第四章 實驗結果與討論
4.3 本章小結
為了實現對較難分辨的未知目標訊號辨識，採用CMAC演算法來訓練和建立雷達信 號，然後透過辨識方式將各種特徵參數相近的類型信號進行正確分類，以實現分類辨識。
CMAC因為其演算法沒有牽涉到艱深的數學運算，構造簡單且具備高速學習收斂、良好 的區域類化能力，較其他類神經方式更容易實現於硬體晶片上，更能達到攜帶方便與實 質應用更合乎戰場的需求，在仿真雷達型號識別中亦比具有更高的識別準確率；因此，
在綜合目標識別中選取CMAC進行系統設計具有一定的可行性和工程價值
第五章
結論與未來展望 5.1 結論
在現代電子戰役中，雷達的使用佔有舉足輕重的地位，而雷達輻射源的辨識不僅是 軍事C4ISR系統的重要課題，也是現代綜合電子戰研究的內容和關鍵技術，從獲取雷達 型號、參數資訊等相關訊息，判斷其平臺的所在特徵、操作情形，替作戰指揮官提供可 靠的資料以供決策依據，因此，對未知雷達輻射源的識別，成為發展電子支援系統(ESM) 的重要功能之一。
隨著研究的不斷深入，新的演算法和理論不斷出現，本文基於傳統類神經網路的基 礎上，採用小腦神經模型不僅保留類神經網路的非線性映射能力和自學習能力，在運算 處理時間、發展硬體及攜帶式晶片的應用可行性上都較為優異，且在雷達輻射源識別系 統中不僅能辨識出現有數據庫內的輻射源，而且亦能識別出未知的雷達輻射源，這對於 一個雷達輻射源識別系統而言具有極大的價值，現在對本篇論文的工作做如下總結：
1. 說明了目前資訊融合技術的發展狀況以及融合處理結構，並結合本論文的情況，將 多部ESM探測後的資訊，對相關聯的雷達輻射源進行融合後存取為數據庫；
2. 介紹了數據融合研究的背景和意義以及目前演算法研究的現狀，並列舉了當前眾多 的辨識方法，如：Bayes推理，Dempster-Shafer證據理論，BP類神經網路、RBF類神 經網路等學習法，並闡述了各種識別方法的優點；
3. 詳述CMAC小腦神經模型演算法以及辨識方法於雷達輻射源型號辨識中的應用，通 過實驗測試說明辨識方式的可行性，且在仿真實驗中具有較快的訓練時間與更高的 辨識準確率，最後在PC上使用DEV-C++軟體設計目標辨識系統；
4. 本篇論文所提出的辨識方式，不僅適用於戰場情形，也可以應用在日常生活中或商 業行為上的各種多資訊融合決策情況。
5.2 未來展望
未來戰爭是多維一體的資訊化戰爭。除了本論文提出的目標辨識方法，若能連結前 後層級處理發展全方位的電子資料偵蒐、電子系統防衛與進攻系統，這樣才能有效的在 戰場中做整體作戰應用；把作戰部隊、防禦資源、所屬發射平臺及衛星平臺連接起來集 合成綜合一體的設備，實現各作戰平臺及各部隊之間高速、即時且大容量的資料和資訊 交換，並採用數學演算法技術充分發揮各傳感器參數與參數之間的互補優勢，由結合的 控制管理平臺使各級指揮員能夠全面、及時掌握戰場態勢，達到戰場目標的情報收集、
跟蹤監視、識別偵察、相互定位、態勢評定、威脅估計等系列實施，將帶來更為可靠的 應用前景。