基于动态自适应近邻算法的天波雷达RD图分类器设计OA北大核心CSTPCD

天波雷达的干扰检测问题可转化为距离-多普勒(Range-Doppler, RD)图像分类。在RD图分类器设计中,使用K近邻(K-Nearest Neighbor, KNN)算法时,k值的选取直接影响到干扰检测准确率。根据过往经验预设k值时,无法确定所设k值下的干扰检测准确率。为此,将互近邻条件引申为k值自动赋值方法,以局部均值为距离计算依据,设计动态自适应近邻(Dynamic Adaptive Nearest Neighbor, DANN)新算法。分别在多个UCI(University of California Irvine)数据集与现有RD图库上测试,与6个常数k值下K近邻算法进行对比分析。多个UCI数据集实验表明,DANN的平均准确率比不同k值下KNN的均值高6.21%,且比最优k值高3.7%;实测RD图库实验表明,DANN的平均准确率比不同k值下KNN的均值高2.9%,且比最优k值高0.56%。因此,该算法可以在干扰检测中减少人工参与,且能够获得较高的检测准确率。