基于新聚类学习的属性离散化方法

粗糙集理论中,属性的离散化是预处理中的关键问题。基于新聚类学习算法提出了一种新的属性离散化方法,并将该方法用于车牌字符识别中。首先根据车牌字符的特征建立决策表,给出了基于新聚类学习算法对决策表属性值进行离散化的算法。然后应用粗糙集理论对离散后的决策表属性进行约简,由约简后的属性构造神经网络识别器。字符识别的结果分析表明基于新聚类学习方法的离散化算法对于车牌字符属性较为适用。     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

层次-粗集组合赋权法在雷达辐射源识别中的应用

对雷达辐射源识别中的权系数赋值问题进行了研究,提出了层次-粗集组合赋权法。该方法利用粗糙集理论的属性约简和属性重要度原理,删除了冗余属性,构造出客观判断矩阵,然后与层次分析法的主观判断矩阵相结合,得到组合判断矩阵,最后计算出权重,从而实现了主客观方法共同赋值。仿真表明,本方法所得权系数在进行雷达辐射源识别时有较好的结果。     

一种基于关系矩阵维度增量式约简算法

目前决策表的数据信息都是动态变化的,为了有效地对这些数据集进行属性约简处理,在改进的等价关系矩阵的基础上,提出一种增量式属性约简算法,决策表增加了一些属性,利用更新前决策表的等价关系矩阵和属性约简等信息,便能快速求解出更新后的决策表属性约简.实验结果进一步验证了该方法的有效性和正确性.     

粗糙集理论在步战车故障诊断专家系统中知识自动获取的应用

根据粗糙集理论,实现步战车故障诊断专家系统知识自动获取。首先根据历史故障数据建立决策表,利用粗糙集数据挖掘算法对决策表进行属性约简,对得到的决策表消除冗余,再利用属性值约简算法对决策表进行属性值约简,最后得到决策规则。知识库由条件表、结论表和事实表组成,保存在Access2003中。把条件属性保存到知识库的条件表中,把决策属性保存到知识库的结论表中,这样就很方便的建立了知识库。     

基于优化算法的雷达辐射源信号识别方法及性能

针对基于支持向量机(SVM)的雷达辐射源信号识别方法中SVM模型参数对识别性能影响较大的问题,提出基于优化算法的雷达辐射源信号识别方法,并选择遗传算法、蚁群算法和粒子群算法三种典型的优化算法应用于新的识别方法进行优化识别.通过不同条件下计算机仿真实验,验证了新方法的有效性,并分析了三种典型优化算法在新方法中的综合性能,为对雷达辐射源信号进行更好的识别提供一定的依据.     

粗糙集理论在决策判断中的应用

属性约简是RoughSet理论研究中的核心内容之一,现在已经证明寻找决策表的最小约简是NP hard问题。本文首先阐述了可辨识矩阵的概念;然后在此基础上提出了一种基于可辨识矩阵和信息熵的属性约简的新算法,并给出了该算法的时间复杂度;最后,通过实例分析表明,本文算法能够成功用于决策判断,并且在多数情况下该算法能够得到决策表的最小约简。     

一种基于脉冲样本图和模糊理论的雷达辐射源识别

在现代信号密集环境中,传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行描述和识别.因此提出了一种基于脉冲样本图和模糊理论的雷达辐射源识别算法,运用格贴近度的模糊识别算法进行雷达辐射源识别.该方法省略了特征提取过程,简化了处理环节,仿真结果表明,这种方法具有很高的识别准确率.     

雷达辐射源识别的多元信息融合算法研究

该文针对复杂电磁环境下侦察设备获得的雷达辐射源信息具有不完整性和模糊性的情况,通过对现代雷达侦察情报特点的分析,研究了利用多种侦察设备获得的多元信息,采用证据理论信息融合的方法对雷达辐射源进行识别。设计了辐射源属性的基本概率赋值函数,提出了辐射源属性融合、多侦察周期时域融合和多侦察设备空域融合的三级融合算法。仿真结果表明该融合算法具有优越的性能。     

一种改进的基于差别矩阵的属性约简算法

为解决决策表属性约简完备算法约简质量低的问题，在基于差别矩阵的属性约简完备算法的基础上，引入信息论中信息熵和互信息增益的定义，给出一种启发式属性约简完备方法，通过实例说明启发式信息可以提高完备算法的约简质量，比较不同启发信息对完备算法的约筒质量和约简效率。试验结果表明，采用基于信息论定义的两种启发信息的完备算法约筒效率基本一致，该算法较非启发式完备算法有更好的约简质量。     

基于脉冲样本图的雷达辐射源识别方法

雷达辐射源识别是雷达对抗侦察信号处理的关键环节。由于现代雷达体制日益复杂,传统的辐射源识别方法面临着越来越严峻的问题。因此针对这种情况,提出了一种基于脉冲样本图雷达辐射源识别算法。这种算法无需对相互叠加的雷达辐射源信号进行完全分选,并且不需要进行传统识别方法中的特征提取过程,简化了处理环节。在脉冲流密度适中的情况下,该算法具有很好的判别准确率。仿真结果验证了该方法的可行性和实用性。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

一种非组合的电磁目标快速识别算法

针对电磁目标识别算法中辐射源组合的本质是避免同一辐射源的多个可能识别结果同时参与一个目标识别模板的匹配置信度计算的问题,提出了一种非组合的快速电磁目标识别方法。依据目标平台与辐射源的搭载关系,建立辐射源识别和平台识别的两级识别体系,基于两点和三点模板匹配法对辐射源进行识别,然后使用非组合的快速模板匹配法对目标平台属性进行识别。仿真实验表明使用该方法计算目标的识别置信度简单易行,可用于实际工程中电磁目标的识别。     

一种雷达辐射源识别的规划融合算法

多传感器数据融合技术已经成为雷达辐射源识别中的一项关键技术,以传感器报告为基础,提出了一种新的雷达辐射源识别的规划融合算法,并通过举例进行了说明,最后使用Lingo软件对模型进行了求解,得出了最优结果。该算法可以有效地提高雷达辐射源识别的准确率和可靠性。     

结合卷积神经网络和随机森林的辐射源个体识别

为提高辐射源个体识别准确度,解决工程化应用问题,同时避免在信号样本有限的情况下单一识别算法的局限性,提出了一种结合卷积神经网络和随机森林的辐射源个体识别方法.该方法分别利用卷积神经网络和随机森林训练生成两组个体识别模型,然后采用识别概率统计法生成不同辐射源个体的综合权值向量,最后根据权重向量形成针对不同辐射源个体的综合识别模型.仿真结果表明,相较于单一算法,所提方法能够提升整体识别准确率,同时,对不同辐射源个体均有较好的适用性.     

基于小波包变换和特征选择的雷达辐射源信号识别

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要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

基于神经网络的未知雷达辐射源智能识别技术

提出了一种基于神经网络的未知雷达辐射源智能识别方法,该方法以实际中获得的雷达信号参数为基础,训练神经网络,对未知雷达参数进行预测识别,给出可能的工作状态,并分析其威胁程度.仿真实验表明,该方法是有效可行的,为工程上实现未知雷达辐射源的识别提供了一种新思路.     

导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法

针对低信噪比条件下,雷达辐射源信号识别效果差的问题,提出了一种导数约束平滑条件下提取信号模糊函数特征的辐射源信号识别方法.建立了基于取整函数和坐标转换的模糊函数最大能量角提取的数学模型,降低处理复杂度;提出了不依赖于信号及噪声具体模型的基于导数约束平滑的最大能量切片波形信息提取算法,转化为二阶锥规划（Second-order Cone Programming,SOCP）问题求解,较大程度地降低了噪声对模糊函数波形特征的影响;依据有效性指标,确定了本文算法中目标函数正则化系数与对称Holder系数的范数因子取值,最后通过模糊c-means方法实现对辐射源信号特征向量的聚类识别.仿真结果表明,在低信噪比条件下本文方法具有更高的识别正确率.     

基于小波包变换的辐射源信号特征提取和识别

文中基于小波包变换方法,对MSK信号辐射源提取了J-散度特征和能量特征,结合支持向量机分类器完成辐射源的识别,仿真结果表明：两者识别率均达到90％以上,从而验证了基于小波包变换的辐射源识别的有效性。     

基于脉内特征参数的雷达信号调制方式识别方法

研究了一种识别辐射源脉内调制方式的方法。该方法运用分形维数和相像系数作为辐射源信号的脉内特征,提出了基于模糊综合评估获取特征的基本概率赋值,然后运用D-S证据理论进行多脉冲数据融合,从而识别辐射源信号调制方式的方法。基于本方法的辐射源脉内调制方式识别方法通过仿真试验表明,其正确率高,具有一定应用价值。