雷达辐射源个体识别中的分类器设计与子空间学习

论文摘要

雷达辐射源个体识别在整个雷达对抗中占有重要地位。随着雷达技术的迅速发展及新体制雷达的应用,传统的识别方法逐渐失效。因此,从信号处理角度看,需要发展更为有效的个体特征提取方法,而从模式识别角度看,相应的分类器设计及特征的进一步精简与优化也变得至关重要。本文以两种有效的辐射源个体特征为依托,重点研究了雷达辐射源个体识别中的分类器设计及基于子空间学习的降维技术。在个体特征提取中,分别介绍了基于循环谱零点切片和基于模糊函数切片串联的特征提取方法。在实测雷达辐射源数据上的实验结果充分验证了这两种特征提取方法的有效性,从而为辐射源的个体识别提供了稳定可靠的分类特征。在分类器设计中,首先介绍了六种能够输出后验概率的分类器,继而通过一定的概率融合函数可靠地实现了多分类器的组合。进一步,考虑到实际系统必须能够拒判库外目标,先由后验概率估计出广义置信度,从而设定一定的门限实现了系统对库外目标的拒判功能,最后给出多种评价系统性能的指标。实验结果验证了分类器组合的优势,以及基于广义置信度的拒识算法的可行性。在子空间特征降维中,重点研究了线性判别子空间学习和核判别子空间学习两大降维技术。其中,核子空间方法是通过特定的核技巧对线性子空间方法的扩展。我们将目前已有的各种经典算法归纳为单子空间学习和多子空间学习两大类,并研究了各方法在图像识别与雷达辐射源识别中的应用。实验结果表明,无论是线性方法还是核方法,由于考虑到子空间的互补性,多子空间学习具有更鲁棒的识别性能;而由于算法的数据依赖性,从线性方法到核方法的推广不一定意味着识别率的提升,需要根据实际数据的分布和工程需求选择合适的方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 雷达辐射源个体识别技术
• 1.2.2 基于子空间学习的特征降维
• 1.3 论文内容和章节安排
• 第二章 雷达辐射源个体特征提取
• 2.1 引言
• 2.2 基于循环谱零点切片的特征提取
• 2.3 基于模糊函数切片串联的特征提取
• 2.4 实验结果与分析
• 2.5 本章小结
• 第三章 分类器设计与系统拒识
• 3.1 引言
• 3.2 分类器设计与组合
• 3.2.1 概率输出型分类器
• 3.2.2 基于后验概率的分类器组合
• 3.3 系统拒识和性能评价
• 3.3.1 广义置信度准则下的拒识算法
• 3.3.2 系统性能评价指标
• 3.4 实验结果与分析
• 3.5 本章小结
• 第四章 线性判别子空间学习
• 4.1 引言
• 4.2 单子空间判别分析
• 4.2.1 PCA+LDA
• 4.2.2 NLDA
• 4.2.3 DLDA
• 4.3 多子空间判别分析
• 4.3.1 DSLDA
• 4.3.2 ERE
• 4.3.3 Random Sampling LDA
• 4.4 实验结果与分析
• 4.4.1 图像数据集上的实验
• 4.4.2 实测雷达辐射源数据集上的实验
• 4.5 本章小结
• 第五章 核判别子空间学习
• 5.1 引言
• 5.2 核方法的基本概念
• 5.3 核子空间学习
• 5.3.1 核主分量分析
• 5.3.2 核判别分析
• 5.3.3 核直接判别分析
• 5.3.4 完全核判别分析
• 5.4 实验结果与分析
• 5.4.1 图像数据集上的实验
• 5.4.2 实测雷达辐射源数据集上的实验
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 工作展望
• 致谢
• 参考文献
• 作者在读期间的研究成果