基于Log—Sigmoid型径向基神经网络的雷达辐射源识别

提出基于一种新的鲁棒性径向基 (RBF)神经网络的雷达辐射源识别方法。此网络应用Log -Sigmoid函数作为基函数 ,避免了学习过程中的不稳定状态 ,并且比传统的RBF有更好的学习性能和函数逼近能力。并介绍一种新的归一化函数 ,通过归一化函数把不同类型 ,不同量纲的原始评估数值转换到 [- 1,1]区间 ,该效用函数较好地体现了“奖优罚劣”的原则 ,同时又更有利于神经网络的训练。仿真实验证明了该方法的优越性。     

基于模糊条件证据理论的雷达辐射源识别

基于不确定证据与不确定先验知识和谐的思想,利用模糊条件证据理论,给出一种融合模糊先验知识的新的雷达辐射源识别方法。首先,把雷达辐射源模糊观测数据表示为Dempster-Shafer（D—S）证据的随机集形式;然后,计算观测证据与模糊先验知识之间的和谐度;最后,利用模糊条件证据理论把需要融合的证据进行组合。这种方法可充分利用各种不同来源的信息,从而提高雷达识别的可靠性。     

基于粗糙集与RBF神经网络的雷达辐射源信号识别研究

针对新体制、新用途雷达辐射源信号难以识别的特点,用粗糙集理论对雷达辐射源信号进行离散化、属性约简、规则提取,达到分类的目的。用粗糙K-均值聚类方法计算径向基神经网络（RBFNN）的聚类中心,然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。仿真结果表明,这种基于粗糙集与RBF神经网络的识别模型减少了识别冗余特征、简化了神经网络结构,能有效地识别雷达辐射源信号。