本文首先对电子对抗环境进行了介绍，并对雷达侦察机的信号环境的时域特征、频域特征、空域特征、功率密度（能量）特征以及极化特征进行了详细的分析，研究了在复杂电磁环境中进行雷达信号分选和电子对抗的常用分选办法并对雷达侦察接收信号分选系统设计的主要依据进行了研究。针对传统雷达信号分选方法存在的一些问题，采用了一种新的数字信号处理技术-独立分量分析（ICA）的方法进行雷达信号分选，仿真结果表明，基于独立分量分析的分选方法能较好的完成复杂的雷达信号分选，而且方法简单，自适应强，是一种较好的雷达信号分选方法。

本文主要研究内容

本文主要研究了传统雷达信号分选方法与基于ICA算法的雷达信号分选方法，论文主要包括了常用算法的研究和基于ICA算法的雷达信号分选的效果仿真，各章安排如下：

第1章介绍了课题背景，电子对抗的发展和现今国内外对雷达信号分选的研究现状。

第2章介绍了传统雷达信号分选方法，研究了多参数联合分选方法。

第3章介绍了独立分量分析的理论并且对独立分量分析算法进行了研究。

第4章介绍了如何利用ICA算法进行信号分选检测，并且以仿真证明算法的正确性。

结论部分介绍了雷达信号分选的发展前景，展望了将ICA算法与硬件结合进行信号分选，以及我自己的体会和收获。

从结果的波形可以看出，除了顺序有所改变以外，用ICA算法恢复的两个语音波形与原始对应的语音波形相同，另外通过试听也可以发现，恢复出的语音信号就是原始语音信号的再现。故从本实验可以得出结论，利用FastICA算法能有效地分离混合的语音信号。

3.4.2.独立分量分析在图像处理中的应用

在实验中选定三个Matlab自带的“tif”格式的图像信号，如图3-7所示，这三幅图像的峭度值从左至右分别为4.7138、2.5921、1.5427，所以它们均服从超高斯分布。图中的横坐标和纵坐标对应点代表图像的像素，对图像数据处理时，首先将二维图像信号逐行扫描为一维信号。将三路信号乘以一随机混合阵（3×3），即可得到混合信号，如图3-8 所示。与语音分离实验相同，对混合信号再通过预处理和ICA处理进行分离，我设此处收敛条件设为，经过7次迭代操作后的分离结果

.....

FastICA算法与传统算法的比较

FastICA算法与传统算法都能够较准确的完成雷达信号的分选，在不同的情况下，有着各自的优缺点，下面就几个方面来对两者进行一个比较：

1、准确性

从原理上来讲，常规多参数分选法采用的是匹配的方法，每一个脉冲参数比如说如 DOA,PW,RF,TOA,都必须用来与事先分好类的脉冲群进行比较，对接收数据的正确性和连续性提出了较高的要求，如果遇到大的噪声，不完整的数据和被污染的脉冲，分选的结果会大打折扣；ICA 的方法建立在对源信号独立的要求上，只要各部雷达发出的信号相互独立，即能够较好的完成分选的工作，因此抗干扰性大大的加强。但由于 ICA 的方法对限制条件要求独立，而且只用到了PW 和 PRI 两个参数，因此如果遇见两部相关性较强的雷达，效果将变得很差，而常规多参数方法，因为用到了 4～5 个参数，在接收数据较好的情况下比 ICA 的方法来得准确。

2、高效性

在分选的速度方面，无疑 ICA 的并行分选占了很大的优势，而普通的多参数分选采用的是一种串行的检测方法，需要将脉冲的每一个参数进行串行的检测，如果遇见脉冲数量很多，则分选的时间就会较长而不能满足实时的要求。