基于模糊函数的雷达脉内特征提取与分类器设计

随着现代战争中电子对抗与反对抗斗争的日益激烈,电磁环境的日益恶劣,各种反制手段的日益进步,对敌方雷达辐射源信号的分选与识别分析工作变得越来越复杂,仅依靠传统参数的分选与识别方法效果越来越不理想。为解决新环境下信号分选的问题,本文利用模糊函数,研究了雷达辐射源信号的脉内细微特征的提取,优化,融合与分类识别算法。主要工作成果如下:1.针对传统的高斯噪声下信号分选识别准确率不高的问题,提出了一种基于模糊函数原点径向切面的脉内无意调制特征提取与优化算法。算法首先研究了模糊函数原点径向切面与FRFT之间的关系,使用FRFT计算多个模糊函数原点径向切面;然后采用切面组合策略对多个切面进行组合;最后使用CCA与KCCA算法对组合后的两组特征切面特征进行特征优化与融合。实验结果表明,该算法相比于传统的模糊函数频率切面法可以有效提高雷达信号分选识别的准确率,实现了较低信噪比条件下信号的分选与识别。2.针对?稳定分布下由于噪声信号不具有有限二阶矩而导致传统算法失效的问题,提出基于四种非线性变换的分数低阶模糊函数,并结合模糊函数的性质提出使用FRFT计算分数低阶模糊函数径向切面的稳定分布噪声下雷达信号脉内无意调制特征提取算法。这种算法无需先验知道?稳定分布的?参数,相比于分数低阶协方差变换更加实用。然后同样结合切面分组策略与CCA、KCCA算法对所提取的特征进行进一步的特征优化与融合。实验结果表明,基于四种非线性变换的分数低阶模糊函数特征均能对带有?稳定分布噪声下的雷达信号达到分选识别效果,其中基于Sigmoid变换的分数低阶模糊函数效果最好,在较低的信噪比条件下也能具有较好的性能。3.针对传统最小二乘支持向量机的解基于所有的特征向量,导致泛性与稀疏性下降,在分类样本时速度过慢的问题,基于带有稀疏解的原始最小二乘支持向量机模型,使用Chelosky迭代分解简化求解步骤,提出了PCP最小二乘支持向量机。同时在解为稀疏的条件下,卡方核相比于高斯核具有更好的性能,因此使用卡方-高斯组合核函数作为支持向量机的核函数,并使用遗传算法求得组合核函数的最优化参数。实验结果表明,在样本集UCI数据库与模拟信号分选上,使用组合核函数的稀疏最小二乘支持向量机均能具有较好的分类效果与分类速度。而在对雷达信号所得的脉内细微特征的分选识别中也能有良好的表现。