本文選題：信號(hào)識(shí)別 + 樸素貝葉斯　； 參考：《系統(tǒng)工程與電子技術(shù)》2017年11期

【摘要】：針對(duì)先驗(yàn)信息殘缺的非合作電子對(duì)抗背景下的低截獲概率雷達(dá)信號(hào)識(shí)別問(wèn)題,提出一種基于改進(jìn)的半監(jiān)督樸素貝葉斯的識(shí)別算法。該算法首先提取出4種低截獲概率(low probability of intercept,LPI)雷達(dá)信號(hào)的雙譜對(duì)角切片作為識(shí)別特征;針對(duì)傳統(tǒng)的半監(jiān)督樸素貝葉斯(semi-supervised Na?ve Bayes,SNB)在更新訓(xùn)練樣本集過(guò)程中會(huì)產(chǎn)生迭代錯(cuò)誤的不足,利用改進(jìn)的SNB(Revised SNB,RSNB)算法構(gòu)建分類(lèi)器,完成對(duì)測(cè)試樣本的識(shí)別。該方法通過(guò)在無(wú)標(biāo)記樣本集生成的置信度列表中選取置信度較高的樣本添加到有標(biāo)記樣本集中,再利用預(yù)測(cè)后的分類(lèi)結(jié)果對(duì)分類(lèi)器參數(shù)(即特征期望向量s醡i和方差向量σi)進(jìn)行改進(jìn),有效解決了傳統(tǒng)算法分類(lèi)精度低且分類(lèi)性能不穩(wěn)定等缺點(diǎn)。理論分析和仿真結(jié)果表明,在LPI雷達(dá)信號(hào)識(shí)別問(wèn)題,相比于SNB算法和傳統(tǒng)的主成分分析加支持向量機(jī)法(principal component analysis-support vector machine,PCA-SVM),該算法具有更高的分類(lèi)識(shí)別率和更好的分類(lèi)性能。
[Abstract]:A new algorithm based on improved semi-supervised naive Bayes is proposed for low probability radar signal recognition under the background of non-cooperative electronic countermeasures with incomplete prior information. The algorithm firstly extracts four kinds of low probability of interception (LPI) radar signals with bispectral diagonal slices as recognition features, aiming at the shortcomings of iterative errors in updating the training samples by traditional semi-supervised naive Bayes Bayes (semi-supervised Bayes Bayes). The improved SNB(Revised SNB algorithm is used to construct the classifier to identify the test samples. In this method, samples with high confidence level are selected from the list of confidence levels generated from unmarked sample sets and added to the marked sample set. Then using the predicted classification results to improve the classifier parameters (I. E. feature expectation vector s press I and variance vector 蟽 I) effectively solve the shortcomings of the traditional algorithm such as low classification accuracy and unstable classification performance. The theoretical analysis and simulation results show that the algorithm has higher classification rate and better classification performance than SNB algorithm and principal component analysis-support vector machine method of principal component analysis plus support vector machine.
【作者單位】： 空軍工程大學(xué)航空航天工程學(xué)院;
【基金】：航空科學(xué)基金(20145596025,20152096019)資助課題
【分類(lèi)號(hào)】：TN957.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁學(xué)華,羅景青;雷達(dá)信號(hào)識(shí)別中新雷達(dá)類(lèi)型設(shè)置問(wèn)題的研究[J];電子對(duì)抗技術(shù);2002年03期

2 劉愛(ài)霞,趙國(guó)慶;一種新的雷達(dá)信號(hào)識(shí)別方法[J];航天電子對(duì)抗;2003年01期

3 ;雷達(dá)信號(hào)識(shí)別的一種方法[J];電子對(duì)抗技術(shù);1986年Z1期

4 李廣彪,張劍云,毛云祥;一種新的雷達(dá)信號(hào)識(shí)別可信度確定方法[J];現(xiàn)代雷達(dá);2005年05期

5 孫亞偉;黃建沖;徐英;;基于時(shí)間序列相似性原理的雷達(dá)信號(hào)識(shí)別[J];航天電子對(duì)抗;2012年04期

6 邱憲文,羅景青;灰關(guān)聯(lián)分析與雷達(dá)信號(hào)識(shí)別[J];雷達(dá)與對(duì)抗;1999年02期

7 龔亮亮,羅景青,吳世龍;雷達(dá)信號(hào)識(shí)別中一種基于熵權(quán)的特征權(quán)重確定方法[J];艦船電子工程;2005年02期

8 鄧振淼;劉渝;;多相碼雷達(dá)信號(hào)識(shí)別與參數(shù)估計(jì)[J];電子與信息學(xué)報(bào);2009年04期

9 王歡;何明浩;劉銳;韓俊;;雷達(dá)信號(hào)識(shí)別效果的模糊綜合評(píng)價(jià)研究[J];雷達(dá)科學(xué)與技術(shù);2012年04期

10 寧宇;;基于分形理論和神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別算法[J];中小企業(yè)管理與科技(中旬刊);2014年02期

相關(guān)會(huì)議論文 前1條

1 王惠娟;;雷達(dá)信號(hào)識(shí)別綜合可信度確定的新算法[A];2014第二屆中國(guó)指揮控制大會(huì)論文集（上）[C];2014年

相關(guān)博士學(xué)位論文 前1條

1 朱健東;復(fù)雜體制雷達(dá)信號(hào)識(shí)別與參數(shù)估計(jì)研究[D];解放軍信息工程大學(xué);2013年

相關(guān)碩士學(xué)位論文 前7條

1 王開(kāi)洋;雷達(dá)信號(hào)識(shí)別關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

2 李密;雷達(dá)信號(hào)識(shí)別關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

3 牛r，

本文編號(hào)：1792350