支持向量机在末制导雷达抗干扰中的应用

›› 2011, Vol. 24 ›› Issue (3): 79-.

支持向量机在末制导雷达抗干扰中的应用

张朝辉

(国营长风机器厂制导所,甘肃兰州 730070)

出版日期:2011-03-15 发布日期:2011-03-11
作者简介:张朝辉(1968-),男,工程师。研究方向:雷达系统控制与信号处理。

Application of the Support Vector Machine in the Terminal Guidance Radar of Anti-jamming

ZHANG Zhao-Hui

(Institute of Control and Guidance,State-owned Changfeng Machinery Factory,Lanzhou 730070,China)

Online:2011-03-15 Published:2011-03-11

摘要/Abstract

摘要：

针对主被动末制导雷达的多维特征数据融合问题,提出采用支持向量机进行融合识别,以排除各类干扰形成的虚假目标。在定性分析末制导雷达各类干扰源特性的基础上,选取主动雷达目标RCS、距离维尺度、多普勒谱宽和被动雷达在该方位的特征信号检测结果作为参与融合的特征,利用线性支持向量机进行融合。仿真结果表明,仅使用主动雷达特征时,真假目标测试样本识别率为74%,使用被动雷达特征后,测试样本识别率提高到83%。

关键词: 融合识别, 支持向量机, 主被动抗干扰

Abstract:

In order to eliminate the decoy targets caused by various jamming,the support vector machine adopted in the target fusion recognition is presented to solve the multi-dimension feature data fusion problem in active-passive composite terminal guidance radar.Through a quantitative analysis of the feature of jamming aimed at the terminal guidance radar,the parameters including the RCS,the scale of range dimension,Doppler width of the active radar,and the output of the passive radar detection with feature signal are selected,and then fused adopting the support vector machine.The simulation result shows that only using the active radar feature,the recognition ratio of the true-false targets testing sample is 74%.The recognition ratio is increased to 83% by using the active and passive radar feature simultaneously.

Key words: fusion recognition;support vector machine;active-passive composite anti-jamming

中图分类号:

TN959.2+1

张朝辉. 支持向量机在末制导雷达抗干扰中的应用[J]. , 2011, 24(3): 79-.

ZHANG Zhao-Hui. Application of the Support Vector Machine in the Terminal Guidance Radar of Anti-jamming[J]. , 2011, 24(3): 79-.

[1]	伍伟嘉,杨俭,袁天辰,邵志慧. 基于支持向量机的轨道结构病害识别研究[J]. 电子科技, 2022, 35(2): 27-33.
[2]	邵志慧,杨俭,袁天辰,伍伟嘉. 基于排列熵和支持向量机的轨枕病害诊断[J]. 电子科技, 2022, 35(2): 52-58.
[3]	冯先丁,魏镜弢,吴张永,钱杰,浦友尚. 基于PCA-PSO-SVM的球磨机负荷预测研究[J]. 电子科技, 2022, 35(1): 29-34.
[4]	张朋飞,魏存伟,刘先康,刘安然,杨欧,林永霖. 窄带舰船目标识别方法研究[J]. 电子科技, 2021, 34(6): 50-55.
[5]	刘姝,邵杰,张颐婷,张善章. 基于双谱和谱特征的心电信号分类方法[J]. 电子科技, 2021, 34(5): 42-46.
[6]	彭荣杰,彭亚雄,陆安江. 基于改进PCA+SVM的人脸识别系统[J]. 电子科技, 2021, 34(12): 56-61.
[7]	巨志勇,翟春宇,张文馨. 基于SVM与区域生长的彩色商品标签图像分割方法[J]. 电子科技, 2021, 34(10): 69-74.
[8]	金鑫,冯毅,尤雪汐,王佳欣. 基于机器学习的信息安全设备调配保障技术研究[J]. 电子科技, 2020, 33(8): 80-86.
[9]	万东燕,许桢英,杨卿,吴梦琪. 基于PCA与SVM的焊缝缺陷信号分类方法[J]. 电子科技, 2020, 33(5): 9-14.
[10]	陈磊,李菲菲,陈虬. 基于迁移学习与权重支持向量机的图像多标签标注算法[J]. 电子科技, 2020, 33(3): 12-16.
[11]	杨海柱,江昭阳,李梦龙,康乐. 基于改进人工鱼群-蛙跳算法优化LSSVM参数短期负荷预测[J]. 电子科技, 2020, 33(12): 67-74.
[12]	王贺贺,李菲菲,陈虬. 基于稠密轨迹特征的动态手势识别研究[J]. 电子科技, 2020, 33(12): 17-21.
[13]	缪冉,李菲菲,陈虬. 基于卷积神经网络与多尺度空间编码的场景识别方法[J]. 电子科技, 2020, 33(12): 54-58.
[14]	杨宇,曾国辉,黄勃. 基于人工鱼群算法和LS_SVM的变压器故障诊断[J]. 电子科技, 2020, 33(11): 36-40.
[15]	李超,郭瑜. 基于SK等指标和SVM的滚动轴承性能退化评估研究[J]. 电子科技, 2020, 33(1): 6-12.