一种多子焦元信度赋值非零情况下的DSmT近似融合推理方法

为了能够减小基于Dezert-Smarandache理论(DSmT)框架的第5条比例冲突分配规则(PCR5)处理含有交多子焦元证据融合问题的计算复杂度并保持较高的精度,本文提出一种多子焦元信度赋值非零情况下的DSmT近似融合推理方法.该方法避免了现有的基于Shafer模型的DSmT近似融合推理方法由于需要预先解耦带来的信息损失,并且不仅适用于Shafer模型也适用于混合Dezert-Smarandache(DSm)模型下部分交多子焦元非冲突且信度赋值非零的情况.仿真实验表明,在不同的情况下,本文方法相比现有的方法,与DSmT+PCR5融合推理方法融合结果相似度更高且计算效率显著提高.     

一种基于云模型理论的雷达辐射源识别方法

针对雷达辐射源识别问题,建立了基于云模型和信息融合的识别系统.利用云模型对区间型参数和离散型参数建模,计算被测辐射源的隶属度并将其作为基本概率赋值,运用时域和空域信息融合算法完成辐射源识别,给出了辐射源识别算法步骤,并建立了相应的辐射源识别系统,仿真结果表明所提出的识别算法和所建系统是有效的,并且识别率较高.     

云模型在分布式传感器辐射源识别中的应用

针对辐射源识别中的参数模糊交叠问题,提出了基于云模型的辐射源样本隶属度获取方法,结合分布式传感器的优势,构建云模型在分布式传感器辐射源识别中的应用系统。首先介绍云模型的有关概念,其次分析分布式传感器的特征,再由云模型区间型和离散型辐射源样本隶属度,并进行单传感器时域融合和分布式传感器信息融合,利用判决规则完成决策。仿真结果说明基于云模型的辐射源识别率高。     

一种基于云模型的辐射源识别方法

该文针对测量参数的不确定所造成的辐射源不能正确识别问题,提出了一种基于云模型的识别方法。该方法首先利用云模型对雷达模板库中区间类型的参数变量进行正态云建模从而得到测量参数的隶属度,然后利用云模型的定性定量转换特性来描述离散型参数变量的调制匹配程度,同时给出了一种确定辐射源识别权值的新方法,能够动态调整各特征参数的权值。仿真结果表明,这种基于云模型的识别方法是适用有效的。     

一种快速DSmT-DS近似推理融合方法

该文对Dempster-Shafer(DS)理论以及Dezert-Smarandache理论(DSmT)进行了深入研究,为了能够在仅需较低计算复杂度的前提下得到更加精确的融合结果,提出一种新的快速DSmT-DS近似推理融合方法。该方法针对超幂集空间仅单子焦元具有信度赋值的情况,将超幂集空间拆分映射成元素为各单子焦元和其补集的二元集合的新的超幂集空间,并求出每个补集的信度赋值;再运用Dezert-Smarandache框架中的第5条比例冲突分配规则(DSmT+PCR5)在新的超幂集空间的二元集合子空间下对多证据源进行融合,得到各单子焦元的融合结果;然后通过归一化处理求得各单子焦元的信度赋值。通过理论分析得出该文方法的融合结果是介于Dezert-Smarandache框架中的第5条比例冲突分配规则(DSmT+PCR5)及Dempster-Shafer(DS)框架下的 Dempster 组合规则之间。该文方法在需要较低计算复杂度的前提下,可以得到优于Dempster组合规则的近似融合结果。最后通过多个角度与已有方法进行对比,验证了该文方法的优越性。     

基于云模型和改进灰关联算法雷达辐射源识别

针对由辐射源特征参数的不确定性所带来的区间型特征参数辐射源识别问题,提出了一种基于云模型的改进灰关联算法,该算法利用云模型和动态加权算法,有效地解决了特征参数区间交叠的雷达辐射源识别问题。仿真实验表明,该方法是可行的。     

雷达辐射源识别决策层融合算法

针对雷达辐射源识别过程中数据信息量大的实际情况,应用多传感器最优组合理论,提出一种对辐射源侦察传感器的优化组合方法,以提高融合效率;此外,将D-S证据理论用于数据融合过程中,结合雷达辐射源识别问题的特点,并借鉴信息论中熵的概念,对基本概率赋值函数(BPAF)进行了建模;仿真结果表明该模型的有效性和融合算法的优良性能。     

基于复杂网络的雷达辐射源信号脉内特征提取算法

针对现代电子战环境下雷达辐射源信号的高度密集、复杂调制、交叠概率大等特点,基于时域、频域、时频域以及其他数学变换域的信号分析方法仍然不能满足雷达辐射源信号分选识别的要求,结合雷达辐射源信号具有可分辨性的确定数据结构表示,受时间序列的复杂网络分析启发,提出一种基于复杂网络的雷达辐射源信号脉内特征提取算法。该特征提取算法首先采用相空间重构方法对信号频谱序列数据进行预处理,将重构后的信号序列转换至复杂网络域进行表征;其次,通过复杂网络建模及其统计特征分析,研究雷达脉内信号时间序列动力学微观特性,从而挖掘信号的有效特征参数;最后,在不同噪声环境下,实现雷达辐射源信号序列的特征参数的分类性能及其准确性分析。仿真结果表明,所提取的特征参数在低信噪比环境下具有良好的抗噪能力和不错的聚类质量,验证了基于复杂网络时间序列分析的信号特征提取方法的可行性,为进一步丰富刻画雷达辐射源信号提供了有效的技术支持和手段。     

基于最小平方误差的辐射源识别

针对测量参数不确定所造成的辐射源不能正确识别问题,提出一种基于最小平方误差模型的识别方法。该方法首先计算辐射源的特征参数相对于数据库中相应特征参数的平方误差,然后利用最小平方误差来确定辐射源隶属度。该模型与几何距离度模型、云模型相比,在识别辐射源类型时,增加了雷达特征参数（重复频率、脉宽和天线扫描周期）的多值性和相关性,仿真结果表明,该方法的正确识别率比前2种方法分别高出5%和40%。     

变权灰关联分布式传感器信息融合的辐射源识别

针对复杂电磁环境中辐射源正确识别率低的问题,提出采用变权重灰关联分布式传感器信息融合的辐射源识别新方法。利用灰关联分析法进行辐射源识别能克服辐射源参数间的不确定性,其中特征参数的权重获取是灰关联法的难点,给出三种权值确定方法。然后根据分布式传感器信息融合和基于基本概率赋值的准则,进行时域和空域的证据融合,得到辐射源识别结果。仿真结果表明,三种定权法均具有高的辐射源识别率、好的环境适应性和好的识别鲁棒性。     

一种基于度量层信息的基本信任分配构造方法

在决策层融合目标识别中,Dempster组合规则是一种常用的融合算子,它的有效应用取决于相应基本信任分配的合理建立。该文针对决策层融合目标识别问题中子源传感器输出的度量层信息,分析了基本信任分配的构造准则,并提出了一种基于参考向量与度量层信息之间相似度的基本信任分配构造方法。在仿真数据与空中雷达目标实测数据上的实验结果表明,该方法构造的基本信任分配能够有效地通过Dempster组合规则进行融合。     

An approximate reasoning method in Dezert-Smarandache Theory

With the increment of focal elements number in discernment framework, the computation amount in Dezert-Smarandache Theory (DSmT) will exponentially go up. This has been the bottle- neck problem to block the wide application and development of DSmT. Aiming at this difficulty, in this paper, a kind of fast approximate reasoning method in hierarchical DSmT is proposed. Presently, this method is only fit for the case that there are only singletons with assignment in hyper-power set. These singletons in hy-per-power set are forced to group through bintree or tri-tree technologies. At the same time, the assignments of singletons in those different groups corresponding to each source are added up respectively, in order to realize the mapping from the refined hyper-power set to the coarsened one. And then, two sources with the coarsened hyper-power set are combined together according to classical DSm Combination rule (DSmC) and Proportional Conflict Redistribution rule No. 5 (PCR5). The fused results in coarsened framework will be saved as the connecting weights between father and children nodes. And then, all assignments of singletons in different groups will be normalized respectively. Tree depth is set, in order to decide the iterative times in hierarchical system. Finally, by comparing new method with old one from different views, the superiority of new one over old one is testified well.     

一种快速分层递阶DSmT近似推理融合方法(A)

 本文提出了一种分层递阶的DSmT快速近似推理融合方法,该方法针对超幂集空间中仅单子焦元具有信度赋值的情况,利用二叉树或三叉树分组技术对其刚性分组,与此同时,对每个信息源对应的各个分组焦元进行信度赋值求和,以便实现细粒度超幂集空间向粗粒度超幂集空间映射.然后运用DSmT组合规则和比例冲突分配规则对粗化超幂集空间的两个信息源进行融合,保存该融合结果作为父子之间节点连接权值,然后对每个分组焦元信度赋值归一化处理,通过设定树的深度,来确定分层递阶的次数.最后通过从多个角度比较新、老方法,从而充分地验证了新方法的优越性.     

基于频谱分析的相参特征建模与提取方法

增加新的特征参数是提高雷达辐射源信号分选识别率的有效手段。相参是新体制雷达辐射源的重要特性,在现有特征参数的基础上,增加相参特征用于信号分选,对降低当前信号分选“漏警”、“虚警”概率极具价值。在分析新体制雷达辐射源相参特征的基础上,对侦察到的脉冲流进行了信号重构,利用频谱分析的方法,提取了重构信号的频谱主峰㈥像,理论分...     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

一种基于Spectrum原子的雷达辐射源信号识别方法

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需求,该文提出了一种新的雷达辐射源信号识别方法。在过完备多尺度Spectrum原子库基础上,采用匹配追踪(MP)方法对信号进行原子分解,并通过FFT降低MP搜索过程的时间复杂性,在此基础上,对本征Spectrum原子参数进行有效降维,提取具有分类意义的原子特征向量,同步实现信号的自动分类和参数估计。实验结果表明,该方法在低信噪比环境下不仅可以获得高的信号类别正确识别率,同时具有准确的参数估计结果,证实了所提出方法的有效性。