● 摘要
随着综合电子技术的飞速发展，大量高科技武器以及多种信息化作战平台用于战场上，构成了陆、海、空、天、电一体化的作战态势，导致战场环境十分复杂，敌我双方武器装备互相牵制，稍有不慎，就会失去战机。而现代雷达作为战场上不可或缺的电子装备之一，随时会受到有源或无源的干扰，严重威胁着雷达的作战能力和生存空间。因此，在复杂的电磁环境下如何利用智能自动化技术对雷达干扰类型进行快速、准确的识别，为雷达抗干扰技术的实施提供有效、科学的依据，是目前十分紧急和军事价值重大的研究课题之一。
支持向量机(Support Vector Machine，SVM)是一种性能优越的分类方法，所以本文主要研究利用支持向量机解决雷达干扰类型识别领域中所面临的数据样本信息不确定性、数据样本信息不全、不同类型数据样本数量比率失衡三个难题。通过交叉验证的方式，利用UCI数据库中的标准数据对所提算法的精度和泛化能力性能进行了实验分析，并利用雷达干扰信号仿真数据样本，验证了其在雷达干扰识别领域的实际应用效果。主要研究内容和成果包括：
（1）支持向量机的增量学习
采用了基于FCM与KKT条件的增量学习方法，并利用该方法对雷达干扰类型识别进行增量学习，使得数据样本增加时，不需要所有样本都重新进行学习，解决了雷达干扰数据样本信息不确定性问题。该方法主要是利用FCM算法实现从历史样本集合中剔除大量冗余的样本点，同时利用KKT条件实现从新增样本集合中剔除满足KKT条件的新增样本点，降低了参加训练的样本点的个数，提升了训练的效率。
（2）支持向量机的半监督学习
采用了基于隐含信息属性的半监督学习方法，并利用该方法对雷达干扰类型识别进行了半监督学习，实时吸收了大量无标记样本所含有的新信息，解决了雷达干扰数据样本信息不全的问题。该方法在训练时主要是根据已标记样本与未标记样本之间存在的关联关系，计算和求解了已标记样本的隐含信息属性，作为从大量无标记样本中吸收的新信息。在使用训练好的分类器时，根据已标记样本与待分类样本之间的关联关系，求解待分类样本的隐含信息属性，使其与已标记样本都在同一维数空间。
（3）支持向量机的不平衡学习
采用了基于类离散度极值的不平衡学习方法，并利用该方法对雷达干扰类型识别进行了不平衡学习，提高了分类器对正类样本的识别率，解决了雷达干扰类型数据样本失衡问题。该方法以求类间离散度最大，类内离散度最小为目标，对支持向量机的核函数进行了优化，克服了原始支持向量机仅考虑分类面的间距使得分类面靠近负类样本集的不足。
（4） 雷达干扰信号检测与特征提取
在分析雷达干扰对雷达工作性能影响机理的基础上，建立了具有矩偏度、距峰度、相关比参数等13种特征的雷达干扰检测指标体系。并且以某型雷达为例，从时域和频域两个领域对这些指标进行了试验分析，实验结果表明，这些指标会因干扰类型以及干扰强度的不用而不同。最后利用这些指标作为检测特征，利用上述改进的支持向量机方法对他们在雷达检测领域的性能进行了分析和验证。