随着各种新型雷达的出现或战时预留模式的采用,真实的战场电磁环境将越加复杂,大概率会出现种类未知且参数突变的雷达调制信号,对现有的调制方式识别算法带来严峻挑战。对此,分析雷达调制方式“未知”对识别结果的影响机理,将开集差分...随着各种新型雷达的出现或战时预留模式的采用,真实的战场电磁环境将越加复杂,大概率会出现种类未知且参数突变的雷达调制信号,对现有的调制方式识别算法带来严峻挑战。对此,分析雷达调制方式“未知”对识别结果的影响机理,将开集差分分布对齐(distribution alignment with open set difference,DAOD)算法引入雷达调制方式识别领域,设计具体应用的技术方案,并针对DAOD算法所需参数依靠先验知识或者试探选取问题,利用蜣螂优化(dung beetle optimizer,DBO)算法进行参数优化。仿真结果表明:在单个雷达调制方式未知情形下,精确度Accuracy和F-measure分值的平均值分别可达91.34%和95.11%;在多个雷达调制方式未知情形下,Accuracy和F-measure的平均值分别可达91.37%、93.69%;与DAOD算法相比,上述结果分别提升了3.77%、1.83%、21.17%和12.06%。因此,DBO-DAOD算法可有效提升未知雷达调制方式的识别率。展开更多
文摘随着各种新型雷达的出现或战时预留模式的采用,真实的战场电磁环境将越加复杂,大概率会出现种类未知且参数突变的雷达调制信号,对现有的调制方式识别算法带来严峻挑战。对此,分析雷达调制方式“未知”对识别结果的影响机理,将开集差分分布对齐(distribution alignment with open set difference,DAOD)算法引入雷达调制方式识别领域,设计具体应用的技术方案,并针对DAOD算法所需参数依靠先验知识或者试探选取问题,利用蜣螂优化(dung beetle optimizer,DBO)算法进行参数优化。仿真结果表明:在单个雷达调制方式未知情形下,精确度Accuracy和F-measure分值的平均值分别可达91.34%和95.11%;在多个雷达调制方式未知情形下,Accuracy和F-measure的平均值分别可达91.37%、93.69%;与DAOD算法相比,上述结果分别提升了3.77%、1.83%、21.17%和12.06%。因此,DBO-DAOD算法可有效提升未知雷达调制方式的识别率。
