孟祥航，楊 巍，邢 強(qiáng)

（1.航天工程大學(xué)，北京101416；2.中國(guó)人民解放軍66389部隊(duì)，陜西 西安761000）

0 引言

傳統(tǒng)雷達(dá)對(duì)抗過(guò)程中，情報(bào)分析人員從雷達(dá)輻射的電磁信號(hào)中獲取雷達(dá)參數(shù)信息并與電子情報(bào)數(shù)據(jù)庫(kù)進(jìn)行關(guān)聯(lián)操作，如果電子情報(bào)數(shù)據(jù)存有該部雷達(dá)信息，則干擾系統(tǒng)選擇對(duì)應(yīng)的干擾樣式對(duì)威脅目標(biāo)實(shí)施干擾；如果電子情報(bào)數(shù)據(jù)庫(kù)中未存有該部雷達(dá)信息，則情報(bào)偵察系統(tǒng)將未關(guān)聯(lián)的雷達(dá)信息進(jìn)行存儲(chǔ)，經(jīng)過(guò)分析與處理，研究相應(yīng)干擾方式，這一過(guò)程少則數(shù)天，多則數(shù)月，最佳有效對(duì)抗時(shí)間早已失去。

隨著雷達(dá)技術(shù)的不斷發(fā)展，雷達(dá)已經(jīng)從固定工作模式發(fā)展到可以根據(jù)任務(wù)需求與工作環(huán)境靈活改變工作參數(shù)的多工作模式［1－3］，傳統(tǒng)干擾方式一般只能針對(duì)某種體制的雷達(dá)，對(duì)于靈活多變的多功能雷達(dá)，就會(huì)面臨上述干擾實(shí)時(shí)性不足的問(wèn)題，另外還有：復(fù)雜電磁環(huán)境對(duì)雷達(dá)情報(bào)的偵察、獲取以及分析提出挑戰(zhàn)；雷達(dá)技術(shù)的發(fā)展，使得雷達(dá)趨于智能化，其抗干擾能力增強(qiáng)等問(wèn)題。在此背景下，認(rèn)知電子戰(zhàn)（CEW）應(yīng)運(yùn)而生并迅速發(fā)展［4－6］，這是認(rèn)知理論與現(xiàn)代電子相結(jié)合的產(chǎn)物。

對(duì)于提高電子戰(zhàn)的靈活性與智能化水平，早在上世紀(jì)70～80年代有專(zhuān)家把人工智能技術(shù)應(yīng)用到電子戰(zhàn)中［7］，其后該項(xiàng)應(yīng)用卻少有人問(wèn)津。直到2010年，美國(guó)DARPA相繼發(fā)布BLADE、CommEx、ARC等項(xiàng)目公告［8－11］，機(jī)器學(xué)習(xí)在電子戰(zhàn)中的應(yīng)用才得以快速發(fā)展。對(duì)此，文獻(xiàn)［12］引入認(rèn)知技術(shù)，提出了基于Q-學(xué)習(xí)算法的認(rèn)知雷達(dá)對(duì)抗過(guò)程設(shè)計(jì)，使得干擾更具有主動(dòng)性、針對(duì)性與自適應(yīng)性。文獻(xiàn)［13-18］針對(duì)干擾樣式的選擇問(wèn)題，運(yùn)用不同準(zhǔn)則研究了基于博弈論的干擾樣式選擇方法，上述文獻(xiàn)基于充分的先驗(yàn)知識(shí)，建立雷達(dá)干擾－抗干擾對(duì)策矩陣，實(shí)戰(zhàn)中雙方的對(duì)抗策略是相互未知的，獲取對(duì)策矩陣較困難。文獻(xiàn)［19］提出基于干擾方的干擾效果評(píng)估修正干擾知識(shí)庫(kù)的干擾決策系統(tǒng)，該系統(tǒng)需構(gòu)建參數(shù)庫(kù)與知識(shí)庫(kù)兩部分，結(jié)構(gòu)較復(fù)雜?；诖?，本文提出一種基于干擾規(guī)則庫(kù)的智能化雷達(dá)干擾樣式選擇方法，通過(guò)構(gòu)建包含雷達(dá)參數(shù)與干擾效果評(píng)估的干擾規(guī)則庫(kù)，標(biāo)記干擾標(biāo)簽，動(dòng)態(tài)更新干擾規(guī)則庫(kù)，形成接收-干擾-評(píng)估-反饋的閉環(huán)回路模型，經(jīng)過(guò)支持向量機(jī)（SVM）訓(xùn)練學(xué)習(xí)進(jìn)行智能干擾樣式選擇，這將對(duì)于研究具有智能化特征的干擾系統(tǒng)與實(shí)現(xiàn)技術(shù)具有一定的理論指導(dǎo)意義。

1 干擾規(guī)則庫(kù)構(gòu)建

雷達(dá)信號(hào)常規(guī)脈間參數(shù)主要包括PRF、CF、PW、PA、AOA，其中PA容易受雷達(dá)信號(hào)功率、多徑效應(yīng)以及天線掃描周期的等因素的影響，偵收的參數(shù)誤差較大；AOA在機(jī)載電子偵察系統(tǒng)，受搭載平臺(tái)運(yùn)動(dòng)狀態(tài)影響巨大，因此文中不考慮PA、AOA參數(shù)，僅選用PRF、CF、PW作為脈間識(shí)別特征。隨著輻射源數(shù)量的增加以及多功能雷達(dá)信號(hào)參數(shù)的靈活多變，各雷達(dá)信號(hào)參數(shù)存在交疊，因此僅利用上述常規(guī)脈間參數(shù)構(gòu)建干擾規(guī)則庫(kù)，無(wú)法充分輔助雷達(dá)干擾樣式的選擇，針對(duì)該問(wèn)題，分別從脈間和脈內(nèi)兩個(gè)方面選擇合適的特征來(lái)構(gòu)建干擾規(guī)則庫(kù)。

目前，研究雷達(dá)信號(hào)脈內(nèi)特征的方法也有多種，主要包 括 相 像 系 數(shù) （Cr）［20］、時(shí) 頻 分 析、盒 維 數(shù)（BoxD）［21］、稀疏性［22］等，其中，盒維數(shù)能定量描述分形集的復(fù)雜性和不規(guī)則性，反映分形集的幾何尺度情況，相像系數(shù)表征的是兩信號(hào)的整體差異程度，具有不同脈內(nèi)調(diào)制規(guī)律的雷達(dá)輻射源脈沖信號(hào)的頻譜形狀存在較大差異。盒維數(shù)與頻譜相像系數(shù)較其它特征計(jì)算簡(jiǎn)單、更易于提取與工程實(shí)現(xiàn)，且能反應(yīng)信號(hào)的脈內(nèi)特征，因此選擇盒維數(shù)與相像系數(shù)作為表征信號(hào)脈內(nèi)特征的參數(shù)。綜合脈間脈內(nèi)特征，干擾規(guī)則庫(kù)所采樣的特征集為｛PRF、CF、PW、Cr、BoxD｝。

論文選取機(jī)載多功能火控雷達(dá)空－空對(duì)抗場(chǎng)景，按照上述分析，參考雷達(dá)手冊(cè)［23］與機(jī)載雷達(dá)手冊(cè)［24］，模擬選擇8種雷達(dá)常用工作模式進(jìn)行參數(shù)設(shè)置，構(gòu)建如表1所示的干擾規(guī)則庫(kù)。其中，模式2中PRF與CF對(duì)應(yīng)聯(lián)合變化，骨架周期為20個(gè)脈沖，每個(gè)CF點(diǎn)對(duì)應(yīng)一個(gè)PRI值及4個(gè)脈沖；模式3與模式4每個(gè)CF點(diǎn)對(duì)應(yīng)一組PRF值，其中模式4的PRF與CF每循環(huán)一次變換一次PW，骨架周期分別為6個(gè)脈沖、24個(gè)脈沖；模式5分兩組，兩組脈沖同時(shí)存在，每?jī)蓚€(gè)CF點(diǎn)對(duì)應(yīng)一組PRF值，一組PRF點(diǎn)2個(gè)脈沖，兩組的骨架周期均為4個(gè)脈沖。由于其工作模式及脈沖數(shù)據(jù)量較少，該場(chǎng)景下構(gòu)建干擾規(guī)則屬于小樣本數(shù)據(jù)量的干擾規(guī)則庫(kù)。

表1 干擾規(guī)則庫(kù)

表中利用數(shù)字代表PRF、CF、PW以及脈內(nèi)調(diào)制類(lèi)型，具體地：PRF：1-固定，2-參差，3-組變，4-抖動(dòng)，5-滑變；CF：1-固定，2-捷變，3-組變，4-跳變；PW：1-固定，2-多脈寬組合，3-抖動(dòng)；調(diào)制類(lèi)型：1-單載頻脈沖，2-LFM，3-NLFM（V 調(diào)頻），4-BPSK，5-LFM-BPSK；工作模式：1-速度搜索，2-目標(biāo)跟蹤邊，3-邊搜索邊測(cè)距，4-掃描邊跟蹤，5-搜索加跟蹤，6-非合作目標(biāo)識(shí)別，7-空中數(shù)據(jù)鏈，8-制導(dǎo)。標(biāo)簽1-9表示對(duì)應(yīng)干擾樣式。

2 干擾樣式選擇自學(xué)習(xí)模型

2.1 支持向量機(jī)

支持向量機(jī)（SVM）能較好地解決小樣本、非線性、高維數(shù)和局部極值點(diǎn)等實(shí)際問(wèn)題，因構(gòu)建干擾規(guī)則庫(kù)為小樣本數(shù)據(jù)庫(kù)，因此提出基于SVM的小樣本干擾規(guī)則庫(kù)雷達(dá)干擾樣式選擇方法。SVM從解決線性可分的二分類(lèi)問(wèn)題發(fā)展而來(lái)，然后逐步過(guò)渡到非線性問(wèn)題和多分類(lèi)問(wèn)題。其主要思想可以總結(jié)為：給定訓(xùn)練樣本，支持向量機(jī)建立一個(gè)高維特征空間中的最優(yōu)超平面把兩類(lèi)樣本以最大隔離距離分開(kāi)。

對(duì)線性可分?jǐn)?shù)據(jù)，設(shè)訓(xùn)練樣本集為 （x1，y1），（x2，y2），…，（xN，yN），其中xi表示第i個(gè)樣本，yi是對(duì)應(yīng)的目標(biāo)輸出，由yi＝＋1代表的類(lèi)別和yi＝－1代表的類(lèi)別是線性可分的。則用于分類(lèi)的超平面形式的決策曲面方程是：ωTx－t＝0，其中ω 是可調(diào)的權(quán)值向量，x是輸入向量，t是偏置。對(duì)于給定的ω和t，由定義的超平面和最近的數(shù)據(jù)點(diǎn)之間的距離被稱(chēng)為分類(lèi)間隔，用m 表示，習(xí)慣上將m取為1。支持向量機(jī)的目標(biāo)是找到使分類(lèi)間隔最大的超平面，這種條件下的決策曲面成為最優(yōu)超平面。

樣本空間中任意一點(diǎn)x到超平面的距離可表示為：r＝1／‖ω‖，兩類(lèi)樣本的分類(lèi)間隔為：ρ＝2／‖ω‖ 。

那么，求解最優(yōu)超平面的問(wèn)題就轉(zhuǎn)化為下列優(yōu)化問(wèn)題：

使分類(lèi)間隔最大等價(jià)于最小化‖ω‖。將上述優(yōu)化問(wèn)題轉(zhuǎn)化成有約束的二次優(yōu)化問(wèn)題：

對(duì)線性不可分?jǐn)?shù)據(jù)，為每個(gè)樣本引入松弛變量（slack variable）ξi，使部分訓(xùn)練樣本可以位于間隔之內(nèi)甚至是決策面另一側(cè)。

并將所有松弛變量之和添加到目標(biāo)函數(shù)中，形成軟間隔優(yōu)化問(wèn)題：

式中，C＞0稱(chēng)為懲罰參數(shù)：C較大意味著將加大對(duì)間隔誤差的懲罰力度，較小則表示對(duì)間隔誤差有較大的容忍度（可能包含錯(cuò)分類(lèi)），以獲得一個(gè)較大的間隔。

對(duì)于非線性分類(lèi)問(wèn)題，SVM通過(guò)非線性變換將輸入空間映射到特征空間，輸入空間的非線性問(wèn)題就轉(zhuǎn)化為特征空間的線性問(wèn)題。特征空間一般是高維甚至是無(wú)窮維的，因此在特征空間進(jìn)行向量計(jì)算會(huì)造成“維數(shù)災(zāi)難”。目標(biāo)函數(shù)和決策函數(shù)都只涉及特征向量之間的內(nèi)積運(yùn)算，輸入空間中的內(nèi)積xTixj經(jīng)過(guò)非線性映射Φ就變?yōu)樘卣骺臻g中的內(nèi)積Φ（xi）Φ（xj）。直接計(jì)算Φ（xi）Φ（xj）比較困難，通過(guò)定義核函數(shù)K（xi，xj）＝Φ（xi）Φ（xj）而不顯式地定義映射Φ 便可以在低維輸入空間實(shí)現(xiàn)高維空間中的內(nèi)積運(yùn)算［25］，避免了“維數(shù)災(zāi)難”問(wèn)題。

在支持向量機(jī)中，只要選用滿足Mercer條件［26］的核函數(shù)K（xi，xj），便可以將非線性問(wèn)題映射到高維特征空間進(jìn)行線性分類(lèi)。常用的核函數(shù)有線性核函數(shù)、徑向基核函數(shù)、多項(xiàng)式核函數(shù)、感知機(jī)核函數(shù)等。

對(duì)于多分類(lèi)問(wèn)題，通過(guò)組合多個(gè)SVM解決。主要有一對(duì)一（OAO）、一對(duì)多（OAA）、二叉樹(shù)結(jié)構(gòu)（BTA）等方法。

2.2 干擾樣式選擇模型

通過(guò)分析可知，支持向量機(jī)在訓(xùn)練時(shí)，選擇具有最大間隔的超平面，將不同雷達(dá)數(shù)據(jù)標(biāo)記為相應(yīng)的干擾標(biāo)簽，即選擇該干擾樣式，在滿足決策要求的情況下，具有最高的泛化能力，尋找最優(yōu)超平面轉(zhuǎn)化為二次尋優(yōu)問(wèn)題，從理論上得到了全局最優(yōu)解。將SVM作為干擾樣式選擇器，利用干擾規(guī)則庫(kù)樣本進(jìn)行訓(xùn)練，根據(jù)學(xué)習(xí)到的模型對(duì)截獲的信號(hào)選擇相應(yīng)的干擾樣式，模型如圖1所示。

圖1 基于SVM的干擾樣式選擇模型

模型分析如下：

1）利用先驗(yàn)知識(shí)，進(jìn)行特征提取構(gòu)建干擾規(guī)則庫(kù)，生成訓(xùn)練數(shù)據(jù)；

2）歸一化特征向量，雷達(dá)信號(hào)各維數(shù)參數(shù)量綱不同，不同維數(shù)參數(shù)差異較大，需做歸一化處理；

3）對(duì)干擾規(guī)則庫(kù)待訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練；

4）提取偵收目標(biāo)數(shù)據(jù)特征，輸入干擾效果評(píng)估模塊；

5）利用提取的目標(biāo)數(shù)據(jù)特征信息，生成待干擾數(shù)據(jù)；

6）待干擾目標(biāo)數(shù)據(jù)輸入訓(xùn)練好支持向量機(jī)進(jìn)行干擾樣式選擇；

7）輸出干擾樣式；

8）實(shí)施干擾后，再次偵收目標(biāo)信息提取特征后輸入干擾效果評(píng)估模塊，利用文獻(xiàn)［26］方法進(jìn)行干擾效果評(píng)估；

9）干擾效果評(píng)估結(jié)果更新干擾規(guī)則庫(kù)。

3 實(shí)驗(yàn)與分析

為驗(yàn)證所提方法的有效性，本節(jié)針對(duì)SVM不同核函數(shù)的性能、參數(shù)設(shè)置及不同干擾樣式選擇方法開(kāi)展實(shí)驗(yàn)，訓(xùn)練數(shù)據(jù)為第1節(jié)構(gòu)建干擾規(guī)則庫(kù)式的數(shù)據(jù)，測(cè)試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)引入偏離誤差［27］之后的數(shù)據(jù)，通過(guò)引入不同偏離誤差的測(cè)試數(shù)據(jù)，模擬不同誤差條件下的實(shí)驗(yàn)，e代表誤差，x表示無(wú)誤差數(shù)據(jù)。

實(shí)驗(yàn)1：核函數(shù)實(shí)驗(yàn)

因設(shè)置場(chǎng)景為空-空對(duì)抗機(jī)載多功能火控雷達(dá)，多工作于X波段，在一定工作模式下重頻、載頻等參數(shù)一般在較小的范圍內(nèi)變化，因此對(duì)測(cè)試樣本添加0%～20%之間的誤差，每間隔2%進(jìn)行一次測(cè)試實(shí)驗(yàn)，每次測(cè)試進(jìn)行100次蒙特卡羅實(shí)驗(yàn)求解在利用當(dāng)前核函數(shù)，添加一定誤差條件下干擾樣式選擇正確率的平均值。不同核函數(shù)及不同誤差水平條件下，干擾樣式選擇測(cè)試結(jié)果如表2所示。

表2 基于核函數(shù)的SVM干擾樣式選擇結(jié)果

從表2中可以看出，當(dāng)前實(shí)驗(yàn)條件下基于不同核函數(shù)的SVM對(duì)不同工作模式的干擾樣式選擇正確率均值均在85.59%以上，其中采用RBF核函數(shù)的SVM干擾樣式選擇正確率均值最高為98.34%，在誤差小于等于4%時(shí)能保持100%的干擾樣式選擇正確率，這是因?yàn)镽BF核函數(shù)為指數(shù)型函數(shù)，在輸入空間用RBF核函數(shù)映射到高維空間實(shí)現(xiàn)內(nèi)積運(yùn)算時(shí)特征變化更快，更容易實(shí)現(xiàn)干擾樣式標(biāo)簽的標(biāo)記，即干擾樣式選擇的正確率更高，且100次蒙特卡洛實(shí)驗(yàn)中基于干擾規(guī)則庫(kù)的干擾樣式選擇時(shí)間平均每次在10e1ms量級(jí)，一定程度上解決了針對(duì)未知雷達(dá)威脅研究干擾樣式需要花費(fèi)數(shù)天甚至數(shù)月時(shí)間的問(wèn)題。

基于不同核函數(shù)的SVM小樣本干擾規(guī)則庫(kù)干擾樣式選擇正確隨誤差變化趨勢(shì)如圖2所示。

從表2及圖2可以看出，基于RBF、polynomial核函數(shù)的SVM干擾樣式選擇正確率及時(shí)效性均優(yōu)于liner與sigmoid，其中polynomial核函數(shù)性能隨誤差增加下降快，受誤差影響大，RBF核函數(shù)具有好的時(shí)效性、魯棒性及高的干擾樣式選擇正確率，因此選擇RBF作為核函數(shù)進(jìn)行后續(xù)研究。

實(shí)驗(yàn)2：參數(shù)選擇實(shí)驗(yàn)

圖2 不同核函數(shù)選擇正確率對(duì)比圖

根據(jù)實(shí)驗(yàn)1選擇RBF作為核函數(shù)，SVM訓(xùn)練過(guò)程主要受兩個(gè)參數(shù)影響，即懲罰參數(shù)c與核函數(shù)參數(shù)g。對(duì)于SVM參數(shù)的優(yōu)化，國(guó)際上并沒(méi)有公認(rèn)統(tǒng)一的最好方法，目前常用方法為K-CV交叉驗(yàn)證。令c、g在 ［2－10，210］范圍內(nèi)取值，對(duì)于給定的參數(shù)c、g，訓(xùn)練集作為原始數(shù)據(jù)進(jìn)行交叉驗(yàn)證，得到在此組c、g下對(duì)訓(xùn)練集的干擾樣式選擇正確率，將取得最高的那組c、g作為最優(yōu)參數(shù)，尋優(yōu)過(guò)程如圖3所示。

圖3 參數(shù)尋優(yōu)等高線圖

x軸與y軸均表示取以2為底的對(duì)數(shù)后的值，等高線表示取相應(yīng)的c和g后對(duì)應(yīng)的交叉驗(yàn)證的干擾樣式選擇正確率。c取值過(guò)大會(huì)導(dǎo)致過(guò)學(xué)習(xí)，使干擾樣式選擇的泛化能力降低，出現(xiàn)對(duì)訓(xùn)練樣本干擾樣式選擇正確率很高而對(duì)測(cè)試樣本干擾樣式選擇正確率很低的情況。當(dāng)不同的參數(shù)組合同時(shí)達(dá)到最佳干擾樣式選擇正確率時(shí)，取參數(shù)c、g最小的一組作為最優(yōu)參數(shù)。最后得到最佳參數(shù)組合為c＝0.027，g＝64。

實(shí)驗(yàn)3：方法對(duì)比實(shí)驗(yàn)

現(xiàn)有雷達(dá)干擾樣式選擇方法多為模板匹配，工作過(guò)程中，一種簡(jiǎn)單的模板匹配方法是計(jì)算樣本之間的距離，定義測(cè)試樣本 ｛a1，a2，…，an｝與訓(xùn)練樣本 ｛bj1，bj2，…，bjn｝之間的距離為：

根據(jù)上述定義，進(jìn)行仿真實(shí)驗(yàn)，設(shè)定距離閾值為0.03，與實(shí)驗(yàn)1相同實(shí)驗(yàn)條件及偏離誤差水平下得基于SVM的干擾樣式選擇正確率與基于模板匹配的干擾樣式選擇正確率隨偏離誤差變化的實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 SVM與模板匹配選擇正確率對(duì)比圖

由圖4可以看出，模板匹配隨誤差增加干擾樣式選擇正確率急劇下降，在偏離誤差為4%時(shí)，干擾樣式選擇選擇正確率為51.18%，仿真實(shí)驗(yàn)時(shí)間為0.1711s，這是因?yàn)槟０迤ヅ湫枰鷶?shù)據(jù)庫(kù)中數(shù)據(jù)進(jìn)行匹配，如果找到匹配的則停止，否則按照數(shù)據(jù)庫(kù)進(jìn)行遍歷，如果數(shù)據(jù)量增加，則遍歷時(shí)間也會(huì)成倍的增加，且多功能雷達(dá)在一種工作模式下，信號(hào)參數(shù)會(huì)在一定范圍內(nèi)變化，因此模板匹配不再適用于現(xiàn)代多功能雷達(dá)對(duì)抗過(guò)程中干擾樣式選擇。

文獻(xiàn)［12，19］雷達(dá)對(duì)抗過(guò)程建立在對(duì)雷達(dá)狀態(tài)估計(jì)基礎(chǔ)上進(jìn)行干擾樣式選擇，其過(guò)程都需要估計(jì)雷達(dá)狀態(tài)再做決策，雷達(dá)狀態(tài)估計(jì)會(huì)有一定錯(cuò)誤概率，且文獻(xiàn)［12］僅Q-學(xué)習(xí)收斂過(guò)程就需10.19s，文獻(xiàn)［19］對(duì)相控陣?yán)走_(dá)的智能干擾決策中需建立參數(shù)庫(kù)與知識(shí)庫(kù)兩部分，結(jié)構(gòu)復(fù)雜，對(duì)于實(shí)時(shí)性要求非常高場(chǎng)景也不適用?；谛颖靖蓴_規(guī)則庫(kù)，SVM方法不需要識(shí)別雷達(dá)狀態(tài)，根據(jù)接收處理后參數(shù)特征及已經(jīng)訓(xùn)練好的模型進(jìn)行干擾樣式選擇，具有較強(qiáng)的泛化能力與魯棒性，且時(shí)效性及正確率均優(yōu)于上述3種方法。

4 結(jié)束語(yǔ)

本文提出一種基于小樣本干擾規(guī)則庫(kù)的干擾樣式選擇模型及干擾樣式選擇方法。根據(jù)多功能雷達(dá)信號(hào)參數(shù)特征，構(gòu)建了空－空?qǐng)鼍跋履芊磻?yīng)機(jī)載多功能火控雷達(dá)信號(hào)脈內(nèi)及脈間特征的小樣本干擾規(guī)則庫(kù)，在建立小樣本干擾規(guī)則庫(kù)的基礎(chǔ)上，針對(duì)模板匹配干擾樣式選擇正確率低、實(shí)時(shí)性差的問(wèn)題，提出基于小樣本干擾規(guī)則庫(kù)的干擾自學(xué)習(xí)模型及適用于該模型的SVM干擾樣式選擇方法。仿真實(shí)驗(yàn)表明：訓(xùn)練好的SVM干擾樣式選擇模型在實(shí)時(shí)性與干擾樣式選擇正確率方面均優(yōu)于模板匹配，具有較強(qiáng)的泛化能力與魯棒性，為認(rèn)知電子戰(zhàn)理論提供了一種思路方法。■