论文部分内容阅读
随着机器学习和雷达技术的进步,机器学习在雷达领域的应用越来越广,也越来越深入。雷达扫描、信号采集处理、一维距离像、雷达SAR、ISAR图像识别、雷达跟踪和制导等等步骤都融入了机器学习技术。机器学习在雷达信号分选技术上的应用包括信号分离、确定脉冲参数、形成单部雷达脉冲序列,然后针对雷达目标识别进行分类并划分威胁程度等。在一维距离像识别过程中包括去噪和雷达目标型号识别。在雷达工作模式中也可用当前火热的深度学习方法进行识别,以作相应的防御和干扰措施。本文重点研究了机器学习中的聚类技术以及目标识别技术,以满足我国的电子对抗等领域的需求。针对雷达信号分选中脉冲序列呈非线性问题和异常点干扰问题本文提出了一种新的基于非线性流形聚类算法。该算法基于非线性流形的拓扑结构,将信号从时域转换到频域,根据数据间的几何信息进行聚类。首先由局部密度和交叉点距离这两个特征属性判断出为交叉点的样本点集;然后利用样本点和交叉点构成的样本向量进行向量间余弦角度信息计算,从而利用余弦值对交叉点附近的样本点进行线性聚类;对远离交叉点样本点采用最小距离法进行聚类并与交叉点附近的点按类别进行合并,最终完成雷达信号的分选。针对一维距离像目标识别中多姿态且噪声严重的问题改进了一种基于在线自适应字典学习的雷达目标识别方法。由于目标飞机在飞行过程中不断产生姿态上的变化,所以不同时间段所采集的一维距离像信号具有不同的特征,且一维距离像的信号样本所采集的信号只有几十维是目标所反射回来的信号,其它的都是噪声信号。针对噪声问题和多姿态问题,本文将此问题转成信号稀疏问题进行处理,而在线字典学习正好解决去噪问题。通过在线字典学习和OMP算法进行迭代得到的样本重构解决了信号稀疏问题。首先用固定字典和OMP算法进行样本初始化,然后将字典学习公式中第一项2范式改成1范式,减小离异点对构造字典的影响。最后用OMP和字典学习法进行迭代求出最后的信号重构表示,用RankSvm对其进行分类识别。本文针对多功能雷达参数捷变,难以识别问题研究了雷达的调制方式特征并提出了基于二次分类的工作模式识别方法。由于调制方式同辐射源的参数范围共同决定了辐射源所属的类别,所以本文首先对调制方式进行识别,然后对同一种调制方式下的不同工作模式进行划分,进而确定雷达辐射源。以往仅仅用雷达的脉冲描述字进行分类,识别精度不高。本文对此提出了一种基于雷达调制特征和雷达参数共同识别的方法。首先提取脉冲调制的七个特征并对其中一个特征进行改进,用模糊隶属度来代替雷达调制特征作为输入样本是防止归一化时将调制特征值接近零的特征直接归零。然后用深度置信网对21维模糊隶属值进行脉冲调制组合的识别,最后用数据场的方法对同一种调制方式下的雷达参数进行识别,得到该调制方式下的几种工作模式,最后由调制方式和雷达参数共同确定雷达辐射源类别。