發(fā)布時(shí)間：2018-05-15 08:21

  本文選題：雷達(dá)輻射源識別 + 遷移學(xué)習(xí)��； 參考：《電訊技術(shù)》2017年07期

【摘要】：目前,基于機(jī)器學(xué)習(xí)的雷達(dá)輻射源識別技術(shù)大多以訓(xùn)練集和測試集同分布為假設(shè),當(dāng)雷達(dá)數(shù)據(jù)庫樣本不足導(dǎo)致與信號真實(shí)分布存在偏差時(shí),傳統(tǒng)的分類方法效果不佳。為此,將遷移學(xué)習(xí)理論引入識別系統(tǒng),設(shè)計(jì)了一種基于結(jié)構(gòu)發(fā)現(xiàn)與再平衡的雷達(dá)輻射源信號識別方法。通過對數(shù)據(jù)庫和待識別輻射源信號樣本進(jìn)行聚類分析發(fā)現(xiàn)數(shù)據(jù)結(jié)構(gòu)信息,通過重采樣處理修正其分布差異。將新采樣數(shù)據(jù)輸入支持向量機(jī)進(jìn)行訓(xùn)練并對偵收樣本進(jìn)行識別。仿真實(shí)驗(yàn)表明,在新訓(xùn)練樣本集上學(xué)習(xí)的模型對測試集的分類性能有了很大的提升。
[Abstract]:At present, most radar emitter recognition techniques based on machine learning assume the same distribution of training set and test set. When the lack of radar database samples leads to deviation from the real signal distribution, the traditional classification method is not effective. Therefore, the migration learning theory is introduced into the recognition system, and a radar emitter signal recognition method based on structure discovery and rebalance is designed. The data structure information is found by clustering analysis of the database and the samples of emitter signals to be identified, and the distribution difference is corrected by resampling processing. The new sampling data is input into the support vector machine to train and recognize the collected samples. The simulation results show that the learning model on the new training sample set can greatly improve the classification performance of the test set.
【作者單位】： 裝備學(xué)院研究生管理大隊(duì);裝備學(xué)院光電裝備系;
【分類號】：TN957.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 關(guān)欣,何友,衣曉;一種新的雷達(dá)輻射源識別算法[J];宇航學(xué)報(bào);2005年05期

2 陳根華,楊紹全;特定輻射源識別方法的研究[J];航天電子對抗;2005年02期

3 李楠;曲長文;蘇峰;平殿發(fā);;灰色關(guān)聯(lián)理論在輻射源識別中的應(yīng)用[J];系統(tǒng)仿真學(xué)報(bào);2009年24期

4 黃淵凌;鄭輝;萬堅(jiān);;特定輻射源識別的信息論描述[J];西安電子科技大學(xué)學(xué)報(bào);2012年06期

5 紀(jì)彥星;曹俊紡;陳建軍;孟曉琳;;基于精細(xì)分析的輻射源識別軟件系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J];雷達(dá)與對抗;2010年02期

6 姚s，

本文編號：1891699