基于机动特征辅助的MFR状态预测方法

针对多功能雷达（Multi-Function Radar,MFR）状态预测方法存在的鲁棒性、预测正确率不佳的问题,提出一种基于机动特征辅助的MFR状态预测方法.该方法将载机机动信息与常规侦收参数共同作为预测特征集,一方面利用支持向量回归（Support Vector Regression,SVR）和侦收信号特征集,得到常规预测模型,另一方面通过SVR和机动特征集,得到MFR各个状态间的转变概率模型;然后利用D-S证据理论得到最终预测状态.实验结果表明,与SVR和LSR方法相比,平均预测精度分别提高了6.97%和7.2%,同时具备更优异的鲁棒性.此外,提出的预测方法通过进一步的拓展,可应用于机械设备、道路交通等领域.     

基于AdaBoost和决策树的雷达辐射源识别方法

针对传统雷达辐射源识别算法在当前高密度信号环境下进行识别时,存在实时性差、识别准确率低、鲁棒性不强的问题,提出了一种基于AdaBoost和决策树的辐射源识别算法。首先通过信息增益构建单层决策树;然后利用AdaBoost算法对弱分类器进行训练,得到强分类器;最后通过强分类器对测试数据进行识别,得到识别结果。仿真结果表明,利用该方法识别参数误差10%的测试数据,识别准确率能够达到93.78%,时间消耗低于1.5s,具备良好的识别效果。     

基于改进网格聚类的动态雷达信号分选算法

针对传统网格聚类算法应用于雷达信号分选中存在密度阈值不够合理、聚类精度较低的问题,提出了一种基于改进网格聚类的动态雷达信号分选算法。该算法引入CluStream聚类算法中的双层框架,增加了分选系统的实时性。通过双密度阈值策略和边缘稀疏网格优化处理,改进了传统网格聚类算法,合理地设置了密度阈值。仿真结果表明,该方法具备较高的抗干扰能力和聚类精度,取得了较好的分选效果。