基于支持向量機(jī)的典型寬帶電磁干擾源識(shí)別

朱 峰,蔣倩倩,林 川,楊 嘯

(西南交通大學(xué)電氣工程學(xué)院,四川 成都 611756)

0 引 言

隨著軌道交通和無(wú)線電通信的快速發(fā)展,民航周圍電磁環(huán)境變得更加復(fù)雜,有限的頻率資源越來(lái)越擁擠,電磁干擾現(xiàn)象也越來(lái)越嚴(yán)重,對(duì)民航甚高頻通信產(chǎn)生重大影響[1-2]。

根據(jù)干擾信號(hào)的頻譜特性,一般可分為窄帶干擾和寬帶干擾兩類。窄帶干擾的頻譜具有穩(wěn)定的峰值特性,易于識(shí)別,目前對(duì)其排查的技術(shù)已經(jīng)很成熟,如黑廣播[3]。然而,排查中最主要的問(wèn)題是寬帶干擾,其出現(xiàn)沒(méi)有任何規(guī)律,且隨機(jī)性較強(qiáng),這給排查帶來(lái)了盲目性,如高速列車通過(guò)電分相或由于長(zhǎng)時(shí)間工作的老化燈泡[4-7]。此外,由于通信技術(shù)的發(fā)展,全球定位系統(tǒng)(global positioning system,GPS)干擾器的廣泛使用也構(gòu)成了潛在的威脅[8-9]。由于設(shè)備的缺乏和數(shù)據(jù)不完備,這類干擾一旦出現(xiàn),通過(guò)定位技術(shù)并不能得到干擾源的具體位置,而是某個(gè)確定的區(qū)域內(nèi),此時(shí)若想要消除干擾信號(hào),就需要結(jié)合人工排查,對(duì)該區(qū)域內(nèi)所有可能造成干擾的電氣設(shè)備逐一進(jìn)行排查,效率很低。因此,為保障民航機(jī)場(chǎng)的安全運(yùn)行及通信,及時(shí)發(fā)現(xiàn)干擾機(jī)場(chǎng)通導(dǎo)設(shè)備的電磁干擾源并采取相應(yīng)的措施,以便在排查干擾信號(hào)時(shí)有針對(duì)性地對(duì)限定區(qū)域內(nèi)的某類電氣設(shè)備進(jìn)行快速查找,提高民航機(jī)場(chǎng)的運(yùn)行安全。基于這一問(wèn)題,利用數(shù)據(jù)庫(kù)對(duì)各種干擾源的頻譜數(shù)據(jù)進(jìn)行存儲(chǔ)和管理,通過(guò)對(duì)干擾源的特征提取進(jìn)行寬帶電磁干擾源的識(shí)別分析。

目前,針對(duì)民航機(jī)場(chǎng)附近的干擾源而言,由于不明確其干擾特性,使得排查效率低且具有盲目性。在現(xiàn)有文獻(xiàn)中,對(duì)機(jī)場(chǎng)附近的干擾源識(shí)別研究較少,只有某些高校和研究所開(kāi)展了一定的研究,其中西安電子科技大學(xué)的黃孟龍和劉君華[10-11]采用相似度來(lái)判別電磁兼容系統(tǒng)中的干擾源類型。然而,在大數(shù)據(jù)時(shí)代,這種方法較為局限,找到一種便捷的干擾識(shí)別方法再加以排查就顯得尤為重要,這就需要提到機(jī)器學(xué)習(xí)。近年來(lái),高效便捷的機(jī)器學(xué)習(xí)在識(shí)別領(lǐng)域得到了廣泛應(yīng)用,尤其是語(yǔ)音識(shí)別和故障診斷,其中支持向量機(jī)(support vector machine,SVM)對(duì)小樣本系統(tǒng)具有獨(dú)特的優(yōu)勢(shì)。文獻(xiàn)[12]研究了機(jī)器學(xué)習(xí)中的隨機(jī)森林法和SVM。通過(guò)對(duì)Sentinel-2時(shí)間序列數(shù)據(jù)提取特征進(jìn)行農(nóng)作物的識(shí)別,將機(jī)器學(xué)習(xí)算法和傳統(tǒng)的分類方法進(jìn)行比較分析,明確機(jī)器學(xué)習(xí)算法在多分類問(wèn)題中,識(shí)別性能明顯優(yōu)于傳統(tǒng)分類方法,且樣本的不均勻分布也不會(huì)影響其識(shí)別精度。文獻(xiàn)[13]基于民航使用飛機(jī)通信尋址和報(bào)告系統(tǒng)(aircraft communication addressing and reporting system,ACARS)生成的數(shù)據(jù)具有簡(jiǎn)單實(shí)時(shí)的優(yōu)點(diǎn),對(duì)該數(shù)據(jù)分析,利用粒子群優(yōu)化的SVM對(duì)飛機(jī)危險(xiǎn)性識(shí)別,有較高的識(shí)別速度和精度。文獻(xiàn)[14]結(jié)合模糊C均值聚類方法獲得的訓(xùn)練集,用SVM對(duì)航天器電氣特性進(jìn)行識(shí)別,結(jié)果表明該方法與傳統(tǒng)方法相比有更高的精度。SVM在航空中也用于故障識(shí)別和雷達(dá)信號(hào)識(shí)別[15-16]。雖然SVM在這些方面具有良好的可靠性和魯棒性,但在民航電磁干擾識(shí)別中較罕見(jiàn)。

為保持機(jī)組人員與地面管制人員之間的通信暢通,本文提出一種基于SVM的典型寬帶干擾識(shí)別方法。結(jié)合干擾源的頻譜數(shù)據(jù)分析信號(hào)特性,提取寬帶干擾的特征向量需通過(guò)主成分分析(principal component analysis,PCA)法對(duì)其進(jìn)行數(shù)據(jù)降維處理,然后利用SVM識(shí)別文中展示的6種典型寬帶干擾。

1 干擾源數(shù)據(jù)采集

在民航電磁干擾相關(guān)問(wèn)題的測(cè)試和分析,以及大多數(shù)標(biāo)準(zhǔn)中涉及到設(shè)備的技術(shù)指標(biāo)時(shí),基本都是在頻域中規(guī)定的,如標(biāo)準(zhǔn)無(wú)線電干擾和抗擾度測(cè)量裝置和方法規(guī)范。

1.1 測(cè)試對(duì)象

如GB6364所述,航空業(yè)務(wù)中的干擾難題主要是非航源，其來(lái)源多且分布廣泛,如廣播業(yè)務(wù)、電氣化鐵路、家用電子設(shè)備老化等。由于民航機(jī)場(chǎng)處于運(yùn)營(yíng)階段,受測(cè)試條件的局限性,本文只針對(duì)小部分干擾源進(jìn)行了分析研究,包括列車電分相、GPS干擾器和老化燈泡,其中列車電分相在四川省成都市成南線進(jìn)行測(cè)量,其余干擾源均在學(xué)校實(shí)驗(yàn)室中進(jìn)行頻譜測(cè)量。老化燈泡包括多種民用照明燈泡、機(jī)場(chǎng)照明燈泡和機(jī)場(chǎng)跑道燈泡,經(jīng)過(guò)多次測(cè)試發(fā)現(xiàn)少數(shù)老化燈泡確實(shí)存在干擾現(xiàn)象。根據(jù)實(shí)測(cè)結(jié)果,從3類老化燈泡中各選擇一個(gè)存在干擾現(xiàn)象的燈泡,同列車電分相和兩類干擾器共同組成6類最終的識(shí)別干擾源。列車電分相的測(cè)試場(chǎng)景及其余干擾源的實(shí)物如圖1所示，老化燈泡的參數(shù)如表1所示。

圖1 電磁干擾源測(cè)試場(chǎng)景及對(duì)象Fig.1 Test scene and object of electromagnetic interference source

表1 老化燈泡的參數(shù)指標(biāo)Table 1 Parameter indexes of aging bulb

根據(jù)測(cè)試要求,采用頻譜儀對(duì)上述干擾源進(jìn)行掃頻測(cè)試,已知民航無(wú)線電頻率的分布很廣,若將頻譜儀的掃描寬度覆蓋整個(gè)頻帶,不僅造成掃描時(shí)間過(guò)長(zhǎng),同時(shí)也不利于分析干擾信號(hào)的特性?；谠搯?wèn)題,考慮到機(jī)場(chǎng)無(wú)線電導(dǎo)航臺(tái)的工作頻率和通信問(wèn)題的影響,頻譜儀的起始頻率和終止頻率分別設(shè)為108 MHz、350 MHz,選用峰值檢波,分辨率帶寬設(shè)為120 kHz。測(cè)試儀器及技術(shù)指標(biāo)如表2所示。

表2 測(cè)試設(shè)備及技術(shù)指標(biāo)Table 2 Testing equipment and technical index

1.2 頻譜測(cè)試

測(cè)試數(shù)據(jù)為測(cè)試頻段內(nèi)對(duì)應(yīng)的電壓幅值,頻譜圖由峰值保持(藍(lán)線)和實(shí)時(shí)刷新值(黑線)共同組成。電分相處是在外場(chǎng)進(jìn)行干擾測(cè)試,周圍存在許多不確定性因素,引起周圍電磁環(huán)境改變,從而造成各個(gè)時(shí)刻下的背景信號(hào)不一致,其背景測(cè)試如圖2所示。

圖2 不同時(shí)刻電分相的背景測(cè)試Fig.2 Background test of neutral section at different time

除電分相外,其余5類干擾源是在實(shí)驗(yàn)室里進(jìn)行測(cè)試,周圍電磁環(huán)境變化相對(duì)較小,背景信號(hào)基本一致,存在較小的涌動(dòng)性,背景測(cè)試如圖3所示。根據(jù)測(cè)試數(shù)據(jù)分析,電分相處的干擾測(cè)試具有很強(qiáng)的隨機(jī)性,且列車經(jīng)過(guò)電分相時(shí)電磁輻射強(qiáng)度大,其頻譜測(cè)試如圖4所示。與背景測(cè)試圖2相比,可以明顯看出當(dāng)列車經(jīng)過(guò)電分相時(shí),干擾信號(hào)的電平整體抬升,且隨著頻率的升高,輻射強(qiáng)度逐漸降低。

圖3 實(shí)驗(yàn)室的背景測(cè)試Fig.3 Laboratory background test

圖4 電分相典型頻譜測(cè)試Fig.4 Typical spectrum test for neutral section

干擾器只能在規(guī)定區(qū)域內(nèi)使用,并且使用前需上報(bào)有關(guān)部門,經(jīng)允許后才能使用,但是由于干擾器體積小、便于攜帶,很容易將其帶入機(jī)場(chǎng)或者放于機(jī)場(chǎng)附近,這些都是較難被發(fā)現(xiàn)的,一旦干擾器的信號(hào)落入通導(dǎo)設(shè)備的工作頻段內(nèi),將會(huì)阻斷通信設(shè)備與外界基站的聯(lián)系,從而影響機(jī)場(chǎng)的正常通信。干擾器主要表現(xiàn)為同頻干擾,其輻射強(qiáng)度較大,具有一定涌動(dòng)性,兩類不同GPS干擾器的頻譜測(cè)試如圖5所示。

圖5 干擾器的頻譜測(cè)試Fig.5 Spectrum test for jammer

相較電分相和干擾器而言,老化燈泡的輻射強(qiáng)度相對(duì)較小。對(duì)于所選的3種存在干擾的老化燈泡,其頻譜特征主要表現(xiàn)在兩個(gè)方面:一方面是干擾信號(hào)連續(xù)存在,且隨著頻率的升高,輻射強(qiáng)度逐漸降低;另一方面干擾信號(hào)連續(xù)存在,且明顯觀察到在某個(gè)頻段存在包絡(luò)特征。民用照明、機(jī)場(chǎng)跑道和機(jī)場(chǎng)照明3類老化燈泡的頻譜測(cè)試分別如圖6(a)～圖6(c)所示。

圖6 老化燈泡的典型頻譜測(cè)試Fig.6 Typical spectrum test for aging bulb

2 特征提取

干擾特征的提取往往決定著識(shí)別效果的好壞。特征提取的越好,特征向量中包含的有用信息越多,分類效果也越好。因此,特征提取在識(shí)別中有著重要作用。頻譜測(cè)試中,由于測(cè)試場(chǎng)地的限制,每類干擾源測(cè)試20組樣本,每組測(cè)試數(shù)據(jù)點(diǎn)為1 001,為了避免在特征提取時(shí)發(fā)生頻率偏移,保證特征數(shù)量的統(tǒng)一,將頻譜數(shù)據(jù)進(jìn)行分段處理,依次進(jìn)行干擾源的特征提取[17]。

2.1 包絡(luò)特征

包絡(luò)特征指測(cè)試頻率段內(nèi),頻譜信號(hào)在一個(gè)或若干個(gè)小的頻率段內(nèi)連續(xù)存在,且在該頻段內(nèi)的中心頻率點(diǎn)處輻射強(qiáng)度最大,左、右兩側(cè)的輻射強(qiáng)度呈現(xiàn)為單調(diào)遞增和單調(diào)遞減,則將其認(rèn)為是包絡(luò)信號(hào)[18]。列車電分相、干擾器以及各類老化燈泡并非都存在包絡(luò)信號(hào),再者不同干擾源類型即使存在包絡(luò)信號(hào),其信號(hào)的頻率段和輻射強(qiáng)度均不同;并且包絡(luò)特征的提取是一個(gè)或者若干個(gè)小范圍的頻率段,其特征數(shù)量龐大,編程困難,導(dǎo)致識(shí)別特征向量的維數(shù)不一致,不利于干擾源的識(shí)別?；谏鲜鲈?先對(duì)干擾信號(hào)進(jìn)行包絡(luò)處理,再對(duì)劃分的每個(gè)頻段計(jì)算包絡(luò)因子[11],用包絡(luò)因子來(lái)表征干擾源的包絡(luò)特征,有利于簡(jiǎn)化編程,保障特征向量維數(shù)的統(tǒng)一，計(jì)算公式如下:

(1)

2.2 能量特征

為分析信號(hào)的波動(dòng)情況,提取各頻段干擾信號(hào)的能量特征[19]。通常情況下,更多的可能是針對(duì)時(shí)域來(lái)描述能量特征,由于能量守恒,所以信號(hào)通過(guò)時(shí)域和頻域計(jì)算得到的能量是相同的。針對(duì)頻譜測(cè)試,在頻域中直接采用相對(duì)能量來(lái)表征電磁干擾的能量特征,即每個(gè)頻段的能量占干擾信號(hào)總能量的百分?jǐn)?shù)比。

某段信號(hào)的能量常用其幅值的平方或包絡(luò)面積等參數(shù)來(lái)表示,則第k段的能量為

(2)

信號(hào)的總能量為

E=E1+E2+…+Ek

(3)

相對(duì)能量為

(4)

2.3 峰值特征和統(tǒng)計(jì)特征

峰值信號(hào)是判斷電磁干擾類別的重要信號(hào)。由于頻譜儀測(cè)試的干擾信號(hào)中含有一定的白噪聲,其在一定范圍內(nèi)隨機(jī)波動(dòng),與背景信號(hào)有關(guān),所以峰值特征并不能簡(jiǎn)單地由單調(diào)性確定。目前,峰值特征的提取方法很多[20-21],其中比較典型的一種是搜索背景信號(hào)中的最大值,再加上一固定值作為峰值特征的閾值,大于該值則提取為峰值信號(hào),該方法提取的特征數(shù)量越大,有用信號(hào)越多。由于進(jìn)行了分段處理,用該方法提取峰值特征會(huì)增加計(jì)算量,同時(shí)不同干擾源之間的峰值特征差異也較大,不利于后續(xù)識(shí)別,從而選擇每個(gè)頻段的最大值作為干擾源的峰值特征。峰值特征的表達(dá)式為

F3(k)=max{xk(n)},n=1,2,…,N

(5)

由于采用了信號(hào)分段處理,若僅提取包絡(luò)、能量和峰值特征,特征數(shù)量少,干擾特征的代表性較弱。為了更準(zhǔn)確地識(shí)別再提取均值和方差兩個(gè)統(tǒng)計(jì)特征[22]，均值和方差的計(jì)算公式分別如下:

(6)

(7)

特征向量間要求有相同的度量,需對(duì)每一特征向量進(jìn)行歸一化處理。設(shè)任意特征向量為Fj=[f1,f2,…,fk],對(duì)其進(jìn)行歸一化處理,計(jì)算公式如下:

(8)

式中:Fjk表示第j類特征向量中第k個(gè)特征進(jìn)行歸一化處理;fk為原始特征;fmax和fmin分別為該組特征向量中的最大值和最小值。則經(jīng)歸一化后的某一類初始特征向量為

(9)

3 SVM識(shí)別

3.1 PCA數(shù)據(jù)降維

PCA是一種簡(jiǎn)化數(shù)據(jù)集技術(shù),常用于數(shù)據(jù)集的降維處理,同時(shí)保持?jǐn)?shù)據(jù)集中方差貢獻(xiàn)最大的特征[23-27]。原始特征的矩陣維度越高,不同特征之間的相關(guān)性可能也越強(qiáng),就會(huì)存在特征冗余的問(wèn)題。若直接輸入到SVM中進(jìn)行識(shí)別,不僅會(huì)增加訓(xùn)練時(shí)間,降低分類效果,而且當(dāng)數(shù)據(jù)維度大于樣本數(shù)目時(shí),易造成過(guò)度擬合的問(wèn)題,進(jìn)而影響識(shí)別精度。基于該問(wèn)題,對(duì)初始特征向量進(jìn)行降維處理,不僅降低了數(shù)據(jù)間的冗余程度,也提高了系統(tǒng)的運(yùn)行效率,從而提高干擾源的識(shí)別正確率。設(shè)原始特征為Fa×b,降維后的特征向量為Fa×c(c

步驟 1計(jì)算數(shù)據(jù)中心化F′。

(10)

步驟 2計(jì)算協(xié)方差矩陣Cx。

(11)

步驟 3計(jì)算協(xié)方差的特征值λi和特征向量vi。

(12)

式中：Λ為vi對(duì)應(yīng)下標(biāo)特征向量的特征值組成的對(duì)角陣。

Λ=[λ1,λ2,…,λn]

步驟 4將特征向量按照特征值降序排列,選擇前c個(gè)主要特征向量構(gòu)成特征矩陣P。

步驟 5計(jì)算降維后的數(shù)據(jù)Z。

Z=F′×P

(13)

在PCA降維處理過(guò)程中,特征向量的個(gè)數(shù)有兩種選定方法:一是人工直接選擇特征向量的個(gè)數(shù)；二是由主成分的貢獻(xiàn)率來(lái)確定特征向量的個(gè)數(shù)。由于不確定到底應(yīng)該選多少個(gè)特征才能有更好的識(shí)別效果,所以選擇后者來(lái)確定特征向量的個(gè)數(shù),文中選擇主成分的總貢獻(xiàn)率達(dá)90%的特征向量組成識(shí)別特征向量。仿真結(jié)果如圖7所示。

圖7 PCA貢獻(xiàn)率Fig.7 PCA contribution rate

針對(duì)文中所選的6類寬帶干擾源,首先將測(cè)試的頻譜數(shù)據(jù)進(jìn)行分段處理,為保證干擾源的特性,此處將整個(gè)測(cè)試頻段分成10個(gè)頻率段;再依次提取干擾源的包絡(luò)、能量、峰值、均值和方差5類干擾特征,經(jīng)過(guò)特征提取后形成了一個(gè)50維的初始特征向量。結(jié)合圖7可以看出,初始特征向量經(jīng)PCA數(shù)據(jù)降維處理后,前8個(gè)主成分的總貢獻(xiàn)率就已經(jīng)達(dá)到了90%。因此,選擇貢獻(xiàn)率最大的前8個(gè)主成分對(duì)應(yīng)的向量組成最終的識(shí)別特征向量,用較少數(shù)量的特征最大限度地保留了干擾源更多的有用信息,既提高了系統(tǒng)的運(yùn)行速度,也提升了識(shí)別的準(zhǔn)確率。

干擾源經(jīng)各個(gè)干擾特征提取后,形成了一個(gè)高維的初始特征向量,從圖7可以看出,PCA數(shù)據(jù)降維處理后,前8個(gè)主成分的總貢獻(xiàn)率達(dá)到了90%,用較少數(shù)量的特征最大限度地保留了更多的有用信息。因此,選擇貢獻(xiàn)率最大的前8個(gè)主成分對(duì)應(yīng)的向量組成識(shí)別特征向量,提高了系統(tǒng)的運(yùn)行速度和識(shí)別準(zhǔn)確率。

3.2 仿真結(jié)果分析

SVM是20世紀(jì)90年代提出的一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法,以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ),對(duì)解決小樣本、高維數(shù)、非線性等問(wèn)題都有明顯的優(yōu)勢(shì)。該方法最初是針對(duì)線性二分類問(wèn)題提出的,但實(shí)際情況中,更多的是對(duì)非線性、多分類問(wèn)題的研究,其構(gòu)造多分類器的方法主要有兩種,一是直接修改目標(biāo)函數(shù),將多個(gè)分類面的參數(shù)求解綜合到一個(gè)最優(yōu)化問(wèn)題中進(jìn)行求解,計(jì)算復(fù)雜不易實(shí)現(xiàn);二是通過(guò)多個(gè)二分類器的組合來(lái)實(shí)現(xiàn)目標(biāo)的多分類[28-32]。SVM在識(shí)別領(lǐng)域的應(yīng)用已經(jīng)相對(duì)比較成熟,其基本原理是利用非線性變換將線性不可分空間映射到高維線性可分空間,并建立一個(gè)VC(Vapnik-Chervonenkis)維的分類器,該分類器僅由樣本中少量的支持向量確定,具有最大的分類間隔。

本次仿真實(shí)驗(yàn)在Matlab R2018b軟件平臺(tái)上,利用工具箱Libsvm構(gòu)建多個(gè)二分類器,實(shí)現(xiàn)民航機(jī)場(chǎng)周圍典型的6類寬帶干擾源識(shí)別。SVM進(jìn)行識(shí)別時(shí),核函數(shù)選擇為徑向基函數(shù),采用交叉驗(yàn)證法進(jìn)行網(wǎng)格搜索,尋找最優(yōu)的懲罰因子系數(shù)和參數(shù)系數(shù)。針對(duì)6類典型寬帶干擾進(jìn)行數(shù)據(jù)采集,每類干擾源均采集20組樣本數(shù)據(jù),任選10組樣本組成訓(xùn)練集,剩余10組構(gòu)成測(cè)試集。經(jīng)包絡(luò)因子、頻譜峰值、頻譜能量、均值和方差5種干擾特征的提取后,產(chǎn)生初始特征向量矩陣(120×50),PCA降維后形成識(shí)別特征向量(120×8)。利用兩種情況來(lái)進(jìn)行SVM識(shí)別分析,第一種情況:初始特征向量直接作為SVM的輸入向量,主要存在特征冗余的問(wèn)題,造成識(shí)別準(zhǔn)確率低,識(shí)別結(jié)果如圖8(a)所示;第二種情況:PCA降維后的識(shí)別特征向量作為SVM的輸入向量,與前者相比,表明PCA降維處理有助于提高干擾源的識(shí)別率,仿真結(jié)果如圖8(b)所示。圖8干擾源的SVM仿真識(shí)別中,類別編號(hào)1～6依次代表民用照明燈泡、機(jī)場(chǎng)照明燈泡、機(jī)場(chǎng)跑道燈泡、GPS干擾器(2線和6線)和電分相。

圖8 SVM的仿真結(jié)果Fig.8 Simulation result of SVM

從圖8可以看出,當(dāng)初始特征向量直接作為SVM的輸入向量時(shí),干擾源的識(shí)別率為95%,而SVM的輸入是PCA降維后的識(shí)別特征向量時(shí),識(shí)別的準(zhǔn)確率達(dá)到了98.33%,與不降維處理相比,識(shí)別率明顯增加。圖8(b)中可以明顯看到,6類民航典型寬帶干擾中有5類干擾源的識(shí)別率達(dá)到了100%,只有類別2被錯(cuò)誤地識(shí)別為類別6,主要原因可能是類別6在采集數(shù)據(jù)時(shí),其背景信號(hào)波動(dòng)大,干擾信號(hào)隨機(jī)性強(qiáng)。

4 結(jié) 論

本文針對(duì)民航電磁干擾提出了一種基于SVM的寬帶干擾識(shí)別方法。利用采集到的頻譜數(shù)據(jù),分析信號(hào)的特性并提取干擾特征,分析特征向量是否經(jīng)過(guò)PCA降維處理的識(shí)別率差異。實(shí)驗(yàn)結(jié)果表明,SVM能有效識(shí)別6類典型寬帶干擾,并且經(jīng)PCA處理后的識(shí)別效果更好。因此,當(dāng)民航機(jī)場(chǎng)存在干擾時(shí),可以先直接通過(guò)計(jì)算機(jī)系統(tǒng)實(shí)現(xiàn)干擾源的判別,再帶有目的性地去排查,這樣既經(jīng)濟(jì)又高效。同時(shí),本文也存在測(cè)試樣本少、特征提取泛化等問(wèn)題,這將是下一步的研究工作。