū)ζ溥M行來源分類。
　　本文主要研究內(nèi)容如下：低頻輻射源行為建模研究，相同型號、相同模式下不同輻射源的雜散特征提取，用分類器對

2、提取的特征進行有效分類。
　　針對低頻輻射源行為建模，本文主要研究了功率放大電路的行為建模，將深度學(xué)習(xí)理論引入非線性系統(tǒng)建模中，分別與反向傳播神經(jīng)網(wǎng)絡(luò)(BP)、Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了BP-RBMs模型和深度重構(gòu)模型(DRM)，對比了Volterra-Laguerre模型、Kautz-Volterra模型和Elman神經(jīng)網(wǎng)絡(luò)模型用于功率放大電路行為建模的性能。
　　針對輻射源特征提取，本文研究了高階累積量及雙譜的算法

3、，提取了雙譜對角切片。提出了基于深度學(xué)習(xí)理論的特征提取方法。通過分形理論，研究了盒維數(shù)的具體算法。并設(shè)計了一種基于雙譜對角切片及其分形維數(shù)的特征提取方法。通過實驗驗證了此方法的可實施性。
　　針對分類識別問題，研究了支持向量機(SVM)分類器和AdaBoost算法。將兩者有效的結(jié)合，提出了基于SVM的AdaBoost組合分類器，通過與以上單一算法分類識別進行對比，得到了不錯的識別效果。
　　實驗證明，本文所提出的方法，可以精