基于自适应遗传算法的雷达信号特征选择

特征选择是机器学习领域的研究热点,是解决维数灾难的有效途径之一。采用一种新的自适应遗传算法和新的特征集评价准则(DFS)作为特征选择的方法。该遗传算法利用有限齐次马氏链进行建模,同时采用佳点集的方法,提高算法的准确度。该特征集评价准则通过计算特征集合中全部特征对于雷达信号分选的联合贡献来判断特征集合的优异性。仿真实验表明,该算法在雷达信号的特征选择的应用中,具有全局收敛性,有效地选择出最优特征集合,降低了特征维数,获得了更高的雷达信号分选正确率。     

复杂体制雷达信号预分选的方法

复杂体制雷达信号的全脉冲参数变化类型多样、参数交叠严重,使得利用全脉冲参数分选方法的正确率严重下降,但是其信号脉内特征参数相对稳定。在复杂体制雷达信号预分选的过程中,针对增批现象和正确率不高的问题,提出一种通过提取信号的脉内特征参数相像系数,联合较为稳定的脉间参数,利用改进的支持向量聚类算法,对复杂体制雷达信号进行预分选的方法。仿真结果表明,在对复杂体制雷达信号进行预分选时,所提方法有效地解决了信号增批问题,并提高了分选正确率。     

高阶累积量在多参数联合分选中的应用

目前复杂体制雷达大量出现,侦收到的有效脉冲数少,传统的分选方法存在分选难、参数利用率低、可靠性差等问题,而多参数联合分选方法是解决上述问题的重要手段之一。为此,提出了一种提取信号的脉内特征参数高阶累积量,联合较为稳定的脉间参数,利用改进支持向量机的分选算法。仿真证明高阶累积量归一化的特征值对不同调制类型信号具有良好的区分度,并且通过对复杂体制雷达信号进行分选实验证明,分选结果准确率高。