复杂环境下雷达辐射源快速分选算法研究

摘要

雷达辐射源信号分选技术是被动雷达中的关键技术和处理中心，信号分选能力是衡量雷达侦察系统信息处理技术先进程度的重要标志。随着现代战场环境变得日益复杂，雷达调制方式变化多样，信号密度成倍增加，传统的信号分选方法性能下降甚至分选失效，不再适用于现代战场。针对信号分选目前面临的问题，本文对多参数分选方法进行深入研究，为在短时间内快速分选多种信号提供解决办法。
　　文章介绍了现在雷达信号参数以及脉冲描述字的组成，研究了传统基于PRI的雷达分选方法，分析各个方法所使用的环境和算法优劣。针对传统分选算法在复杂环境中性能下降甚至失效的问题，在模糊聚类分选算法的基础上，提出一种全新的多门限模糊聚类算法。多门限模糊聚类分选算法使用了一种新的计算相似度的方法，使计算值不受其他脉冲参数影响。然后利用流水式由高到低的多门限分选，对参数相近的雷达门限先高门限分选，参数变化的信号低门限分选。最后增加一级到达时间差特征分析，验证分选正确性，将用于分类的聚类方法转化为雷达辐射源信号分选算法。
　　针对支持向量聚类算法在簇标记过程中消耗大量时间，以至于支持向量聚类方法无法应用于大规模数据集分析，提出线性簇标记方法。线性簇标记方法根据两个数据点间的距离和相对位置又分为类内线性簇标记和类间线性簇标记。结合线性簇标记的快速向量聚类算法再与模糊聚类方法融合，再分选大规模数据集。
　　仿真验证本文提出的方法的在复杂环境下雷达辐射源信号分选性能有很大提高。

目录

声明

第1章 绪论

1.1 课题背景及意义

1.2 国内外研究发展与现状

1.3 论文规划与安排

第2章 信号分选理论基础

2.1 脉冲描述字分析

2.2 信号环境分析

2.3 基于PRI分选算法理论

2.4 小结

第3章 多门限模糊聚类算法

3.1 模糊聚类算法原理

3.2 多门限模糊聚类算法

3.3 仿真分析

3.4 小结

第4章 快速支持向量聚类算法

4.1 支持向量聚类算法原理

4.2 线性簇标记(LCL)方法

4.3 结合相似聚类跟踪的快速SVC算法

4.4 SVC算法与模糊聚类算法理论区别

4.5 仿真分析

4.6 小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢