基于DBN特征提取的雷达辐射源个体识别

针对传统特征参数难以表征复杂体制雷达信号个体特征的问题,基于深度置信网络DBN的深层特征提取和高维数据处理能力,提出一种基于DBN特征提取的雷达辐射源个体识别算法。首先建立基于多层受限玻耳兹曼机的DBN模型,然后通过DBN无监督提取脉冲包络前沿特征,再利用标签数据对模型参数进行有监督微调完成训练,最后输入未知辐射源信号脉冲包络前沿特征实现辐射源个体识别。与传统算法相比,该方法能够自适应地提取脉冲深层次细微差异,提取过程减少了对人为经验的依赖。实验结果表明,该算法对脉冲包络特征提取效果明显,有较高的识别精度。     

数据缺失下基于IOWA TOPSIS的辐射源威胁评估

由于战场环境的高复杂性,侦察方难于获取目标辐射源的完备信息.为解决传统辐射源威胁评估算法不适用于数据缺失情况的问题,引入诱导有序加权平均算子空值估计算法,与逼近理想解排序法相结合,采用CV-G1法赋权,构建数据缺失下基于IOWA-TOPSIS的辐射源威胁评估模型.首先,利用IOWA算子估算空值,解决数据缺失问题;然后,利用基于变异系数法改进的G1法实现对各属性的组合赋权;最后,通过TOPSIS算法对辐射源威胁度进行排序.仿真验证了算法的有效性,该方法拓展了TOPSIS算法使用范围,实现数据缺失情况下的辐射源威胁评估.     

基于Shapley-TOPSIS的辐射源威胁评估

针对雷达对抗领域辐射源威胁评估问题,利用基于Shapley值的优势关系粗糙集客观权重分配法克服主观赋值、不依赖先验知识的优点,与TOPSIS(逼近理想解排序)结合,提出一种基于Shapley-TOPSIS的辐射源威胁评估模型。首先,区分收益型和成本型对属性指标进行规范化,构建目标集与属性集的评判矩阵;然后,利用优势关系进行属性约简,并基于Shapley值确定各属性权重,再利用属性权重更新评判矩阵;最后,计算得到模型的正、负理想解,分别求解各辐射源的贴近度,进行辐射源威胁等级排序。仿真结果表明,与基于专家系统赋值的TOPSIS模型相比,文中模型综合考虑了各属性的相互关系,威胁等级排序结果更准确。