1、雷達輻射源信號識別是衡量雷達對抗設備技術先進程度的重要標志，是現(xiàn)代電子對抗領域急需解決的難題。然而隨著軍事科技的日益發(fā)展，電磁環(huán)境日益復雜，傳統(tǒng)的一些分類識別方法已不能滿足要求。
　　 無監(jiān)督學習是解決未知雷達輻射源信號識別的有效方法。支持向量聚類算法(Support Vector Clustering)是一種基于支持向量機的無監(jiān)督聚類方法，它對樣本集進行聚類分析時無需任何先驗知識，可以獲得任意形狀的聚類邊界。SVC算法中的核函

2、數(shù)參數(shù)對聚類的形成起著決定性的作用，并影響著聚類的邊界和形狀。如何尋找最優(yōu)的核函數(shù)參數(shù)是SVC算法對輻射源信號進行準確識別的關鍵之一。SVC算法不僅時間復雜度高，而且在處理分布復雜、不均勻樣本時，識別率較低。因此本文對SVC算法性能進行分析研究，在實現(xiàn)對SVC核函數(shù)參數(shù)尋優(yōu)的同時降低SVC算法時間復雜度，提高其對分布復雜、不均勻樣本的識別率，以實現(xiàn)對雷達輻射源信號迅速而準確的識別。論文的主要工作及研究成果如下：
　　 1.對無監(jiān)

3、督聚類算法進行了討論，著重介紹了K-均值(K-means)和模糊C-均值(FCM)算法，并進行了實驗對比。
　　 2.將SVC應用于雷達輻射源信號識別時，其結果表明，SVC不僅時間復雜度高，而且在處理分布復雜、不均勻樣本時，識別率很低。
　　 3.引入量子進化算法(QEA)對SVC核函數(shù)參數(shù)進行優(yōu)化，給出QEA-SVC算法。利用QEA算法尋找核函數(shù)參數(shù)，使SVC算法對數(shù)據(jù)樣本分類時得到比較滿意的聚類分布。對算例樣本、ir

4、is數(shù)據(jù)集和雷達輻射源信號進行聚類分析的實驗結果表明，QEA-SVC算法對SVC核函數(shù)參數(shù)的尋優(yōu)是有效的。
　　 4.結合模糊C-均值聚類算法和SVC算法的優(yōu)點，給出FC-SVC算法。首先利用模糊C-均值聚類算法對數(shù)據(jù)樣本進行初步的線性劃分，將原數(shù)據(jù)樣本劃分為若干個子樣本。再將這些子樣本分別映射到高維特征空間，用SVC方法去處理非線性問題。將此算法用于對算例樣本和雷達輻射源信號樣本的分類和識別，通過實驗分析可知，此方法能在降低計