资源描述：
《基于粗集理论的雷达辐射源信号识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第39卷第8期西安交通大学学报Vol.39№82005年8月JOURNALOFXI'ANJIAOTONGUNIVERSITYAug.2005基于粗集理论的雷达辐射源信号识别张葛祥1,2,金炜东1,胡来招2(1.西南交通大学电气工程学院,610031,成都;2.电子对抗国防科技重点实验室,610036,成都)摘要:将粗集理论(RST)引入到雷达辐射源信号(RES)识别中,提出一种区间连续属性离散化新方法及相应的特征选择算法,将RST与神经网络(NN)结合,设计粗集神经网络(RNN)分类器.实验结果表明,该方法解决了已有方法难以处理的区间连续属性离
2、散化问题,获得的正确识别率比其他3种方法分别高出7.29%、4.34%和4.00%.RNN的平均训练代数比NN少97.54,RNN的平均识别率比NN高2.84%,这表明RNN具有比NN更好的分类能力和泛化能力,从而证实了该方法的有效性和可行性.关键词:信号识别;粗集理论;雷达辐射源中图分类号:TN957;TP18文献标识码:A文章编号:0253"987X(2005)08"0871"05RadarEmitterSignalRecognitionBasedonRoughSetTheory1,2,JinWeidong1,HuLaizhao2Zhang
3、Gexiang(1.SchoolofElectricalEngineering,SouthwestJiaotongUniversity,Chengdu610031,China;2.NationalEWLab,Chengdu610036,China)Abstract:Roughsettheory(RST)wasintroducedintoradaremittersignalrecognition.Anovelapproachwasproposedtodiscretizeinterval-valuedcontinuousattributes,and
4、thecorrespondingfeatureselectionmethodwaspresented.Roughsetneuralnetwork(RNN)classifierwasdesignedbycombiningRSTandneuralnetwork(NN).Experimentalresultsshowthattheproposedapproachsolvestheproblemofinter-val-valuedcontinuousattributediscretizationexistingmethodsareunabletodea
5、lwith,andachieveshigher7.29%,4.34%and4.00%recognitionratethanthatoftheothermethods.Theaveragetraininggenera-tionsofRNNare97.54lessthanthatofNNandtheaveragerecognitionrateofRNNishigher2.84%thanthatofNN,whichindicatesthatRNNhasstrongercapabilitiesofclassificationandgeneralizat
6、ionthanNNtobeexpectantlyappliedtothepractice.Keywords:signalrecognition;roughsettheory;radaremitter在现代电子战中,通过搜索、截获、定位、分析和征选择法来对多种特征进行筛选.识别雷达辐射源信号(RES),电子情报侦察系统粗集理论(RST)是一种新的软计算基础理论,(ELINT)、电子支援系统(ESM)和雷达告警系统无需任何先验知识和外部信息便能从大量数据中挖(RWR)为预警、威胁探测、威胁避免和实时反击部掘出决策规则,揭示出属性间的关联关系并删除冗
7、[1][3"5]署提供宝贵信息.RES识别是ELINT、ESM和余属性,且RST导出的决策规则易于理解.由RWR的关键部分,是衡量电子对抗设备技术水平此,本文首次将RST引入到RES识别中,提出区间[1,2]的重要标志.特征提取往往采用经验式或启发连续属性离散化和特征选择法,设计粗集神经网络式方法,且RES中存在大量噪声,提取的特征常带分类器,实现RES的分类识别.实验结果表明,本[6]有主观性和猜测性,特征易分散和交叠,需要引入特文方法优于新特征选择法(NFS)和顺序前进法收稿日期:2004"09"02.作者简介:张葛祥(1974～),男,博
8、士生;金炜东(联系人),男,教授,博士生导师.基金项目:国防科技重点实验室预研基金资助项目(NEWL51435QT220401);国家自然科学基金资助
