论文部分内容阅读
雷达对抗侦察包括雷达辐射源信号的截获、分选、分析和识别。雷达辐射源信号识别是整个雷达对抗信号处理中的关键性过程,是现代电子情报侦察系统和电子支援系统的重要组成部分。雷达辐射源信号识别的准确与否决定着雷达对抗的成败。然而,由于军事领域保密的需要,很难获得各雷达辐射源完整的先验概率和条件概率信息,由各种渠道获得的辐射源特征参数以及由此形成的数据存在着不完整、不确定性,这给传统的识别方法带来巨大的困难。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 VectorClustering(SVC)是一种基于支持向量机的无监督聚类方法,它可以获得任意形状的聚类边界,引入的软间隔常量可以使一些数据点在特征空间的球体之外,即允许有外点存在,因此可以处理数据重叠情况。但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。因此,本文对SVC算法进行研究,以在降低算法时间复杂度的同时,提高其对分布复杂、不均匀样本的识别率,以实现对雷达辐射源信号快而准确的识别。论文的主要工作及研究成果如下:1.研究SVC算法的基本理论,了解其研究现状以及在一些领域中的应用,分析算法的优、缺点。2.将SVC应用于雷达辐射源信号识别。仿真实验结果表明,SVC不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率很低。3.基于剪辑近邻法,结合K-近邻法和SVC的优点,对数据样本作两步决策。先用SVC对所有未知样本作预分类,按照一定的剪辑规则剪掉错误的聚类,留下聚类作为已知类别,再用K-近邻规则对剪掉的样本按各已知类别的不同分布进行加权分类。对雷达辐射源信号进行聚类分析的实验结果表明,此方法能在很大程度上提高识别率。4.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。对雷达辐射源信号进行聚类分析的实验结果表明,此方法能在降低计算时间的同时,能有效地提高识别率。本文研究工作得到了国家自然科学基金(No.60702026,60572143)和西南交通大学科技发展基金(No.2006A09)的共同资助。