智能化雷达辐射源识别方法研究

提出了一种数据融合中雷达型号的识别模型。将人工神经网络、模糊匹配和证据理论有效的结合起来；用神经网络进行粗分类，识别出雷达的体制；用模糊匹配识别出该体制下的雷达型号；并用证据理论对不同空域和时域的数据进行融合。实验结果表明：该模型可以提高数据融合中的雷达型号识别率和可靠性，显示了强噪声环境下良好的应用前景。     

基于神经网络与似然比决策理论相结合的雷达型号识别研究

提出了一种数据融合中雷达型号的识别模型。将人工神经网络、模糊匹配和似然比决策理论有效地结合起来用神经网络进行粗分类,识别出雷达的体制;用模糊匹配识别出该体制下的雷达型号;并用似然比决策理论对不同空域和时域的数据进行融合。实验结果表明:该模型可以提高数据融合中的雷达型号识别率和可靠性,显示了强噪声环境下良好的应用前景。     

基于神经网络与主观Bayes理论的雷达识别研究

提出一种数据融合中雷达型号的三级识别模型，该模型将人工神经网络，模糊匹配和主观Bayes理论有效地结合起来，基本思路为：首先用神经网络进行粗分类，识别出雷达的体制，然后通过模糊匹配识别出该体制下的型号；最后根据主观Bayes理论对不同空域和时域的数据进行融合。实验结果表明，该模型表明：该模型提高了数据融合中的雷达信号识别率和可靠性。显示了在强噪声环境下良好的应用前景。     

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D-S证据融合的发射机健康状态评估

针对雷达发射机健康状态评估在多种不确定性因素下的问题,构建了基于D-S证据理论的多指标评估模型。基于综合考虑指标可测性,建立了新型的雷达发射机健康状态评估指标体系结构。通过采用一种改进的D-S证据理论进行多指标数据融合方法进行雷达发射机健康状态综合评估,通过各实测数据隶属函数转化得到基本可信度分配关系,避免了在传统方法中评估指标基本可信度函数分配的主观性和局限性,最后利用改进的D-S证据理论对各指标进行数据融合,实验结果验证了该方法的有效性。     

基于 D-S 证据理论的地质雷达目标识别

D-S证据理论提供了一种解决多数据源不确定信息推理和融合的有效方法。为解决地质雷达目标识别信息的融合问题,采用D-S证据理论方法,先对目标进行雷达扫描,然后对可能的目标类型进行基本概率分配,最后利用D-S组合公式进行融合识别。试验结果验证了该理论在地质雷达目标识别上的有效性和可行性。     

基于多舰协同侦察与信息融合的雷达识别

对雷达型号的识别一直是电子侦察情报系统的重要内容.为了提高单一平台侦察设备对雷达型号识别的可信度和准确率,这里采用协同侦察的思想,共享其他平台侦察的雷达辐射源信号.然后应用灰色关联方法对来自同一部雷达的辐射源信号进行相关处理,并对相关的雷达辐射源信号特征进行加权信息融合,以提高信号特征参数的精度;最后再对融合后的信号特征按最大相关准则,从雷达辐射源知识库中找出要协同识别的雷达型号.     

D-S证据理论在探地雷达目标识别中的应用

为解决探地雷达的目标识别问题,提出了一种基于雷达扫描数据、实地探测情况、历史信息和已有水文地质信息,并利用D-S证据理论这一具有解决多数据源不确定信息推理和融合特点的理论对目标进行综合识别的方法.实现了探地雷达目标在不确定条件下获得较高可信度的识别.试验结果验证了该理论在探地雷达目标识别上的有效性和可行性.     

结合SVM与DS证据理论的信息融合分类方法

针对多传感器数据融合分类中,DS证据理论基本概率赋值难以解决的问题,提出了一种结合SVM与DS证据理论的信息融合改进方法。根据SVM对输入数据分类的实际情况和基于混淆矩阵得到的分类器局部识别可信度来构造基本概率赋值函数,实现了两者的有效结合,建立了SVM与DS证据相结合的多传感器信息融合模型。在决策融合过程中,重视和考虑了分类器局部识别可信度信息,并对算法进行了复杂度分析。基于UCI数据集和人工数据集的仿真结果表明该方法能够有效地降低融合识别的误差率,提高识别的可信度。     

雷达与ACARS数据融合研究

为了更好地利用雷达与ACARS进行空中目标监控,研究了雷达与ACARS的数据融合问题,提出了一种数据融合算法。对雷达与ACARS数据进行坐标变换和时空配准;对二者进行航迹关联,包括空间粗关联、逻辑航迹关联和多义性处理;对关联航迹进行融合。仿真结果表明,该算法可以提高空中目标监控的数据率,识别出雷达中的部分商用和通用航空飞机,得到目标更加详细和准确的信息。     

基于灰色关联度神经网络的雷达型号识别模型

针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.     

粗集-神经网络在雷达信号识别中的应用研究

信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中关键性的一个环节。为解决雷达信号识别的问题,提出将粗集和神经网络紧密结合建立新的识别模型,该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,能够对雷达信号有效地识别。     

基于参数可变遗传算法的多普勒雷达目标识别方法

目标识别是防空信息处理中的一个重要环节,而对空中目标类型的识别还没有成熟的理论。通过对高分辨雷达回波信号的分析,在遗传算法的基础上,提出一种高分辨雷达目标识别方法,由此进行目标识别。仿真实验结果表明,该方法具有高的识别率和强的抗干扰能力。     

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.     

实时雷达目标回波波形发生器在雷达目标识别中的应用

在自动目标识别系统（ＡＴＲ）中往往需要对系统样机进行测试和评估。文中论述了为完成测试而提供信号的目标回波波形发生器,它可以复现实际采集的真实目标的回波,也可以产生由算法提供的目标任意仿真波形,还可以作为普通的波形发生器使用。该波形合成器能够以６４ＭＨｚ的速率从Ｄ／Ａ 输出缓存数据,同时提供了１ Ｈｚ～４ ｋＨｚ可编程雷达同步信号,输出合成回波信号,在示波器上可得到完全等同于Ａ 显示器的波形信号,为ＡＴＲ系统的性能测试提供了可靠的保证。     

雷达侦察设备功能仿真数学模型

雷达侦察设备功能仿真是雷达对抗仿真中的基础并且是一门不断发展的仿真技术。该文在分析了目前存在的雷达侦察设备仿真模型不足的基础上，根据具体的应用环境，从工程应用的角度出发提出了一套简单实用的雷达侦察设备功能仿真的数学模型。该模型主要针对侦察设备的截获能力、测量能力和识别能力等功能／性能进行分析建模，共设计了雷达侦察设备噪声仿真模型、测量性能仿真模型、截获能力仿真模型和辐射源识别能力仿真模型四种模型。该仿真模型在基于HLA的雷达侦察设备仿真成员中得到了有效的验证和使用，为相关设计提供了有益的参考。     

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。