浅谈雷达辐射信号分类识别与特征提取
雷达信号特征提取及分类算法研究
雷达信号特征提取及分类算法研究随着科技的不断发展，雷达信号在军事、民用等领域得到了广泛应用。
雷达信号具有广阔的应用前景，但是由于其具有一定的复杂性，因此对雷达信号的特征提取及分类算法的研究备受重视。
本文将从以下几个方面对雷达信号的特征提取及分类算法进行探讨。
一、雷达信号特征提取雷达信号的特征提取是雷达信号处理中的重要步骤，通过对雷达信号进行特征提取可以实现雷达信号的识别、定位等目的。
目前，可供选择的雷达信号特征有很多种，常用的有功率谱密度、离散傅里叶变换等。
功率谱密度是一种常用的雷达信号特征，其计算方法简单，能够反映出信号的频率和能量分布。
利用功率谱密度特征可以区分不同类型的雷达目标，例如舰船、机动车等等。
离散傅里叶变换（DFT）是一种利用频谱分析方法对雷达信号进行特征提取的方法。
它可以将时间域信号转换为频域信号，从而得到显著的频谱特征。
DFT能够反映出雷达信号的频率分布情况和脉冲宽度等特征，因此在雷达信号分类中也具有广泛的应用。
除此之外，目前还有一些新型的特征提取方法出现，例如小波变换、矩法等，这些方法正在不断地发展和完善。
二、雷达信号分类算法在对雷达信号进行特征提取之后，如何对雷达信号进行分类也是一个重要的问题。
当前常见的雷达信号分类算法主要分为以下几种：支持向量机（SVM）算法是近年来广泛应用的一种分类算法，该算法具有较高的分类准确率和较小的计算量。
通过训练样本向量和目标向量的构造，模拟出不同的分类面，从而实现分类的目的。
模糊C均值聚类算法（FCM）算法是一种基于聚类的分类方法。
该算法通过计算隶属度矩阵来实现分类，具有较小的计算量和较好的聚类效果。
朴素贝叶斯分类算法（NBC）是一种基于贝叶斯规则的概率分类方法。
该算法假设各个特征之间不存在关联性，计算样本在各个类别下的概率，从而对样本进行分类。
这些算法各有特点，可以根据具体的应用场景和分类需求来选择合适的算法。
三、雷达信号分类应用作为一种高精度、高可靠的探测手段，雷达信号广泛应用于军事、民用等领域。
雷达图像处理中的特征提取算法
雷达图像处理中的特征提取算法雷达是一种主要用于探测和跟踪目标的电子设备。
雷达探测信号传输距离远、速度快、精度高等优点，因此在现代化战争和民用领域得到广泛应用。
雷达系统要求对采集的信号进行实时处理和分析，以提取目标特征信息。
而特征提取算法是实现这一目标的重要手段之一。
在雷达图像处理中，特征提取算法主要有以下三类：基础特征提取、纹理特征提取和形态学特征提取。
基础特征提取基础特征提取是指从雷达信号中提取目标基本特征的算法，如目标大小、速度等。
其中，最常用的基础特征提取算法是峰值检测。
峰值检测算法利用雷达信号的强度信息，检测出信号中最强的峰值点。
这些峰值点对应着目标反射的最大能量，因此可以用来确定目标的距离和速度等基本特征。
纹理特征提取纹理特征提取是指从雷达图像中提取被测对象纹理信息的算法。
纹理是指物体表面在较小尺度下的结构和规律，通常表现为不规则的暗、亮斑点或其他复杂的形态。
利用不同的纹理特征提取算法，可以实现对不同类型目标的识别和分类。
最常用的纹理特征提取算法是灰度共生矩阵（GLCM）和小波变换。
GLCM算法是一种基于灰度值的局部纹理特征提取方法，通过计算图像像素灰度值之间的共生统计参数，得到目标的材质特征和空间分布特征。
小波变换算法通过将雷达信号分解成不同频率的小波成分，利用小波尺度变化的特性得到相应的纹理信息。
形态学特征提取形态学特征提取是指从雷达信号中提取目标形态信息的算法。
目标形态信息包括目标的大小、形状、边界和几何特性等。
形态学特征提取算法通常基于二值化或灰度图像，利用形态学运算和结构元素对目标形态信息进行分析。
最常用的形态学特征提取算法是边缘检测和区域生长。
边缘检测算法通过检测目标与背景之间的亮度差异或梯度信息，提取目标轮廓和边缘信息。
区域生长算法则通过对像素相似度进行比较、合并相邻像素来实现目标分割和形态信息提取。
总之，特征提取是雷达图像处理中的重要环节，不同特征提取算法各有优缺点，需要根据具体应用场景进行选择。
雷达信号处理中的目标识别与特征提取方法
雷达信号处理中的目标识别与特征提取方法雷达信号处理是一种关键的技术，在许多领域中都有广泛的应用。
目标识别与特征提取是雷达信号处理的重要任务之一。
通过分析雷达接收到的信号，我们可以识别出不同的目标，并提取出与目标相关的特征信息。
本文将介绍雷达信号处理中常用的目标识别与特征提取方法。
一、目标识别方法目标识别是指将雷达接收到的信号与已知目标模型进行比对，从而确定目标的类别。
常用的目标识别方法包括以下几种：1. 信号处理与匹配滤波：匹配滤波是一种经典的目标识别方法。
它利用目标的特征信息构建一个滤波器，将雷达接收到的信号与滤波器进行卷积运算，得到目标的匹配度。
通过设置合适的阈值，即可识别目标。
2. 统计判决方法：统计判决方法利用目标的统计特征进行目标识别。
常用的统计判决方法包括贝叶斯判决、最小距离判决等。
这些方法通过建立目标的统计模型，并根据观测到的信号特征进行判决，从而实现目标的识别。
3. 特征匹配方法：特征匹配方法利用目标的特征信息进行目标识别。
常用的特征匹配方法包括相关匹配、相位匹配等。
这些方法通过计算目标特征之间的相似度，从而确定目标的类别。
特征匹配方法具有较高的准确性和鲁棒性，广泛应用于雷达目标识别中。
二、特征提取方法特征提取是指从雷达接收到的信号中提取出与目标相关的特征信息。
目标的特征信息可以包括目标的形状、尺寸、运动状态等。
常用的特征提取方法包括以下几种：1. 波形特征提取：波形特征提取是从雷达接收到的信号波形中提取出目标的特征信息。
常用的波形特征包括峰值、频率、幅度等。
通过分析这些波形特征，可以识别出目标的一些基本特征。
2. 多普勒频谱特征提取：多普勒频谱特征提取是从雷达接收到的信号的多普勒频谱中提取出目标的特征信息。
通过分析多普勒频谱的幅度、频率等特征，可以识别出目标的运动状态。
3. 极化特征提取：极化特征提取是从雷达接收到的信号的极化信息中提取出目标的特征信息。
雷达信号的极化信息包括目标的极化散射矩阵等。
雷达天气探测中的信号特征提取技术研究
雷达天气探测中的信号特征提取技术研究雷达技术作为天气探测、航空导航等领域的重要工具，其信号处理技术的发展使得雷达系统在这些领域有了更为广泛的应用。
在雷达天气探测中，从接收到的雷达信号中提取有用的天气信息是非常关键的工作，本文将从信号特征提取技术的角度对此进行探讨。
首先，为了了解雷达信号的特点，我们需要知道雷达信号的传播方式。
雷达信号是从雷达天线发射出去，经过传播后被接收到，最后经过信号处理后得到目标信息。
雷达信号在传播途中会受到许多的噪声干扰，其中最主要的是气象干扰和地物回波。
因此，在信号处理中，需要对这些干扰进行有效的抑制，从而提取出目标信号。
信号特征提取技术是指从原始信号中提取出一些与所关心的目标信息相关的特征，以实现信号分类、识别和目标定位等目的。
在雷达天气探测中，信号特征提取技术主要有以下两种：一、时域特征提取技术时域特征是指形成雷达信号的时域波形及其所包含的幅值、升降时间、脉冲宽度等一系列与时间相关的参数。
时域特征在雷达天气探测中的应用比较广泛，其中最常用的是脉冲重复频率（PRF）、脉冲宽度和脉冲幅度。
以雷达天气探测中的降雨检测为例，可以通过分析雷达信号的脉冲重复频率和脉冲宽度，来确定雷达信号中是否存在降雨目标，以及估计降雨的强度和分布情况。
二、频域特征提取技术频域特征是指信号在频域上的表现形式，主要包括功率谱密度、频谱带宽、频率分辨率等参数。
在雷达天气探测中，最常用的频域特征是功率谱密度，它是通过对雷达信号进行快速傅里叶变换（FFT）得到的。
通过分析功率谱密度，可以确定目标在雷达信号中的频率分布，判断目标的性质以及估计目标的距离和速度等参数。
除了常规的时域和频域特征提取技术，还有许多其他的信号特征提取技术，例如小波变换、奇异值分解等。
这些技术在信号处理领域也有广泛的应用。
为了进一步提高雷达天气探测的准确性和稳定性，需要通过不断地研究和改进信号特征提取技术来完善雷达系统。
近年来，一些新的特征提取技术被引入到雷达天气探测中，如多尺度分析技术和稀疏表示技术等，这些技术可以提高雷达信号的分辨率和抗噪能力，从而更好地实现天气探测的任务。
雷达目标识别中的特征提取方法研究
雷达目标识别中的特征提取方法研究雷达目标识别是现代军事技术中非常重要的一项技术。
在军事作战中，快速、准确地识别目标是保证战斗胜利的重要保障。
而特征提取是实现雷达目标识别的关键技术之一。
本文将探讨雷达目标识别中的特征提取方法研究。
一、背景介绍雷达目标识别是通过雷达探测到目标的反射信号，来识别目标的种类、型号以及运动状态等信息。
而雷达目标的反射信号是受到目标物体的形状、大小、材料、方向等因素的影响。
不同种类的目标的反射信号具有不同的特征，因此，通过特征提取，可以有效地识别目标。
目前，针对雷达目标识别，有多种特征提取方法，如基于时频特征、基于极化特征、基于散射特征、基于光学特征等。
下面，将分别介绍这几种方法。
二、基于时频特征的特征提取方法时频分析是信号处理中一个重要的分析方法。
在雷达目标识别中，时频特征提取方法被广泛应用。
时频分析可以将信号在时域和频域上同时分析，找出信号瞬时频率随时间的变化规律，从而提取出时频特征。
常用的时频特征提取方法包括短时傅里叶变换、小波变换、Wigner-Ville分布等。
其中，小波变换是一种基于多尺度分析的方法，可以提取出信号的时间-频率微观结构信息，具有较好的特征提取效果。
同时，小波变换可以通过选取不同的小波函数来适应不同种类的雷达目标。
三、基于极化特征的特征提取方法极化雷达是一种基于微波的雷达系统，利用极化信息来探测和区分不同雷达目标。
在极化雷达中，天线的发射和接收极化状态可以反映目标的极化特征。
基于极化特征的特征提取方法主要利用雷达信号在不同极化状态下的差异，提取出极化特征信息。
常用的极化特征包括极化反射系数、极化损耗、极化旋转、极化相位等。
通过分析不同极化特征之间的关系，可以识别目标的种类以及表面属性等信息。
四、基于散射特征的特征提取方法雷达信号在目标表面反射和散射时，会产生不同的散射特征。
基于这些散射特征，可以提取出目标的散射信息，从而识别目标。
常用的散射特征包括雷达散射截面、散射模型、相干散射矩阵等。
雷达遥感图像分类与解译方法要点与案例分析
雷达遥感图像分类与解译方法要点与案例分析雷达遥感图像分类与解译是一种通过分析和识别雷达遥感图像中的目标信息，以实现对地面目标进行分类和解读的技术手段。
随着遥感技术的发展和应用的广泛，雷达遥感图像在军事、环保、农业等领域起到了重要的作用，成为了遥感图像处理的重要手段之一。
一、雷达遥感图像分类的方法要点1. 特征提取：雷达遥感图像中包含了大量的信息，特征提取是分类与解译的关键一步。
常用的特征包括辐射特征、散射特征和纹理特征等。
辐射特征主要是指雷达回波信号的强度信息，散射特征则是指雷达回波信号的极化特性，纹理特征主要是指雷达回波信号的空间分布特征。
通过提取这些特征，可以准确描述地面目标，并为后续的分类与解译提供依据。
2. 分类算法：分类算法是雷达遥感图像分类与解译的核心。
常见的分类算法包括最大似然法、支持向量机、人工神经网络等。
最大似然法是一种常用的统计分类方法，通过对样本数据的统计分析，建立各个类别的统计模型，从而实现对未知样本的分类。
支持向量机是一种基于统计学习理论的分类方法，通过构造一个最优的超平面，将不同类别的样本分开。
人工神经网络是一种模拟人脑神经系统的计算模型，通过对神经元之间的连接和激活状态进行调整，实现对样本的分类。
3. 数据预处理：由于雷达遥感图像中存在噪声和遮挡等问题，因此在进行分类与解译前，需要对数据进行一定的预处理。
预处理的主要内容包括去除噪声、减少遮挡、增强对比度等。
通过这些预处理手段，可以提高雷达遥感图像的质量，从而提高分类与解译的准确性。
二、雷达遥感图像分类与解译的案例分析以农业领域为例，雷达遥感图像分类与解译可以应用于农作物监测、病虫害预警等方面。
通过对农田的雷达遥感图像进行分类与解译，可以实现农作物的生长情况监测和病虫害的早期预警。
在农作物监测方面，通过提取雷达遥感图像中的辐射特征和纹理特征，可以对不同类型的农作物进行识别和分类。
通过对农作物的生长状况进行监测，可以实时了解农作物的生长情况和产量情况，为农业生产提供科学依据。
浅谈雷达辐射源信号识别
浅谈雷达辐射源信号识别张奇雯刘忠义杨泽刚（海军潜艇学院山东青岛266071）[摘要]介绍雷达辐射源信号识别的过程，概述和分析国内外雷达辐射源识别研究的现状，阐述雷达辐射源信号识别方法，指出雷达辐射源信号识别的发展趋势。
[关键词]雷达辐射源识别特征参数匹配人工智能脉内分析中图分类号：TN 95文献标识码：A 文章编号：1671－7597（2009）0920009－01一、雷达辐射源信号识别过程（四）数据融合识别法从21世纪初期开始，研究人员提出了多传感器探测雷达辐射源信息，雷达辐射源信号识别主要通过对信号的到达方向、工作频率、脉冲调然后通过相应的融合规则得出合理的融合结果，减少由于单传感器进行识别制参数、天线扫描方式、频域和时域波形、功率等参数的分析，从而确定准确率低、不确定性程度大的问题。
与单传感器相比，基于多传感器的雷达雷达辐射源的体制、用途、威胁等级、载体平台，为上级决策机构提供情辐射源信号的识别显然能有效提高正确识别率。
在多传感器数据进行融合报支持。
雷达侦察接收机接收到的雷达辐射源信号是密集交错的脉冲流，时，用D S 证据理论构建识别框架进行融合，能降低单传感器的不确定性。
这些脉冲流经过分选和两次特征提取后，才能把从众多的雷达信号中分选三、结论出某部雷达的信号。
经过分选的雷达辐射源信号，提取的特征构成了脉冲描述字，主要包括脉冲到达时间、脉冲到达角、脉冲载频、脉冲幅度、脉特征参数匹配法最大的优点就是查询简单、比较速度快，但缺点是不冲宽度等。
在此基础上，经过多次测量和分析，方可获得脉冲的其他特征能对知识进行学习，不具备识别未知类型的辐射源信号，更谈不上对未知参数：脉冲重复间隔、天线扫描周期。
有了这些特征参数，雷达辐射源信信号的分类处理。
专家系统识别法结合辐射源信号的特征，用专家知识对号识别就变成了一个模式识别的问题。
信号类型进行分析处理，运用推理的方式得出识别结果。
但专家系统的缺二、雷达辐射源信号识别方法点是不能并行协同工作。
雷达信号处理中的特征提取与分类研究
雷达信号处理中的特征提取与分类研究雷达信号处理是一项重要的技术，广泛应用于军事、航空、航天、气象、地质勘探等领域。
在雷达系统中，特征提取和分类是实现目标检测与识别的关键步骤。
本文将围绕雷达信号处理中的特征提取与分类展开研究讨论。
一、特征提取的意义与方法特征提取是将原始的雷达信号转换为一组有意义的特征参数的过程。
通过特征提取可以将复杂的信号转换为容易理解和分析的形式，为后续的分类和识别提供基础。
特征提取的关键是选择合适的特征参数，以准确地描述目标的特性。
在雷达信号处理中，常用的特征提取方法包括时域分析、频域分析和小波分析等。
时域分析通过分析信号的幅度、周期性和时长等特征来描述信号的动态行为。
频域分析则研究信号的频率成分，采用傅里叶变换和功率谱密度分析等方法。
小波分析则能够同时提取信号的时频信息，对非平稳信号更具优势。
二、特征提取的关键技术与应用1. 自适应滤波自适应滤波是一种能自动调整滤波器响应以适应动态环境的方法。
在雷达信号处理中，自适应滤波被广泛应用于抑制干扰和杂波，提高目标检测的性能。
自适应滤波的核心是通过建立自适应滤波器模型，并通过迭代算法对滤波器的权值进行自适应调整。
2. 波形设计波形设计是通过设计发送信号的时频属性，从而实现对特定目标的有效识别。
常见的波形设计方法包括脉冲压缩、渐进相位编码和连续波相位编码等。
通过优化波形设计可以提高雷达信号的抗干扰能力和探测性能。
3. 多普勒处理多普勒处理是指对雷达接收到的多普勒频移信号进行分析和处理。
多普勒频移是由于目标相对雷达运动而引起的频率偏移。
通过多普勒处理可以获得目标的速度、距离和运动状态等信息，对于目标分类和运动估计具有重要作用。
三、雷达信号分类的方法与应用雷达信号分类是指将接收到的雷达信号归入不同的类别，以实现目标的自动识别和区分。
雷达信号分类的任务非常复杂，需要综合利用多种特征参数和分类方法。
常见的雷达信号分类方法包括模式识别、神经网络、支持向量机和深度学习等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
浅谈雷达辐射信号分类识别与特征提取
作者：李梓瑞
来源：《科技传播》2017年第03期
摘要为了研究雷达信号提取和分类识别问题，军事自动化控制和指挥系统的强烈需求是雷达辐射源的有效分类识别。
在现代雷达体制下，针对复杂信号的低截获特性，提出了一种新的分类识别方法，以提高雷达辐射源信号的个体识别率。
信号脉冲无意调制特征的信号各频带能量可以由小波包变换提取反应，通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真。
仿真结果证明，这样做有利于提高识别效率，证明其方法的有效性和可行性，且性能优于传统方法。
关键词雷达辐射信号；小波包；混合核函数；雷达辐射源；分类识别
中图分类号 TN95 文献标识码 A 文章编号 1674-6708（2017）180-0028-02
雷达最初是军事侦察的一种遥测系统，用于目标的检测、定位与测距。
随着雷达技术的发展，它已广泛应用于生产生活的各个方面，尽管如此，如何从雷达提供的数据中识别所检测的目标一直没有解决。
在复杂多变的现代电子战对抗环境下，雷达辐射源信号识别不仅可以用于电子侦察，还可以作为判断敌方武器威胁的依据，在雷达对抗过程乃至整个电子战中都做出了巨大贡献。
随着时代的发展，现代社会对于信号识别方法的要求越来越高，顺应时代发展与社会需求，研究并探讨脉内无意调制UMOP的特征，探索理恰当的信号识别方法。
现代战争中，雷达是取得军事优势的重要装备。
雷达侦察作为雷达对抗的主要内容之一，在掌握敌方雷达类型、功能，甚至获知敌方兵种和武器部署中已成为各级指挥员的“眼睛”和“耳朵”。
雷达辐射源信号的识别在雷达侦察信号处理系统中是最重要、最关键的环节。
因此，现阶段衡量雷达对抗设备主要技术水平的重要标志就是识别雷达辐射源信号水平的高低。
随着雷达的广泛应用和雷达电子对抗激烈程度的不断加剧，在高密度、高复杂波形、宽频谱捷变的雷达信号环境中，传统的雷达辐射源信号识别方法已无法满足现代社会的需要。
因此，国内外各大学者就这一研究领域做了一系列系统深入的研究，其中绝大部分是对雷达辐射源的信号特征的研究，都在尝试探寻新的特征提取方法，期待着能发现新特征参数，从而弥补传统五参数（脉冲宽度、脉冲幅度、载频、脉冲到达时问、脉冲到达方向）的缺陷，目前提出的新特征已有数十种。
但面对数量如此众多的雷达辐射源信号新特征，其效能如何，如何甑选是目前重要又迫切需要解决的一个难题。
雷达辐射源信号分选既是现代高技术战争以及未来信息化战争极为重要的环节，也是电子对抗、网络中心战中感知和多模复合制导当中被动雷达寻找器的关键技术，还是电子情报侦查系统以及电子支援系统当中的重要技术。
现如今，雷达的低截获概率技术、多参数捷变以及脉
内波形变换等技术的迅速发展，多种抗干扰技术以及各种工作体制的综合应用为特征的新的雷达信号环境，对于雷达信号分选提出了严峻挑战。
信号频带特征优于传统分类特征之处，在于其能通过小波包变换提取的信号准确反映UMOP特征，进而准确识别雷达辐射源个体信号。
混合核函数支持向量积与传统支持向量机存在较强的学习能力和泛化能力的共同优势，但前者具备更好的分类能力
1 关于不同类型UMOP特征
1.1 杂散输出
在雷达信号输出的过程当中，也会输出很多杂散信号。
为了非线性设备可以顺利运行，频率合成器会生成大量的杂散频率分量。
1.2 脉冲包络
由于分布电容和引线电感，以及工作电压和电流不断变化等一些无法避免的因素的干扰，而脉冲调制器的输出包络无法形成理想状况下有稳定频率的矩形。
脉冲调制器是雷达系统的关键设备，同一脉冲调制器可产生唯一的、稳定的脉冲包络。
1.3 频率漂移
因受到标准频率和输出频率与发射的过程、发射机使用年限以及温度差异等诸多因素都会干扰脉冲频率并使其改变。
同一雷达工作时采用不同的频率，输出功率会因为工作频率的发生的变化而变化，但相对偏差是一定的。
而个体雷达信号识别的UMOP特征是唯一且固定的频率漂移。
运用的滤波器不同，能够使设备与耦合电路形成的稳定且唯一的杂散信号有效降低。
笔者认为，频率漂移、脉冲包络以及杂散输出都属于UMOP特性。
由上可知，UMOP特性包括脉冲包络、频率漂移和杂散输出。
2 如何使算法得以实现
伴随社会发展，雷达的有意调制方式也日益增多，调制方式的不同，其调制参数也是各不相同。
因有意调制所具备的多样化特征可以使用不同的调制参数使得UMOP也呈现出多样化的特征。
在预处理过程中完成，将有意调制方式进行相应地分类、归一化，并对相同波形以及相同参数的同个雷达发射器雷达辐射源的个体进行逐个识别，并通过小波变换与分解双向选择最终提取出具体的特征。
混合核函数支持向量机可以实现雷达辐射源个体分类识别。
2.1 预处理
雷达辐射源个体识别的基础就是调制方式识别。
归一化可以简化识别过程，避免参数的影响，是雷达辐射源识别极其关键的一个步骤。
同一调制类型脉冲，要对幅度、时间、频率归一化，可以避免发生雷达辐射源个体识别受到信号幅度延迟和频率影响的这一现象。
归一化的整个过程是一致的，从而使得雷达辐射源个体识别不会受到参数估计误差的影响。
2.2 小波包变换
目前，小波变换延伸方法在信号特征提取方面得到了广泛的应用。
为了实现信号的多分辨分析，可以通过小波变换，分解信号使之成为两部分，即高频与低频。
再将低频部分进行再一次分辨，如此反复，便可做到。
所谓的，小波变换延伸则被称之为离散小波变换，所谓的信号离散逼近被称之为低频部分，而所谓的离散细节则被称之为高频部分。
2.3 分析混合核函数的支持向量机
SVM在函数拟合时表现出的效果非常好。
SVM一旦选取核函数，SVM的诸多特性则取决于核函数的类型。
SVM所用核函数决定了它的非线性水平。
核函数，是在满足Mecer条件的基础上，由局部和全局两部分核函数共同组建而成。
径向核函数属于较为典型的局部核函数，而多项式核函数则隶属于较为典型的全局核函数。
从学习能力方面来看，学习能力较强的是局部性核函数，而学习能力较弱的是全局性核函数；从泛化性能方面来说，局部性核函数泛化性能较弱，而全局性核函数泛化性强。
因此把这两类核函数混合起来，验证混合核函数能否取两者的优点，从促进识别率得到较为显著的提升。
就雷达辐射源信号方面来讲，将分类能力较强的频带能量特征提取出来，并将其优化可使其有效地支持向量机，在同等实验条件的基础上，在分类识别雷达辐射源信号方面，是不是会比传统识别方法的效果更加理想，需要在仿真实验的基础上来进行验证。
3 对仿真进行分析
在同等的实验条件下，科学地分类识别三种低截获脉冲雷达所发射的正弦波个体信号，结果显示不同雷达会产生不同的包络以及400个脉冲的偏移频率，但这众多的包络和偏移频率的相同之处却极多。
因此，我们也发现条件同等的基础上相位噪声与杂散输出间产生的UMOP 特征是相同的。
4 结论
就全文而言，雷达辐射源个体主要由小波包变换和混合核函数支持向量机识别，由仿真结果不难看出该方法确实是优于传统的识别方法的，识别率得到了显著提升。
对于不同样本，运用不同小波滤波器获取的识别率也是比较稳定的。
因此，若在军事指挥控制系统当中运用此法，其实用性是较强的，值得大范围内推广应用。
参考文献
[1]刘洛琨，昆英，许家栋.一种带有二次调制信号的调制识别算法与仿真[J].计算机仿真，2008，25（1）：74-76，125.
[2]崔建国，李一波，李忠海.基于小波包与支持向量机的复杂信号模式识别[J].数据采集与处理，2008，23（2）：163-167.
[3]褚建明.中职计算机专业实践教学问题与对策研究[J].内蒙古教育：职教版，2016
（1）：45-46.
[4]向海飞.雷达地物回波统计特征参数提取与成像方法研究[D].成都：电子科技大学，2012.。