基于粗集理论的雷达辐射源信号识别.pdf

第卷第期西安交通大学学报
398Vol.39№8

2005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"05

RadarEmitterSignalRecognitionBasedonRoughSetTheory

,
ZhangGexiang12,JinWeidong1,HuLaizhao2
(1.SchooloFElectricalEngineering,SouthwestJiaotongUniversity,Chengdu610031,China;
2.NationalEWLab,Chengdu610036,China)

Abstract:Roughsettheory(RST)wasintroducedintoradaremittersignalrecognition.Anovelapproach
wasproposedtodiscretizeinterval-valuedcontinuousattributes,andthecorrespondingFeatureselection
methodwaspresented.Roughsetneuralnetwork(RNN)classiFierwasdesignedbycombiningRSTand
neuralnetwork(NN).ExperimentalresultsshowthattheproposedapproachsolvestheproblemoFinter-
val-valuedcontinuousattributediscretizationexistingmethodsareunabletodealwith,andachieveshigher
7.29%,4.34%and4.00%recognitionratethanthatoFtheothermethods.Theaveragetraininggenera-
tionsoFRNNare97.54lessthanthatoFNNandtheaveragerecognitionrateoFRNNishigher2.84%than
thatoFNN,whichindicatesthatRNNhasstrongercapabilitiesoFclassiFicationandgeneralizationthanNN
tobeexpectantlyappliedtothepractice.
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
署提供宝贵信息[1].RES识别是ELINT、ESM和余属性,且RST导出的决策规则易于理解[3"5].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
的重要标志[1,2].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
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)[6]和顺序前进法

收稿日期:2004"09"02.作者简介:张葛祥(1974～),男,博士生;金炜东(联系人),男,教授,博士生导师.基金项目: