基于改进KNN的雷达点迹真伪鉴别方法

为解决虚假目标点迹对雷达跟踪性能的影响,提出了一种基于改进K近邻(KNN)的雷达点迹真伪鉴别方法,进一步区分目标点迹和杂波点迹,滤除杂波剩余点迹,有效提高雷达处理容量和跟踪性能。该方法利用点迹形成过程中生成的特征参数,先通过核主成分分析法对特征数据降维处理,降低数据维度,提高后续算法的运行速度;再通过加权KNN算法鉴别目标点迹和杂波点迹,点迹鉴别准确率有较高提升,达到了87.5%,算法运行速度较传统KNN算法和加权KNN算法分别提升了56%和40%。实验结果表明:该算法既有较高、较稳定的点迹鉴别准确率,又大幅度提高了算法运行速度。

基于PSO-SVM算法的雷达点迹真伪鉴别方法研究

为解决虚假目标点迹对雷达跟踪性能的影响,本文提出了一种基于PSO-SVM算法的雷达点迹真伪鉴别方法,进一步对目标点迹和杂波点迹进行真伪鉴别,有助于滤除杂波剩余点迹,提高雷达处理容量和跟踪性能。本方法利用点迹形成过程中生成的特征参数,先利用PSO算法对SVM算法参数进行优化选择,再利用参数优化后的SVM算法对雷达点迹进行真伪鉴别。最终,目标点迹鉴别准确率达到了95.18%,杂波点迹鉴别准确率达到了89.94%,整体的点迹鉴别准确率达到了92.13%。实验结果表明:该算法有较高、较稳定的点迹鉴别准确率,前期较多的杂波点迹被鉴别为目标点迹的缺陷也得到了较好的改善。

基于PSO-PNN算法的雷达点迹真伪鉴别方法

针对雷达目标检测后的剩余杂波,提出了一种将粒子群优化算法(PSO)与概率神经神经网络(PNN)相结合的雷达点迹真伪鉴别方法。方法可以在目标检测后进一步区分目标点迹和杂波点迹。同时,将其雷达点迹鉴别结果与BP神经网络(BPNN)对雷达点迹鉴别结果作了对比,发现上述方法的整体识别率可达91.13%,目标识别率可达93.78%,较BPNN分别提升1.55%和3.55%。结果表明,PSO-PNN能够有效鉴别雷达点迹真伪。

基于PSO-MLP的点迹真伪鉴别方法研究

针对山区、海面和城市等复杂强杂波产生的杂波点迹对雷达跟踪性能的影响,提出了一种基于粒子群算法(PSO)-多层感知器算法(MLP)的雷达点迹真伪鉴别方法,进一步区分目标点迹和杂波点迹,滤除杂波剩余点迹,有效提高雷达处理容量和跟踪性能。本方法在研究杂波点迹和目标点迹差异性的基础上,提取包括多普勒速度、原始幅度等多维特征参数,先通过PSO算法对MLP算法的参数进行优化选择,再运用参数优化后的MLP算法对点迹进行真伪鉴别,进而滤除剩余杂波点迹。最终,整体的点迹鉴别准确率达到了85.75%。实验结果表明该算法有较高、较稳定的点迹鉴别准确率。