基于K-均值的SVC的雷达辐射源信号识别

无监督学习是解决未知雷达辐射源信号识别的有效方法。Support Vector Clustering(SVC)是一种基于支持向量机的无监督聚类方法。SVC不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率较低。结合K-均值与SVC的优点,提出一种基于K-均值的SVC无监督聚类方法。此方法用K-均值聚类法对数据样本作初步的线性划分,将原数据样本划分成若干子样本。再将这些子样本分别映射到高维特征空间,用SVC方法去处理非线性问题。由K-均值聚类法将二次规划问题分解,大大减少SVC的计算量,降低时间消耗。相对于原数据样本,子样本的分布较为简单、均匀,容易找到更为合适的SVC参数值。对雷达辐射源信号进行聚类分析的实验结果表明,此方法处理速度较快,识别率较高。     

基于FSVMs的雷达辐射源信号分类识别

利用核函数主分量分析(KPCA)提取雷达辐射源信号时频分布图像的特征矢量.为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机.实验表明,该方法对辐射源信号的识别率高于传统的分类方法.     

基于自适应协同聚类的支持向量预选算法

为提高支持向量机在大规模数据集上的训练效率,提出一种基于自适应协同聚类的支持向量预选算法。该方法通过对两类样本进行自适应协同聚类,寻找少量具有协同关系的类中心对,替代支持向量进行训练,从而减少参训样本数量。其中,中心对数量由算法自动确定。与其他支持向量预选算法的对比实验结果表明,自适应协同聚类算法能够在不影响分类性能的情况下,有效提高训练速度,是一种行之有效的快速支持向量预选算法。     

模式分类方法研究

分析了模糊K-近邻方法FKNN,研究了模糊最小最大神经网络FMMNN分类方法,然后深入分析了支持向量机SVM原理,并在此基础上给出了一种改进的径向基核函数。基于IRIS数据,进行了计算机仿真实验,结果表明,改进的SVM方法分类性能比模糊最小最大神经网络与模糊K-近邻算法的分类性能更好,且运算时间更短,更易于实时实现。     

用样本密度法解决支持向量机拒识区域

拒识区域是传统多分类支持向量机中存在的主要缺陷之一。为克服这一不足,提高多分类支持向量机的分类性能和泛化能力,提出将样本密度法用于解决支持向量机拒识区域问题。该方法以落入拒识区域中的样本点为中心,某一阈值为半径建立一个超球体,然后计算各类样本集在该超球体内的样本密度,最后选择最大样本密度对应的类为样本的所属类。数据实验结果表明,样本密度法实现了零拒识,有效提高了传统多分类支持向量机的分类性能。     

KM-SVM法的SAR图像无监督变化检测

针对合成孔径雷达（synthetic aperture radar, SAR）图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K-均值和支持向量机(K--means and support vector machine, KM SVM)法SAR图像无监督变化检测。首先,不需要任何先验信息的条件下,利用K- means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明：该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。     

核的最近邻算法及其仿真

为了提高近邻法的分类性能,提出了核的最近邻算法。通过mercer核,将样本映射到高维特征空间,再用近邻法分类。核映射改善了样本的空间分布,突显了样本的类别特征,从而提高了分类的性能。给出了核近邻算法的判决过程。对于人工数据和入侵检测数据的仿真显示,核近邻分类方法的分类性能优于传统的最近邻分类法。     

一种新隶属度函数的模糊支持向量机

传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计,这对非球形分布数据很不合理.使用类内超平面代替类中心,提出基于样本到超平面距离的新隶属度函数设计方法.该方法克服传统方法的不足,降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力.数值实验表明,与支持向量机和三种不同隶属度函数的模糊支持向量机相比,新隶属度函数的模糊支持向量机达到最好的分类效果,而且新隶属度方法的简单易行,计算时间少.     

不平衡最小二乘支持向量机

针对标准的最小二乘支持向量机(LSSVM)没有考虑样本分布不平衡的问题提出一种称为不平衡最小二乘支持向量机的算法.首先用标准的最小二乘支持向量机对原始数据进行初步训练,产生一个分离超平面的法向量.然后把高雏样本投影到该法向量上得到一维数据.最后由该一维数据的标准差以及样本数量差异所提供的信息,给出两类数据惩罚因子比例,再用标准的最小二乘支持向量机进行第二次训练,对分离超平面进行调整.该方法克服传统方法只考虑数量的不平衡的不足,将原有样本集中具有的分类信息充分提取出来,提高了最小二乘支持向量机的泛化能力.实验结果表明,所提方法可以有效提高不平衡数据的分类性能.     

仿真实验与SVM相结合的数据分类方法研究

首先提出了仿真实验与SVM相结合的数据分类方法;其次,利用该方法成功地进行了若干数据分类实验,证明了该方法能够高效、优质地完成体系规划与优化过程中的数据分类任务。此外,还探讨了二分类支持向量机的推导过程,研究了利用仿真实验为二分类支持向量机准备实验样本的具体方法。     

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

Pulse-to-pulse periodic signal sorting features and feature extraction in radar emitter pulse sequences

A novel class of periodically changing features hidden in radar pulse sequence environment, named G features, is proposed. Combining fractal theory and Hilbert-Huang transform, the features are extracted using changing characteristics of pulse parameters in radar emitter signals. The features can be applied in modern complex electronic warfare environment to address the issue of signal sorting when radar emitter pulse signal parameters severely or even completely overlap. Experiment results show that the proposed feature class and feature extraction method can discriminate periodically changing pulse sequence signal sorting features from radar pulse signal flow with complex variant features, therefore provide a new methodology for signal sorting.     

被动雷达导引头多脉冲辐射源的角度分辨与跟踪

讨论了被动雷达导引头主波束内存在多脉冲辐射源时对多辐射源进行角度分辨并跟踪某一辐射源的方法。首先利用聚类分析法实现多辐射源角度分辨 ,然后利用主波束角度压缩方法实现单一辐射源跟踪。计算机仿真结果表明 :在中等密度脉冲辐射源环境下 ,采用聚类分析和主波束角度压缩相结合的方法可较好地实现导引头主波束内多脉冲辐射源的角度分辨与单一辐射源跟踪     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法

针对雷达实际侦察过程中会侦收到大量样本库中所没有的未知雷达信号,设计了一种基于粒子群优化的具有噪声的密度聚类算法和半监督条件生成对抗网络的单脉冲未知雷达信号处理方法.通过粒子群优化算法得到具有噪声的密度聚类算法的最优输入参数后,对未知雷达信号进行聚类,在聚类算法输出的簇中采用距离筛选算法筛选出更为可信的样本将其扩展到雷...     

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。     

基于ICW-RCM的辐射源组合威胁评估

针对传统辐射源威胁评估方法难以直观地给出目标威胁程度以及在实时性、复杂性上的不足,在雷达图法(radar chart method, RCM)的基础上,提出基于改进组合赋权(improved combination weighting, ICW)-RCM的辐射源组合威胁评估算法。组合威胁评估将辐射源威胁等级粗排序和精细排序相结合,根据雷达指标计算雷达工作模式,对辐射源威胁等级进行粗排序,并降低威胁程度低的辐射源任务优先级;基于ICW-RCM,对相同雷达工作模式的辐射源精细化排序,并结合粗排序结果,得到最终的辐射源威胁评估结果。实验仿真与分析表明,该算法具有较好的正确性与有效性,与传统组合赋权雷达图法相比算法复杂度较低、实时性较高、结果更加形象直观。