為解決虛假目標點跡對雷達跟蹤性能的影響,提出了一種基于改進K近鄰（KNN）的雷達點跡真?zhèn)舞b別方法,進一步區(qū)分目標點跡和雜波點跡,濾除雜波剩余點跡,有效提高雷達處理容量和跟蹤性能。該方法利用點跡形成過程中生成的特征參數(shù),先通過核主成分分析法對特征數(shù)據(jù)降維處理,降低數(shù)據(jù)維度,提高后續(xù)算法的運行速度;再通過加權KNN算法鑒別目標點跡和雜波點跡,點跡鑒別準確率有較高提升,達到了87.5%,算法運行速度較傳統(tǒng)KNN算法和加權KNN算法分別提升了56%和40%。實驗結果表明:該算法既有較高、較穩(wěn)定的點跡鑒別準確率,又大幅度提高了算法運行速度。 

【文章來源】：現(xiàn)代雷達. 2020,42(04)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

傳統(tǒng)KNN算法流程圖

由圖2可知,點跡數(shù)據(jù)降維后,目標點跡與雜波剩余點跡的區(qū)分度更加明顯,只有少部分混疊在一起,便于后續(xù)鑒別目標點跡與雜波剩余點跡。而且降維后,數(shù)據(jù)維度只有二維,與原始點跡數(shù)據(jù)的8維相比運算量大大減少。2.2 加權KNN算法模型

將采集好的雷達實時數(shù)據(jù)先進行數(shù)據(jù)解析,然后通過改進的KNN算法模型,判斷其為目標點跡和雜波剩余點跡,獲取鑒別準確率。本文所提的基于改進KNN的雷達檢測點跡真?zhèn)舞b別算法流程如圖3所示。3 實驗結果與分析

【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡的雷達點跡分類方法[J]. 李松,汪圣利.  現(xiàn)代雷達. 2018(12)
[2]雷達數(shù)據(jù)處理中的雜波抑制方法[J]. 羅興旺,張伯彥,劉嘉,藺宏江,禹娟.  系統(tǒng)工程與電子技術. 2016(01)
[3]基于核PCA與SVM相結合的電子鼻模式識別算法研究[J]. 金翠云,崔瑤,王穎.  北京化工大學學報(自然科學版). 2012(02)
[4]基于主成分分析與核獨立成分分析的降維方法[J]. 梁勝杰,張志華,崔立林,鐘強暉.  系統(tǒng)工程與電子技術. 2011(09)
[5]加權KNN分類器在HRRP庫外目標拒判中的應用[J]. 柴晶,劉宏偉,保錚.  系統(tǒng)工程與電子技術. 2010(04)
[6]一個高效的KNN分類算法[J]. 張著英,黃玉龍,王翰虎.  計算機科學. 2008(03)

博士論文
[1]基于決策樹和K最近鄰算法的文本分類研究[D]. 王煜.天津大學 2006

碩士論文
[1]模型選擇中的交叉驗證方法綜述[D]. 范永東.山西大學 2013
[2]基于多特征融合的雷達目標識別[D]. 陳娟.西安電子科技大學 2010



本文編號：3111832