复杂体制雷达辐射源信号识别新方法

电子信息控制重点实验室2017年基金指南2017年4月目录专题一：频谱感知 (1)题目1：雷达辐射源目标识别方法和理论研究 (1)题目2：复杂背景下运动辐射源的高精度频率测量方法及关键技术研究 (2)题目3：宽带干扰源信号识别和被动定位技术研究 (3)题目4：基于分布式云架构的电磁态势数据深度挖掘技术 (3)题目5：基于合成孔径体制的辐射源侦察技术 (4)题目6：太赫兹阵列天线的宽视场扫描技术 (5)题目7：基于云计算架构的分布式终端协作与数据分发处理技术 (6)题目8：基于时频域信息处理的非平稳未知信号的分离技术 (7)题目9：基于大数据处理的态势数据管理与目标分群技术 (8)题目10：面向大数据的态势推理关键技术研究 (9)题目11：不确定海洋环境下海底水平阵目标宽容检测方法研究 (10)题目12：宽带单周期瞬态窄脉冲水下探测技术研究 (11)题目13：动态载体干扰磁场校正技术 (11)专题二：频谱控制 (12)题目14：分布式电磁控制资源分配智能优化技术 (12)题目15：面向分布式资源动态管理的软件架构与实现方法 (13)题目16：多平台智能航路规划技术 (14)题目17：应用于智能决策的在线学习算法研究 (14)题目18：干扰技术对机载平台的作战效应分析 (15)题目19：雷达主瓣抗干扰技术对干扰的抑制效应分析 (16)题目20：卫星导航极化空时多维联合抗干扰技术研究 (17)题目21：高功率微波效应机理研究 (17)专题三：基础技术 (18)题目22：基于光传输的无线同步与数传方法 (18)题目23：基于全相位处理的信号参数测量方法和实现研究 (19)题目24：适应机载外形约束的小型化共形阵列天线设计 (20)题目25：宽带天线噪声特性分析与相位中心位置估计技术 (20)题目26：宽频带高性能的电磁波吸收结构设计 (21)题目27：异频阵信号空域电磁特征及对空域处理算法的影响机理研究 (22)题目28：基于新型数值表征的高速数字信号处理方法 (23)题目29：惯性导航与卫星导航紧耦合信息融合技术研究 (24)题目30：基于码分多址蜂窝网的无线定位算法研究 (25)题目31：大区域复杂电磁环境建模与电波传播解算 (26)题目32：大功率长寿命砷化镓光导开关及激光二极管驱动技术研究 (26)专题一：频谱感知题目1：雷达辐射源目标识别方法和理论研究目标：本课题以电子侦察平台的目标识别为出发点，开展雷达辐射源个体识别方法和理论研究，针对其面临的电磁环境复杂、特征提取困难、分类结果不准确等问题提出一揽子解决方案，从而提高雷达辐射源个体识别的有效性和鲁棒性，为我国电子侦察平台在复杂和密集的雷达信号环境中进行辐射源威胁分析、识别和告警提供理论和技术支撑。

复杂体制雷达辐射源信号识别新方法韩俊;陈晋汶;孙茹【摘要】For the low recognizing rate and sensitive to the signal-to-noise ratio(SNR),the bispectrum two-dimensional characteristics complexity is proposed to recognize unknown complicated radar signal right-ly.The bispectrum of received signal is extracted and predigested to be the two-dimensional characteristics. Then the box dimension and information dimension are extracted from the two-dimensional characteristics and used as the recognition characteristics.The last recognition is accomplished by SVM.The bispectrums of different signals are different and not sensitive to SNR,so the box dimension and information dimension are divisible and steady.The advantage of this novel method is validated by simulation results,and the lowest recognition rate is 86% at SNR =5 dB.%针对现有方法识别准确率不高和对噪声敏感的问题，应用双谱二维特征复杂度实现了低信噪比下未知复杂体制雷达信号的高准确率识别。

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。

雷达辐射源精确识别流程一、数据收集。

这可是很重要的一步哦。

就像是我们要认识一个新朋友，得先去收集关于他的各种信息一样。

对于雷达辐射源呢，我们要收集它发射出来的信号数据。

这些数据可能来自各种传感器，它们就像小侦探一样，到处去捕捉信号。

比如说，可能是在空中的监测设备，或者是地面的一些专门的信号接收装置。

这些收集到的数据包含了很多关键的信息，像是信号的频率呀、幅度啦，还有相位之类的。

这就好比我们知道新朋友的外貌特征、说话声音这些基本信息一样。

二、特征提取。

拿到数据之后呢，可不能就这么放着呀，得从这些数据里把有用的特征给找出来。

这就像是从一个大宝藏里挑选最珍贵的宝石一样。

我们要通过一些数学方法和算法，把信号数据中的那些能够代表这个雷达辐射源独特性的特征给挖掘出来。

比如说，有些特征可能是信号在某个特定频率上的表现，或者是信号随着时间变化的规律。

这一步可不容易呢，就像在一堆沙子里找金子，需要很细心，还得有点技术才行。

三、特征筛选。

从那么多特征里找出来的不一定都特别有用呀，就像我们买东西，可能挑了一堆，但是有些其实并不是我们真正需要的。

所以呢，我们要对提取出来的特征进行筛选。

那些不太能体现雷达辐射源特性的，或者是可能受到干扰而不准确的特征，就要被淘汰掉啦。

这个过程就像是在一个队伍里挑选最厉害的队员，只有留下最有用的特征，才能让后面的识别工作更准确。

四、分类识别。

经过前面的步骤，就到了分类识别这一步啦。

这就好比是给我们收集到信息、挑选好特征的这个雷达辐射源找一个合适的“家”，也就是确定它属于哪一类辐射源。

我们可以用一些分类算法，像支持向量机之类的（不过这个名字听起来有点高大上，其实就是一种很有用的工具啦）。

把这个雷达辐射源的特征和我们已经知道的不同类型辐射源的特征进行比较，看看它最接近哪一种。

这就像是在一群人里找到跟自己最像的小伙伴一样。

五、结果评估。

最后呢，我们得看看这个识别结果准不准呀。

就像做完一件事情要检查一下做得好不好一样。

雷达辐射源识别技术研究摘要：雷达辐射源识别技术是信息对抗情报分析领域中研究的重要内容，其水平是衡量雷达对抗侦察系统和对抗侦查设备信息处理技术先进程度的重要标志。

雷达辐射源识别的本质是模式分类与识别的问题。

为了对模式进行分类与识别，首先需要从雷达信号中获得一些要素作为模式分类与识别的特征，并将提取的特征加载到设计好的分类器进行识别，以得到满足用户需求的识别结果。

关键词：雷达；辐射源；个体特征；机理分析前言：雷达辐射源个体识别通过提取个体特征来辨识雷达个体，是电子对抗领域的热点研究方向。

近年来随着深度学习的飞速发展及其在各领域的成功应用，基于深度学习的雷达辐射源个体识别成为焦点。

1.雷达辐射源识别框架图1是雷达辐射源自动识别框架。

针对信号接收系统截获的雷达信号，首先，通过预处理剔除无效数据；然后，对数据进行特征提取，利用全脉冲数据对信号进行分选，获得辐射源常规特征参数及其相应类型，利用全脉冲分选数据和脉内数据，获得信号的个体特征，利用脉内数据对脉内调制类型进行识别，获得信号的脉内调制类型；最后，结合常规特征、脉内特征和个体特征实现对辐射源类型、型号、个体和工作状态的识别。

图1雷达辐射源自动识别框架对已知辐射源，首先利用几个典型全脉冲数据完成型号识别和平台识别，有了目标先验知识后，再进行信号样式识别和工作状态识别。

对未知辐射源，首先，进行信号样式识别和工作状态识别；然后，推测其辐射源类型。

1.1特征提取特征提取包括常规特征提取、脉内特征提取和个体特征提取。

常规特征提取主要指雷达信号的脉间特征提取，包括载频、重频、脉宽、脉幅和脉冲到达角。

脉内特征提取，主要是识别脉内调制类型，常称为信号波形识别。

雷达电路和器件具有非理想特性，但个体特征是附加在雷达信号上的固有属性，不会受到雷达工作参数改变的影响。

个体特征可以从全脉冲数据提取（如：脉间特征参数），或从脉内数据提取（如：脉冲上升沿），是更加细微且稳健的特征。

复杂体制雷达辐射源信号时频原子特征提取方法程吉祥;张葛祥;唐承志【摘要】针对复杂体制雷达辐射源信号调制类型识别问题,提出一种新的辐射源信号脉内时频原子特征提取方法(TFAD).该方法首先利用稀疏分解原理和改进差分进化算法将辐射源信号在Ga-bor和Chirplet时频原子库中进行分解,然后利用分解后的首原子能量和Gabor原子中心频率参数分别提取出2个相似比特征和1个频率方差特征作为辐射源信号脉内调制类型的分类特征,最后通过构造有向循环图支持向量机分类器实现雷达辐射源信号的分类识别.与计算复杂度至少为O(nlogn)的分形方法相比,TFAD方法只有O(n)的计算复杂度.采用不同信噪比和多种调制参数的5种辐射源信号进行大量仿真实验,结果表明TFAD方法可获得98.3%的平均正确识别率.【期刊名称】《西安交通大学学报》【年(卷),期】2010(044)004【总页数】6页(P108-113)【关键词】雷达辐射源信号;时频原子;特征提取【作者】程吉祥;张葛祥;唐承志【作者单位】西南交通大学信息科学与技术学院,610031,成都;西南交通大学电气工程学院,610031,成都;西南交通大学电气工程学院,610031,成都【正文语种】中文【中图分类】TN957雷达辐射源识别是指在分选截获雷达信号的基础上,得到信号中雷达的工作参数,然后利用这些参数获取该雷达的体制、用途和型号等信息,为电子对抗提供支持[1-2].关于辐射源信号识别方法,已有多篇文章涉及[1-4],如文献[3]基于粗集理论提出一种区间连续属性离散化的特征选择算法,并构造粗集神经网络分类器来实现辐射源识别,但仅考虑了单一调制参数的辐射源信号;文献[4]利用分形理论提取分形维数作为辐射源信号分类特征,但该方法时间复杂度较高.本文提出一种新的时频原子分解的特征提取方法(TFAD).TFAD方法通过对分解后的时频原子参数进行特征提取,在低信噪比和不同调制参数情况下能有效识别不同辐射源信号,同时具有较低的时间复杂度.1 雷达辐射源信号时频原子分解1.1 稀疏分解原理本文采用稀疏分解原理实现信号时频原子分解[5].设雷达辐射源信号为s,其长度为N,D={g}为时频分解原子库,其中g为由一组参数定义的原子,且满足归一化条件‖g‖=1.同时,设辐射源信号分解次数为n,sk-1为第k次分解时的信号且首次分解时有s0=s,gk为第k次分解时匹配的最佳原子,k=1,2,…,n.辐射源信号分解时,在过完备原子库D中选择与信号最佳匹配的原子g1,即式中表示向量内积.由于时频原子满足归一化条件,因此辐射源信号s可以分解为原子g1上的分量和残差信号s1,即对残差信号继续进行分解,若将辐射源信号s分解n次,则 s可以表示为稀疏分解原理中信号每一次的分解都是一个多维的参数优化问题.传统的稀疏分解方法采用贪心算法搜索最佳原子,其时间复杂度极高.进化算法是一种智能优化算法,因此可将其应用到最优时频原子搜索当中.基于进化算法(EAs)的时频原子分解伪代码算法如图1所示.鉴于差分进化算法(Differential Evolution,DE)能够较好地实现连续域问题的优化[6-7],本文将其用来进行时频原子分解.1.2 差分进化算法差分进化是一种基于种群的进化优化算法,包括种群初始化、变异、交叉、选择等操作.针对基本的差分进化算法存在收敛速度慢,易于陷入局部最优的缺陷[6-7],本文对变异操作和差分因子进行改进.改进后的算法步骤如下.图1 基于EAs的时频原子分解伪代码算法(1)种群初始化.令P表示种群,X表示种群中的个体,G表示种群的代数,M表示种群大小,则种群可以表示为其中 xi,j表示个体i的第j个变量,L表示待优化变量的个数.种群初始化时G=0,初始化采用随机方式进行,即式中:aj、bj分别表示第j个变量的取值下限和上限;rand(0,1)为0和1之间均匀分布的随机数.(2)变异操作.在进行第G次迭代时,种群通过如下变异操作产生变异个体,记为,即式中:为第G-1次迭代后的最优个体;为第G-1次迭代后根据适应度值从大到小排序后的个体表示n个最优个体的中心;r1≠r2≠i,且r1,r2∈{1,2,…,M};F(G)为第G次迭代时的差分因子,其取值为其中Gtotal为算法总的迭代次数,Fmax和Fmin为差分因子的最大值和最小值,且Fmin,Fmax∈[0,1].(3)交叉操作.种群通过交叉操作实现基因重组,产生子代个体,记为.交叉操作为式中为个体的第i个分量;rand[0,1]为[0,1]之间均匀分布的随机数;C∈[0,1]表示交叉概率;r为整数,且r∈{1,2,…,L}.(4)选择操作.算法保留最优适应度值的个体到下一次迭代的种群中,以实现种群的进化.选择操作为2 雷达辐射源信号特征提取2.1 基于Gabor原子的特征提取利用稀疏分解进行信号分解的时频原子应该具有较好的时频聚集性,同时通过单个原子衍生出来的原子库应该具有过完备性.Mallat[5]提出了一种自适应匹配投影分解法,其原子库是通过对一个窗函数进行移位、伸缩和调制操作产生的.根据Heisenberg测不准原理,Gauss函数具有最佳的时频分辨率.由Gauss函数调制产生的实Gabor原子为式中:q为能量归一化参数;p∈(0,N]为原子的伸缩尺度;u∈(0,N]为原子的平移尺度;ω∈[-π,π]为原子的角频率;φ∈[-π,π]为原子的初始相位.对信号进行分解时,确定分解原子的个数是分解的关键,过多的分解次数会造成对信号的误匹配.这里采用相似比系数(correlation ratio,CR)[5]作为Gabor最佳原子个数的确定标准,其定义为式中:sk-1表示第k-1次分解时的信号;D为由Gabor原子构成的原子库;g为原子库D中的原子;‖s‖为辐射源信号的能量,且λ(s)∈[0,1].当信号的相似比系数小于某一阈值λ0时,即终止分解.在信噪比为3 dB时,对常规信号(CW)、线性调频信号(LFM)、非线性调频信号(NLFM)、二相编码信号(BPSK)和二相频率编码信号(BFSK)用Gabor原子分解20次,所获得的相似比曲线如图2所示.同时,给出在相似比阈值λ0取值为0.1时获得的时频原子在时频面上的分布,并用直线连接相邻的时频原子,如图3所示.由图3可知,利用相似比系数阈值的方式只需要对原始信号进行较少次数的分解,并且分解出的原子能够较好地反映雷达辐射源信号调制类型.同时,不同调制类型的雷达辐射源信号具有不同的首原子相似比,其中CW信号和BPSK信号具有较大的首原子相似比,而LFM信号和NLFM信号具有较小的首原子相似比.此外,BPSK信号分解后的时频原子具有较小的频率方差,而LFM信号、NLFM信号和BFSK信号分解后的时频原子具有较大的频率方差.基于上述分析,本文提出两种基于Gabor时频原子分解的特征.图2 不同信号相似比曲线图图3 时频原子反映出的信号调制规律(1)Gabor首原子相似比定义为特征P1反映了Gabor首原子重构信号的能量与原始信号能量的比值.(2)Gabor原子中心频率方差定义为2.2 基于Chirplet原子的特征提取由图2和图3可知,LFM和NLFM信号难以根据特征P1和P2进行有效的识别.根据稀疏分解原理,当原子库与待分解的信号越相似时,所需要分解的次数越少,且具有较大的首原子相似比,而Chirplet原子本身即是一种线调频信号,实数域Chirplet 原子的定义为式中:h为高斯函数;ω∈[-π,π]为原子初始角频率;c∈[-π,π]为原子调频斜率;φ∈[-π,π]为原子初始相位.定义Chirplet首原子相似比为式中为Chirplet原子库.由于单个特征的分布易存在交叠,难以有效识别出不同辐射源信号,因此将提取的3种时频原子特征综合,构成特征向量P=[P1,P2,P3],并构造合适的分类器,以实现辐射源信号的有效识别.3 仿真实验本文选择CW、LFM、NFLM、BPSK和BFSK这5种典型的雷达辐射源信号进行仿真实验.仿真信号脉冲宽度为10 μ s,采样频率为100 MHz.每种调制类型选取40组不同的调制参数,即共200组辐射源信号进行仿真.信号参数设置为:CW信号频率在6～45 MHz间每隔1 MHz取一组;LFM信号的起始频率在5～35 MHz间每隔3 MHz取一组,起始频率与终止频率的频偏在5～45 MHz间每隔5 MHz选取一组,且信号终止频率小于50 MHz;NLFM信号选择具体有0.5、1和2个正弦周期的正弦频率调制信号,且正弦波峰峰值在 10～45 MHz间每隔5 MHz取一组;BPSK 信号频率在10～45 MHz每隔5 MHz取一组,码元编码方式采用4、5、7、11和13位等 5种不同长度的 Baker码;BFSK信号低频频率在15～35 MHz每隔5 MHz取一组,高频频率与低频频率的频偏在10～20 MHz间每隔5 MHz取一组,且高频频率小于50 MHz,码元编码方式仍采用 4、5、7、11和13位等种不同长度Baker码.对每一种调制类型取不同调制参数时的雷达信号在2～10 dB的信噪比范围内每隔2 dB进行加噪声,即每种调制类型有200个样本,共计1 000个样本作为训练样本.同时,在2～10 dB的信噪比范围内,每隔1 dB重新进行加噪声,即每种调制类型有360个样本,共1 800个样本作为测试样本.对所有样本采用本文提出的方法提取出三维特征.训练样本的特征分布如图4所示,其中Gabor原子中心频率方差特征已经过归一化处理.图4 训练集样本特征分布图为了验证提取特征的有效性,本文通过构造分类器对测试样本进行分类.有向循环图支持向量积(DAGSVM)是由Platt等[8-9]提出的一种用于多分类的支持向量机分类方法.该方法在训练阶段对每两类之间构造一个分类器.对于k类的分类问题,即构造k(k-1)/2个分类器.在分类阶段时,将所有分类器构成一个有向非循环图,包括k(k-1)/2个节点和k个叶子,每个节点为一个分类器,并与下一层的2个节点或叶子相连.当对一个未知样本进行分类时,首先从顶部的根节点开始,根据根节点的分类结果,采用下一层的左节点或右节点继续分类,直到达到底层某个叶节点为止,该叶节点所表示的类别即为未知样本的类别.利用产生的1 000个训练样本训练DAGSVM分类器,其中SVM的核函数选择为径向基函数,然后用产生的1 800个测试样本对训练后的分类器进行测试.每一类信号的正确识别率定义为:分类器正确分类的该类信号样本数与该类信号样本总数之比.表1给出了DAGSVM分类器对测试样本的正确识别率.从表1可以看出,在较低的SNR范围内,DAGSVM分类器对5类辐射源信号进行分类识别时,均获得了较高的正确识别率.表1 雷达辐射源信号分类的正确识别率信号类型 CW LFM NLFM BPSK BFSK识别率/% 100 100 96.7 99.7 954 复杂度分析时频原子方法进行特征提取的运算量,主要集中体现在稀疏分解过程中信号与原子库的内积运算和分解的原子个数上.采用 TFAD方法在 Matlab环境下,对不同长度的LFM信号分别进行20次特征提取的平均时间曲线如图5所示.从图5可以看出,曲线基本呈线性,即 3种时频原子特征提取的时间复杂度近似为O(n),因此可以认为时频原子特征的计算复杂度为O(n).文献[4]中的分形特征提取方法涉及到信号的预处理、频域下信号的重构及重构信号信息维数的计算,其计算复杂度为O(nlogn).因此,与分形算法相比,时频原子方法具有较低的计算复杂度.图5 LFM信号20次特征提取平均时间本文主要从软件实现角度探讨时频原子特征的可行性.在进行仿真实验时,本文所采用信号的采样频率为100 MHz,而当前DSP和FPGA等硬件完全能够达到这样的处理速度.由于在硬件上的计算时间与算法在硬件上的具体实现方法有关,因此下一步的工作,我们将着重分析时频原子特征方法在硬件上的实现过程.5 结论本文采用时频原子方法,提出3种时频原子特征,用于辐射源信号的分类.这些特征在低信噪比和不同的调制参数情况下仍能反映出雷达辐射源信号的调制规律,有助于分类正确识别率的提高.其中Gabor首原子相似比特征和Chirplet首原子相似比特征与信号的调制参数无关,只与信号的调制类型有关,即不同调制类型的信号具有较为固定的首原子相似比特征值,为识别库函数的建立提供了可行性.文中采用DAGSVM分类器对低信噪比和不同调制参数下的5种典型雷达辐射源信号进行分类识别实验,获得了平均98.3%的正确识别率.此外,由于时频原子方法只需要对辐射源信号进行很少次数的分解,因此较大程度上降低了辐射源信号特征提取的计算复杂度.参考文献:【相关文献】[1]韩俊,何明浩,李胜喜,等.现代雷达辐射源识别技术研究[J].航天电子对抗,2008,24(1):43-45.HAN Jun,HE Minghao,LI Shengxi,et al.Study on recognition technology of modern radaremitter[J].Aerospace Electronic Warfare,2008,24(1):43-45.[2]张国柱.雷达辐射源识别技术研究[D].长沙:国防科学技术大学,2005.[3]张葛祥,金炜东,胡来招.基于粗集理论的雷达辐射源信号识别[J].西安交通大学学报,2005,39(8):871-875.ZHANG Gexiang,JIN Weidong,HU Laizhao.Radar emitter signal recognition based on rough set theory[J].Journal of Xi′an JiaotongUniversity,2005,39(8):871-875.[4]张葛祥,胡来招,金炜东.雷达辐射源信号脉内特征分析[J].红外与毫米波学报,2004,23(6):477-480.ZHANG Gexiang,HU Laizhao,JIN Weidong.Intrapulse feature analysis of radar emitter signals[J].Journal of Infrared and Millimeter Waves,2004,23(6):477-480.[5]MALLA T S G,ZHANG Z F.Matching pursuits with time-frequency dictionaries[J].IEEE Trans Signal Processing,1993,41(12):3397-3414.[6]VITALIY F,STEFAN J.Generalization of strategies in differential evolution[C]∥Proceedings of IPDPS04.Piscataway,NJ,USA:IEEE,2004:165-170.[7]NERI N F,TIRRONEN V.On memetic differential evolutionframeworks:astudyofadvantagesand limitationsin hybridization[C]∥Proceedi ngs of IEEE CEC08.Piscataway,NJ,USA:IEEE,2008:2135-2142.[8]VAPNIK V.The nature of statistical learning theory[M].New York,USA:Springer,1998.[9]PLATT J C,CRISTIANINI N,SHAWE T rge margin DAGs for multiclassclassification[C]∥Proceedings of the 1999 Co nference on Advances in Neural Information ProcessingSystems.Cambridge,M A,USA:MIT Press,2000:547-553.。