基于在线核聚类的雷达信号分选方法

提出一种变参数在线核聚类算法(OKCAP),将其应用于未知雷达辐射源信号分选中。OKCAP基于支持向量机的思想,采用核映射技术将数据映射到高维线性空间中进行处理,利用随机梯度下降法更新类的边界函数,且梯度下降步长和惩罚项参数可根据雷达信号动态调整,从而实现雷达辐射源信号的在线分选。仿真结果证明,该方法具有较快的聚类分选速度和较高的分选准确率。     

基于混合核函数的雷达辐射源信号识别

针对单核函数支持向量机性能的局限性问题,提出将多项式核函数与高斯核函数构建成一种混合核函数支持向量机,并将其应用于雷达辐射源信号识别。将信号的常规参数与脉内特征参数作为输入特征,通过仿真实验,证明了算法的有效性,并比较了不同权值对于分选效果的影响。     

基于线性规划的支持向量聚类算法

为了克服k-均值聚类算法容易受到数据空间分布影响的缺点,将线性规划下的一类支持向量机算法与K-均值聚类方法相结合提出一种支持向量聚类算法,该算法的每次循环都采用线性规划下的一类支持向量机进行运算.该算法实现简单,与二次规划下的支持向量机聚类算法相比,该算法能够大大减小计算的复杂性,而且能保持良好的聚类效果.与K-均值聚类算法、自组织映射聚类算法等进行仿真比较,人工数据和实际数据表明了该算法的有效性和可行性.     

果蝇优化算法融合SVM的风机叶片损伤识别研究

为提高风机叶片裂纹损伤和边缘损伤识别的准确率,提出使用果蝇优化(FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号,然后对信号进行小波处理,提取能量特征,根据能量特征信息,建立支持向量机模型,测试其准确率;采用果蝇优化算法优化支持向量机参数,使模型损伤识别更准确,并将优化后模型识别结果与粒子群优化(PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明,使用果蝇优化算法优化后的支持向量机模型的识别精度更高,能够准确地实现对风机叶片损伤的识别。     

基于模糊C均值聚类和支持向量机的信号识别方法

论文为实现数字信号调制方式的自动识别,提出基于模糊C均值聚类算法和支持向量机的信号调制方式识别方法.设计了基于模糊C均值聚类(Fuzzy C-Means,FCM)的特征参数提取方法,构造聚类有效性评估函数得到不同聚类中心数下聚类有效性函数值,通过有显著差异的聚类有效性函数值来确定信号特征参数集合.利用支持向量机(Support Vector Machine,SVM)构造信号识别模型.与单独聚类方法的识别率相比,该方法提高了系统的调制识别率,尤其是在信号信噪比较低时,信号识别率明显提高.     

基于灰关联分析的雷达辐射源信号盲分类

提出了一种基于灰关联测度的分裂式层次聚类算法来实现雷达辐射源信号的盲分类.目前广泛使用的许多聚类算法中都需要预先确定类的数目,该算法能很好的解决这个问题.通过提取雷达辐射源信号在频域内的小波系数作为聚类的样本空间,用灰关联测度来衡量数据样本之间的相似程度,采用自顶向下基于密度扩展的分裂式层次化聚类策略,生成不同层次的划分,然后根据提出的聚类有效性指标估计类的数目.仿真实验结果表明,该算法能够获得较好的分类结果.     

基于模糊分割和邻近对的支持向量机分类器

支持向量机算法对噪声点和异常点是敏感的,为了解决这个问题,人们提出了模糊支持向量机,但其中的模糊隶属度函数需要人为设置。提出基于模糊分割和邻近对的支持向量机分类器。在该算法中,首先根据聚类有效性用模糊c-均值聚类算法分别对训练集中的正负类数据聚类;然后,根据聚类结果构造c个二分类问题,求解得c个二分类器;最后,用邻近对策略对样本点进行识别。用4个著名的数据集进行了数值实验,结果表明该算法能有效提高带噪声点和异常点数据集分类的预测精度。     

低轨卫星多目标无源定位到达时差分选方法

低地球轨道（Low Earth Orbit,LEO）卫星无源定位场景中不同目标辐射源之间相互干扰、时频混叠,不同目标的到达时差（Time Difference Of Arrival,TDOA）参数混杂难以区分,较难实现精准目标定位。基于网格密度聚类算法（Clustering Algorithm based on Grid Density,CAGD）的基本原理,并利用TDOA参数的多复杂特征,构建多目标TDOA参数分选模型,实现TDOA定位参数分选。模型通过定义网格密度波谷,解决了定位目标间数据被聚为一类的问题,同时引入位置相连原则实现最佳类簇合并,最终实现定位参数分选。仿真结果表明,相较于传统网格及密度聚类方法,本方法对LEO卫星无源定位场景下的多目标TDOA参数分选表现更好。     

核聚类启发式转导SVM

传统转导支持向量机有效地利用了未标记样本,具有较高的分类准确率,但是计算复杂度较高。针对该不足,论文提出了一种基于核聚类的启发式转导支持向量机学习算法。首先将未标记样本利用核聚类算法进行划分,然后对划分后的每一簇样本标记为同一类别,最后根据传统的转导支持向量机算法进行新样本集合上的分类学习。所提方法通过对核聚类后同一簇未标记样本赋予同样的类别,极大地降低了传统转导支持向量机算法的计算复杂度。在MNIST手写阿拉伯数字识别数据集上的实验表明,所提算法较好地保持了传统转导支持向量机分类精度高的优势。     

一种基于蚁群聚类算法的雷达辐射源识别方法

提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。     

Radar emitter recognition based on cyclostationary signatures and sequential iterative least-square estimation

Radar emitter recognition plays an important role in electronic warfare (EW). Specific radar emitter recognition is the state-of-art technology of emitter recognition, which can recognize the different radar devices of the same type. It is a composite task that involves radar signal interception, modulation recognition, features extraction and classification. In this paper, first we study the unintentional modulation on pulse (UMOP) features of radar emitter. Then the iterative least-square method is introduced for estimation of the UMOP features. Because of the discriminatory capability and abundant information of cyclostationary signatures, the zero frequency slice of cyclic spectrum is used for specific radar emitter recognition. Based on these, the sequential iterative least-square (SILS) algorithm is proposed for the online recognition of radar emitters. Finally experiments on three simulation radars and eight actual intercepted radars with the same type verify the correctness and validity of the proposed method.     

一种雷达辐射源识别模型研究

复杂电磁环境下雷达辐射源识别问题是当前急需解决的难题。针对雷达辐射源识别中不确定信息影响,改进数据库比对识别法,通过融合BAM神经网络（NN）和模糊推理（FR）,建立基于NN-FR的雷达辐射源识别模型,以达到缩短识别时间,提高识别效率的目的,为复杂电磁环境下识别雷达辐射源探索新的方法。     

基于量子遗传算法的特征选择算法

特征选择是模式识别和机器学习等领域中重要而困难的研究课题.提出一种最优特征子集评价准则和实现特征选择的一种新量子遗传算法(NQGA).NQGA采用量子门旋转角更新新方法和增强算法寻优能力及防止早熟收敛的移民和灾变策略.定性分析了NQGA的高效性.典型复杂函数测试和雷达辐射源信号特征选择的应用表明,NQGA寻优能力强、收敛速度快和能有效防止早熟现象.采用提出的准则函数和搜索策略实现特征选择,大大降低了特征维数,获得了更高的正确识别率.     

A three-way incremental-learning algorithm for radar emitter identification

Radar emitter identification has been recognized as an indispensable task for electronic intelligence system. With the increasingly accumulated radar emitter intelligence and information, one key issue is to rebuild the radar emitter classifier efficiently with the newly-arrived information. Although existing incremental learning algorithms are superior in saving significant computational cost by incremental learning on continuously increasing training samples, they are not adaptable enough yet when emitter types, features and samples are increasing dramatically. For instance, the intra-pulse characters of emitter signals could be further extracted and thus expand the feature dimension. The same goes for the radar emitter type dimension when samples from new radar emitter types are gathered. In addition, existing incremental classifiers are still problematic in terms of computational cost, sensitivity to data input order, and difficulty in multiemitter type identification. To address the above problems, we bring forward a three-way incremental learning algorithm (TILA) for radar emitter identification which is adaptable for the increase in emitter features, types and samples.     

一种基于多分类器融合的雷达辐射源识别方法

雷达辐射源识别传统方法只使用一个分类器进行分类,对于类别数较大、输入样本受噪声污染严重的情况很难获得好的识别效果.首先分析了雷达特定辐射源识别的可行性,分别提取信号的包络和双谱用来作为个体特征.然后将概率SVM引入雷达辐射源识别,得到分类识别的概率输出,并结合灰关联分析得到的灰关联度,采用D-S证据推理方法对两个分类器结果进行融合.仿真实验针对10种同类型雷达的脉冲数据,结果证明多分类器融合较之单个分类器能获得更高的识别率,提高了分类置信度.     

基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

A transputer radar ESM data processor

A parallel radar ESM data processing system using occam and transputers is presented. High-level software solutions for radar ESM to run on multiple transputer systems were investigated, to achieve high throughput cost-effectively. The system is primarily a vehicle to support further algorithm research and to permit benchmarking; it is expandable and flexible, and can be modified to run on different numbers of processors with almost linear improvement in performance. The architecture has a hybrid pipelined structure; the topology within each stage of a concurrent processor pipeline is chosen to optimize the processing and communications for the required function. A novel technique is described for improving the load balancing of such algorithmically decomposed parallel systems.     

基于改进的ISODATA的超球覆盖仿生模式分类算法

现有仿生模式识别分类器难以解决含有多个聚集点、非线性和稀疏性样本的分类问题。因此,引入特征分类贡献度,提出了基于改进的迭代自组织数据分析(M-ISODATA)的超球覆盖仿生模式识别算法。首先引入马氏距离对自组织数据分析方法(ISODATA)的欧氏距离替换,并引入熵权法对马氏距离进行加权以赋予各特征不同的贡献度;同时为了去除干扰样本点,引入改进的局部离群因子检测方法(M-LOF)对样本进行训练,减少了不同类别流形之间的重叠区域。再利用改进的自组织数据分析方法(M-ISODATA)对每类训练样本点动态聚类,寻找到同一类的多个小类覆盖区中心后,用超球进行该类的有效覆盖,并对落入重叠区域的测试样本点进行二次划分,实现测试样本的正确分类。最后在iris数据集上验证该算法的有效性,并将该算法应用于雷达辐射源信号的分类识别。实验结果表明,该算法具有很好的拒识、免重训能力,对于雷达信号的识别率能达到97.29%,相比于传统典型模式识别算法具有更好的识别能力。