论文部分内容阅读
雷达信号分选是电子战中至关重要的环节,其分选水平的高低是衡量雷达侦察系统信息处理技术先进程度的重要标志。随着雷达信息技术的迅猛发展,具有多参数随机捷变、跳变等技术的多功能多用途的现代军用雷达大量部署,信号特征参数空间存在严重交叠,破坏了分选所能利用的信号规律,导致传统信号分选方法性能急剧下降,甚至失效,对当前雷达信号分选技术提出了严峻挑战。在当前复杂电磁环境下,特征参数交叠的多体制雷达信号的边界划分成为了亟需要解决的问题。针对传统分选算法“非此即彼”的硬分类分选方式忽略交叠样本类属的中介性,对交叠样本不能进行有效划分的问题,本文首先提出了基于云模型联合几何覆盖算法的雷达信号分选方法,该方法充分考虑了雷达信号特征参数交叠严重、噪声污染及测量误差影响等不确定因素,能够快速解决工作方式复杂多变的雷达信号的分选问题,并且克服了传统神经网络分选算法存在的局部极小以及网络结构难以确定等问题,从而更加适应当前雷达侦察环境。采用脉内特征参数减小辐射源信号参数空间的交叠概率也是近几年的研究重点,因此有人就提出了基于时频原子的信号识别方法,对各雷达信号通过超完备时频原子库匹配时频原子作为特征参数,但时频原子库中原子数量巨大,复杂度较高,不能满足快速分选的要求。因此本文提出了一种基于最优判别原子的雷达信号分选识别方法,从分类的角度提取特征参数,改变传统基于时频原子信号分选识别方式,降低了信号分选复杂度,并且与云模型覆盖算法分类器相结合,分别针对不同类别雷达信号和同类信号不同参数情况进行了仿真实验,取得了较好效果。最后针对非合作电子侦察环境中参数交叠的未知雷达信号分选问题,提出了一种基于数据场和改进模糊聚类(FCM)的雷达信号分选方法,该方法考虑到交叠信号类别归属的“亦此亦彼”性,提出采用基于数据场联合云模型改进的FCM方法,可以有效的选择信号样本初始值,解决FCM对初始值敏感且易出现局部极值的问题,同时采用基于云模型改进FCM的聚类算法进行辐射源信号样本分选,取得了较好的分选效果。