基于改进KNN的雷达点迹真伪鉴别方法

发布时间：2021-03-31 17:51

　　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。 

【文章来源】：现代雷达. 2020,42(04)北大核心CSCD

【文章页数】：5 页

【部分图文】：

传统KNN算法流程图

由图2可知,点迹数据降维后,目标点迹与杂波剩余点迹的区分度更加明显,只有少部分混叠在一起,便于后续鉴别目标点迹与杂波剩余点迹。而且降维后,数据维度只有二维,与原始点迹数据的8维相比运算量大大减少。2.2 加权KNN算法模型

将采集好的雷达实时数据先进行数据解析,然后通过改进的KNN算法模型,判断其为目标点迹和杂波剩余点迹,获取鉴别准确率。本文所提的基于改进KNN的雷达检测点迹真伪鉴别算法流程如图3所示。3 实验结果与分析

【参考文献】：
期刊论文
[1]基于BP神经网络的雷达点迹分类方法[J]. 李松,汪圣利.  现代雷达. 2018(12)
[2]雷达数据处理中的杂波抑制方法[J]. 罗兴旺,张伯彦,刘嘉,蔺宏江,禹娟.  系统工程与电子技术. 2016(01)
[3]基于核PCA与SVM相结合的电子鼻模式识别算法研究[J]. 金翠云,崔瑶,王颖.  北京化工大学学报(自然科学版). 2012(02)
[4]基于主成分分析与核独立成分分析的降维方法[J]. 梁胜杰,张志华,崔立林,钟强晖.  系统工程与电子技术. 2011(09)
[5]加权KNN分类器在HRRP库外目标拒判中的应用[J]. 柴晶,刘宏伟,保铮.  系统工程与电子技术. 2010(04)
[6]一个高效的KNN分类算法[J]. 张著英,黄玉龙,王翰虎.  计算机科学. 2008(03)

博士论文
[1]基于决策树和K最近邻算法的文本分类研究[D]. 王煜.天津大学 2006

硕士论文
[1]模型选择中的交叉验证方法综述[D]. 范永东.山西大学 2013
[2]基于多特征融合的雷达目标识别[D]. 陈娟.西安电子科技大学 2010



本文编号：3111832