基于模式识别技术的雷达辐射源分类识别方法研究

摘要

现代战争是高技术战争，电子战在现代战争中起到了重要的作用。雷达侦察是电子战作战过程的关键环节，雷达辐射源识别技术也因此成为国内外军事科技领域研究的重点。 传统的雷达辐射源识别主要是数据库检索匹配方法，就是通过情报信息获取雷达辐射源资料建立识别数据库，实际作战使用中通过侦察雷达截获辐射源信号，然后通过数据库检索匹配进行识别。在此基础上又发展了专家系统识别方法，融合进了模糊匹配和可信度以及推理机的知识，在一定程度上提高了识别率，降低了拒识率。但是基于数据库情报的辐射源识别无法对未知雷达信号进行识别。对于未知的雷达辐射源识别问题，我们必须找到一种新的方法。 本文所研究的就是根据雷达辐射源特征参数与雷达用途之间的关系，用模式识别的方法，对未知雷达辐射源进行用途分类识别。文中首先介绍了雷达用途分类和雷达识别的基础知识，分析了雷达辐射源特征参数与雷达用途之间的关系。然后详细介绍了模式识别中用于分类的几种典型的分类器，包括贝叶斯分类器、K近邻分类器、聚类分析分类方法、人工神经网络分类方法。最后，根据近年来较热门的统计学习理论和支持向量机知识，结合特征选择提取方面常用的主分量分析技术，提出了一种基于多类支持向量机分类器的未知雷达辐射源用途分类识别方法，通过仿真试验，对各种模式识别方法在雷达辐射源用途识别中的应用进行比较，试验表明了基于多类支持向量机的识别方法在雷达辐射源用途分类识别中能够取得很好的识别效果。

目录

文摘

英文文摘

声明

第1章绪论

1.1现代局部战争的特点

1.2雷达辐射源识别的目的和意义

1.3国内外研究现状

1.4本文研究的内容及论文结构

第2章雷达辐射源识别相关知识

2.1雷达组成原理和用途分类

2.1.1雷达组成原理

2.1.2雷达用途和分类

2.2雷达辐射源参数特征与雷达用途的关系

2.2.1雷达载频与雷达用途

2.2.2脉冲重复频率与雷达用途

2.2.3脉冲宽度与雷达用途

2.2.4天线特征与雷达用途

2.3常用的模式识别分类方法概述

2.3.1贝叶斯分类器

2.3.2 K-近邻分类器

2.3.3聚类分析分类方法

2.3.4神经网络分类器

2.3.5支持向量机分类器

2.4本章小结

第3章统计学习理论和支持向量机

3.1统计学习理论

3.1.1机器学习问题

3.1.2经验风险最小化

3.1.3统计学习理论的核心内容

3.2支持向量机

3.2.1最优分类面和广义最优分类面

3.2.2高维空间的最优分类面和支持向量机

3.2.3支持向量机中内积函数的选择

3.2.4支持向量机的训练算法

3.3本章小结

第4章基于多类SVM的雷达辐射源识别

4.1基于主成分分析的特征提取

4.1.1离散K-1展开

4.1.2基于K-L展开的特征提取

4.2支持向量机多类分类算法

4.3基于主成分析和多类SYM的雷达辐射源识别

4.4本章小结

第5章仿真实验和结果分析

5.1仿真实验的软硬件环境

5.2仿真实验过程和结果分析

5.3本章小结

结论

参考文献

致谢