聚类方法在雷达信号分选中的应用_张万军 (1)

格式：pdf
大小：286.93 KB
文档页数：5

下载文档原格式

一种基于聚类思想的目标识别新方法

ａ，根据专家经验所获得的部分权重信息如下：Ｈ｝，
０２，≤ ０３，０２．５≤ ｌ．５．４≤ ≤ ０３０３≤ ．，．
．
≤ ０３，０１≤ ．５． ≤ ０２＝１２３４－√ ，，，
１）根据所给的归一化函数算得的决策矩阵为
步验证了该方法的可行性，为防空作战决策提供科学依据。
关键词：聚类；目标识别；多因素决策中图分类号：Ｔ９７５Ｎ５．１文献标识码：Ａ文章编号：０９— ５６２０）２—０２０１０３１（０６００９－３
目标识别是模式识别的一个重要分支，它主要应用于军事领域，ＣＩ是。系统中一个重要部分。随着高 ¨
思想原则，目对标的识别方法进行了初浅的尝试。
１影响目标识别的因素分析
对地空导弹武器系统而言，对空中目标的识别需要考虑的因素很多，通常有：目标速度、目标高度、目标雷达反射面积、标的机动加速度以及目标的航迹等。目目标不同，其飞行时的速度、高度、雷达反射面积、机动加速度都会有所不同，这都可为目标识别提供重要的信息。另外，如果可以准确测得目的飞行航迹和其标
．ｍ
ｙ
、，
，
＇＇，－２ … ４
＇＇，２…
（）５
对所求的得的Ｒ排序，。即可根据排序情况将目标归为ｒｎＲ）所对应的Ａ类。ａ（ｉｉｉ
３应用实例
设目标库中所存目标为Ａ，：Ａ，建立目标域Ａ＝｛，：，测得的目标参数为Ｂ＝｛Ａ，Ａ，Ａ，，，｝，ＡＡＡ盯，，

路侧激光雷达聚类方法

路侧激光雷达聚类方法
首先，路侧激光雷达会发射激光束并测量激光束与物体之间的距离和角度信息。

接收到的反射信号会被处理成点云数据，表示环境中的物体。

接着，聚类方法会被应用于点云数据，以识别和分类不同的物体。

在聚类方法中，常用的算法包括基于几何特征的方法和基于机器学习的方法。

基于几何特征的方法通常包括基于距离、密度或形状等特征对点云数据进行聚类。

而基于机器学习的方法则通过训练模型来识别不同类型的物体，例如支持向量机、神经网络等方法。

此外，还有一些先进的路侧激光雷达聚类方法，如基于深度学习的方法。

这些方法利用深度学习网络对点云数据进行端到端的学习和分类，能够更准确地识别复杂的路侧环境中的物体。

除了算法方法，路侧激光雷达聚类还需要考虑到传感器的参数设置、环境的复杂性、噪声和遮挡等因素。

因此，为了提高聚类方法的准确性和鲁棒性，还需要对数据预处理、特征提取和模型优化等方面进行综合考虑。

总的来说，路侧激光雷达聚类方法是一个复杂而重要的技术领域，需要综合考虑传感器、算法和环境等多个因素，以实现对路侧环境中物体的准确感知和识别。

基于模糊聚类的雷达信号分选

基于模糊聚类的雷达信号分选尹亮;潘继飞;姜秋喜【摘要】为克服传统信号分选算法的局限性,采用了基于模糊聚类分析的雷达脉冲信号分选方法.首先介绍了模糊聚类的基本原理和具体步骤,利用熵权法对不同雷达信号特征参数增加了加权系数,其次建立了有效性评价模型来确定最佳聚类,并进行了信号分选仿真实验.利用该方法进行模糊聚类时无需设置阈值,仿真结果证明分选方法的正确性,验证了此方法的有效性和可行性.该方法能够处理多个雷达脉冲信号,是一种解决多脉冲信号分选问题的新途径.【期刊名称】《火力与指挥控制》【年(卷),期】2014(039)002【总页数】4页(P52-54,57)【关键词】模糊聚类;雷达信号分选;熵权;有效性评价模型【作者】尹亮;潘继飞;姜秋喜【作者单位】电子工程学院安徽省电子制约技术重点实验室,合肥230037;电子工程学院安徽省电子制约技术重点实验室,合肥230037;电子工程学院安徽省电子制约技术重点实验室,合肥230037【正文语种】中文【中图分类】TN95随着电子侦察设备的广泛使用，雷达信号的密度越来越大，信号越来越复杂。

侦察接收系统首要面临的问题是对密集交迭的雷达信号进行自动分选。

因此，雷达信号分选是电子侦察信号处理中的关键技术之一［1］。

近些年来常用的聚类方法有:基于神经网络的聚类方法［2］、STING算法［3］、CLIQUE算法［4］以及CURE 算法［5］。

虽然这些算法在理论上可以实现信号的分选，但它们都有一个致命的缺点:确定聚类中心和聚类半径［6］。

在实际雷达信号分选中做到这点是非常困难的。

模糊聚类分选雷达信号是采用模糊数学方法，根据信号的各种参数，按某些预定特征参数进行分选。

模糊聚类的优点在于它能适应那些分离性不是很好的雷达信号，并且无需确定聚类中心和聚类半径。

模糊聚类法是根据信号之间的模糊性建立起样本之间的类别差异，能更客观反映雷达信号特点。

传统的模糊聚类需要人工设置阈值进行聚类，阈值的不同对聚类的结果有很多的影响。

基于改进的模糊聚类的雷达信号分选

网络与通信工程
基于改进的模糊聚类的雷达信号分选
姜军
（９２７８５部队，河北秦皇岛０６６２００）
摘要：基于模糊聚类的改进信号分选方法可使用雷达脉冲信号特征参数分选信号。本文简要介绍雷达信号的号分析方法。
关键词：模糊聚类；雷达信号分选；加权系数
中图分类号：ＴＮ９５７．５１
文献标识码：Ａ
文章编号：１６７４ — ７７１２（２０１４）０４ — ０１４０ — ０１
现有的以聚类方法为基础的信号分选方法：ＣＬＩＱＵＥ算法、１－ｍ ∑ｌ）～ＰＤＳＴＩＮＧ算法，以及以神经网络为基础的聚类算法。它们在一定程度上能满足雷达信号分选的要求，但都因计算量巨大以 ∞：对特征参数间距离进行计算的加权系数，为及聚类半径和中心参数较难掌控，而不能付诸实践。模糊聚（＾）＝（（Ｌ）ｌ，２， … ，（１）），归一化后能够确保０≤ ｒ ≤ １。类法，不需设定聚类半径和中心等参数，使用样本数据的相在此基础上，获得相似矩阵：Ｒ＝［ｒ］似度即可。其中ｉ＝ｌ，２，…，ｎ；ｊ＝ｌ，２，…，ｎ；０≤ ｒ｛ ≤１。雷达信号分选的常用方法（四）以熵值分析为基础的距离加权系数暗息论中，现阶段雷达信号分选的步骤（１）需测量的主要参数有． “ 熵”指的是一种不确定的度量。假设，集合Ｅｌ甲事件发生脉冲重复周期（ＰＲＩ）、脉冲到达时间（ＴＯＡ）、载频（ＣＦ）、的概率为ｘ＝（ｘ１，Ｘ２， …，ｘｎ），其中０≤ Ｘｊ ≤１，；如此，脉冲宽度（ＰＷ）、脉冲到达方向（ＤＯＡ）；（２）将测到的（・）的定义公式是：㈥，，．．，）一 ∑ ｌｏｇ。薯参数储存在缓存中，设置容限，使这些参数与雷达库中已知熵Ｈ参数进行匹配，并跟踪匹配的参数编号；（３）为减少雷达熵的特点是：极值性、非负性和对称性。集合Ｅ中如果信号流密度，应从内存中删除分选出来的信号。对上述参数等概率发生事件，那么熵值会达到最大，这表现了它的极值的分析可得到脉内调制ＰＭ、脉冲描述字ＰＤＷ。分选时，要（Ｘｔ，Ｘ２．－．Ｘ．） ≤ ，（，，．．，）Ｉ。ｇ对／１ｎ将各参数形成的Ｕ空间切分成ｍ个子分选空间｛Ｄ），将性：ＨＰＤＷ投影到子空间上，再与其投影在同一子空间中的脉冲合不同类间的分离程度随着熵值的减小而增大，其在聚类并。可以通过矩形非均匀划分法和均匀划分法划分子空间分析中的比重也越大。（Ｄｋ）ｎｉｋ＝１［１］。（五）相似聚类。在使用模糊聚类分选方法时，应在某二、以改进的模糊聚类为基础的雷达信号分选范围的置信度内进行，对模糊相似矩阵进行截取时要使用阈（一）选定参数。本机测量视频脉冲流可以测得ＴＯＡ与 ≥ ＰＲＩ可以通过对ＴＯＡ使用分选算法算得；根据载频和相位，可算得ＤＯＡ。中，行或列中所有元素的值都（二）标准化数据。处理数据时，为消除数据不同度量在截取后的模糊相似矩阵Ｒ对分选结果的影响，可使用极值标准化方法。标准化后，数为１的元素，它们的相似度最高，被认为是一类。循环使用这一原则可分选出所有类别。据基本上都在［０，１］间，可以同等量级参与运算０］。（六）追踪提取脉冲编号：（１）在模糊相似矩阵Ｒ中，样本数据表达为：ＰＤＷｉ＝（ＰＤＷＰＤＷＰＤＷ），ｎ：脉依据其对称性划分出其三角部分，并将其非零元素的下标填冲信号个甄ｆｉｘ每个信号所含特征参数的维甄ｉ＝ｌ，２， …，ｎ。［ｉ］［２］中；（２）为ｆ赋值为１，将ｆ代入到数组假设ｎ＝１２，ｍ＝３，所包含特征参数ｃＦ、Ｐｗ、ＰＭ，则此样入数组ＡＢ［ｔ］中，如果在数组Ａ［ｉ］［２］中搜索到与ｆ相等的元素，请本第ｋ维数据的期望：同行的另一元素不存在在数组Ｂ［ｔ］，那么就把这个元素记录Ｅ［ＰＤ】三ＰＤ到Ｂ［ｔ］里。（３）重复步骤（２），直至取完需要添加到数组Ｂ［ｔ］中的元素为止。（４）按行将Ｂ［ｔ］中的元素写入到不限方差：ｒ — … ～ … 一制维数的数字Ｃ中。（５）令ｆ取ｉ — ｎ中任一Ｃ中不存在的 ∑（ＰＤ～研肋】）。元素，重复步骤（２）一（５），直至Ｃ中元素个数为ｎ为止。三、结束语标准化后：通过分析和计算雷达信号特征参数，模糊聚类法可以在ＰＤＷｉｋ一＝（ＰＤＷｉｋ－Ｅ［ＰＤＷｋ］）／Ｃｋ这样还不能够确保样本数据在区间［０，１］上，还要采用很大程度上实现对雷达信号的分选。而如何将雷达信号的分选进行智能化改进，仍是现阶段研究所面临的问题。极值化方法处理数据：参考文献：朋一丝＝ＰＤ一一ＰＤ［１］向娴．未知雷达信号分选算法研究ｆ【）１．陕西：西安电２０１１．在这个公式中，ＰＤ，是ＰＤＷｉｋ，的最小值，ＰＤ，是子科技大学，『２】陈维高．张国毅．基于改进网格聚类的动态雷达信号ＰＤＷ的最大值。『］．雷达与对抗，２０１２（１５）：１５ — １６．（三）构造相似矩阵。在标准化处理后，再计算样本相分选算法［似度。【３】杨多．复杂环境下多参数雷达信号分选算法研究［Ｄ】．例：假设所取出的两样本为ＰＤＷ和ＰＤＷ，可以通过主观黑龙江：哈尔滨工程大学，２０１２．评定法、几何平均最小法、算数平均最小法、相关系数法等

一种新的未知雷达信号聚类分选方法

ｓａｅＦｎｌｔｅｓｇａｏｔｇｉａｈｅｅｈｏｇｅｈｇｅｓｔｏｎｃｉｉｆｄ．ｎａｄ— ｐｃ．ｉａｙ，ｉｌｓｒｉｓｃｉｖｄｔｒｕｈｔｉｈｄｎｉｃｎｅｔｔｏｓＩｄｉｌｈｎｎｈｙｖｙｔｎ，ｅｓｇａｏｉｇｗｔｏｔｙｐｏｎｗｌｄｅｃｕｄｂｃｏｌｈｄ，ｎｉｔｏｎｅｓ— ｉｔｉｌｒｎｉｕｒｒｋｏｅｇｏｌｅａｃｍｐｉｅａｄｔｓｍｅｄｉｕｓｎｉｏｈｎｓｔｈｎａｉｓｈｈｓｔｅｔｅｎｉ．ｈｉｌｔｎｍｓｈａｉａｅｔｅｅｅｔｅｅｓｏｅｍｅｈ．ｉｏｔｏｓＴｅｓｍｕａｉｕｓｖｄｔｆｃｉｎｓｆｔｔｏｖｈｅｏｌｈｖｈｄＫｅｒｓｓａｏｉｇｙｗｏｄ：ｉｌｓｒｎ；ｎｇｔｄｃｕｔｒｇ；ｄｎｉｒｓｏｄｌｓｅｉｎｅｓｔｔｅｈｌｙｈ
电子信息对抗技术・２第７卷２１年１０２月第１期
一
王晓峰，张国毅，杰戴种新的未知雷达信号聚类分选方法
１９
中图分类号：Ｎ７．Ｔ９１１
文献标志码：Ａ
文章编号：６４— ２０２１｝１０９４１７ ቤተ መጻሕፍቲ ባይዱ ３（０２０ —０１ —０
１引言
雷达信号分选是雷达侦察系统中信号处理的
的信号分选算法的正确率较低。因此，急需发展
新的分选方法，高密度复杂的雷达侦察数据进对

一种基于Kmeans聚类算法的气象雷达信标检测方法[发明专利]

专利名称：一种基于Kmeans聚类算法的气象雷达信标检测方法
专利类型：发明专利
发明人：魏巍,魏琦,林涛峰
申请号：CN201810898404.5
申请日：20180808
公开号：CN109085593A
公开日：
20181225
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于Kmeans聚类算法的气象雷达信标检测方法，所述气象雷达信标检测方法包括：S1：通过气象雷达天线扫描获得多个原始信标的信标参数信息；S2：根据原始信标的第一信标参数信息，对同一信标编码的多个原始信标进行聚类获得聚类信标；S3：根据原始信标的第二信标参数信息，对聚类信标中的原始信标的第一信标参数信息进行加权平均，获得聚类信标的质心。

本发明的基于Kmeans聚类算法的雷达信标检测方法通过采集雷达一个扇面内所有的信标信号，对采集的所有信号在一定方位及距离范围内，根据信号功率对信标目标进行聚类，使检测出的信标结果更加准确，在不改变硬件结构、不新增经费的基础上有效的解决了该问题。

申请人：中国航空工业集团公司雷华电子技术研究所
地址：214063 江苏省无锡市梁溪路108号
国籍：CN
代理机构：北京航信高科知识产权代理事务所(普通合伙)
代理人：王子溟
更多信息请下载全文后查看。

一种基于改进网格聚类的雷达信号分选算法

信号分选。首先，据读入的雷达脉冲列数据动态生根成相交的网格，减少了网格生成数目，提高算法的执行效率；次利用密度阈值去除离群点和噪声点，其对低密度网格进行 “ 信息提取 ” 处理，而对类的边界进行优从化，提高聚类精度。
定网格划分主要存在以下问题：１固定网格的位置（）
现代战争中，各种雷达及精确制导武器的大量应用，使
可能造成小聚类丢失；２聚类的精度不高，（）聚类的边
得雷达对抗侦察系统面临的信号环境日趋密集，而且信号愈加复杂多变。因此，现代雷达侦察设备的信号分选任务十分艰巨而复杂，现在常用的信号分选方且
摘
要：网格聚类算法用于雷达信号分选，将针对传统网格聚类算法执行效率不高，类精度聚
低等问题，对传统网格聚类算法进行了改进，最后通过仿真实验验证了改进算法有效性和先
进性。
关键词：雷达；信号分选；网格聚类中图分类号：Ｎ５．１Ｔ９７５文献标识码：Ａ文章编号：０９— ４１２１）２— ０３— １０００（０１００４０４
ＡｂｔａｔＴｅｏｖｎｏａｓｒｃ：ｈｃｎｅｔｎｌｉｄｌｓｒｎａｇｒｈ，ｓｄｏｒｄｒｉｎｌｏｔｇａｓｍｅｃｕｔｉｇｌｏｔｍｕｅｆｒａａｓｇａｅｉｓｒｎ，ｈｓｏｉ

一种新的k-means聚类雷达信号分选算法

一种新的k-means聚类雷达信号分选算法
张冉;夏厚培
【期刊名称】《现代防御技术》
【年(卷),期】2015(043)006
【摘要】针对传统k-means聚类算法在雷达信号分选中应用存在的不足,提出了一种基于数据场和灰关联分析的k-means聚类雷达信号分选算法.该算法首先根据数据场理论计算所有数据样本的势值,寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,局域势值最大值个数作为聚类数目;然后用灰关联度代替欧式距离来判断数据样本间相似性.该算法能够自动获取初始聚类中心和聚类数目,对频率捷变雷达具有较好的分选效果.仿真结果验证了算法的可行性.
【总页数】6页(P136-141)
【作者】张冉;夏厚培
【作者单位】南京信息工程大学电子与信息工程学院,江苏南京210044;中国船舶重工集团第七二四研究所,江苏南京210003
【正文语种】中文
【中图分类】TN957.51;TP301.6
【相关文献】
1.一种基于数据场聚类的雷达信号分选算法 [J], 贾然;胡进
2.一种基于层次划分聚类的雷达信号分选算法 [J], 何佩佩;唐霜天;匡华星
3.基于蚁群算法的K-Means聚类雷达信号分选算法 [J], 赵贵喜;骆鲁秦;陈彬
4.一种自适应容差的雷达信号分选聚类算法 [J], 易波;刘培国;薛国义
5.基于PCA联合K-Means聚类的雷达信号分选算法 [J], 翁永祥; 赵万磊; 郑志娟因版权原因，仅展示原文概要，查看原文内容请购买。

情报检索语言中聚类的原理和方法

情报检索语言中聚类的原理和方法
张琪玉
【期刊名称】《北京图书馆馆刊》
【年(卷),期】1997(006)001
【摘要】情报检索语言中聚类的原理和方法张琪玉聚类原理和作用进行“聚类”，目的是使情报检索语言具有“对内容相同及相关的情报加以集中或揭示其相关性”这项功能。

各种情报检索语言所采用的显示概念之间关系的一切方法，都是聚类方法。

聚类原理，也正在于通过一定形式揭示情报...
【总页数】8页(P18-25)
【作者】张琪玉
【作者单位】空军政治学院信息管理系
【正文语种】中文
【中图分类】G254.0
【相关文献】
1.网络信息检索中情报检索语言一体化原理的应用分析 [J], 张燕飞;邹瑾
2.情报检索语言中轮排的原理和方法 [J], 张琪玉
3.情报检索语言“标引偶合”现象的原理及其应用 [J], 胡明
4.情报检索语言词汇对应关系研究的原理与方法初探 [J], 胡明
5.网络体育信息检索中情报检索语言一体化原理应用探析 [J], 刘璇;徐飞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于蚁群算法的K_Means聚类雷达信号分选算法

基于蚁群算法的K2Means聚类雷达信号分选算法赵贵喜,骆鲁秦,陈彬(空军航空大学,吉林长春130022) 摘　要:在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。

目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。

文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K2Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。

仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。

关键词:雷达信号分选;蚁群;聚类分选;K2Means算法中图分类号:TN911;TN957 文献标识码:A 文章编号:167222337(2009)022*******R ad ar Signal Sorting B ased on Ant Colony and K2Means C lusteringZHAO Gui2xi,L UO Lu2qin,CH EN Bin(A viation Universit y of A i r Force,Changchun130022,China) Abstract:As advanced radars increase rapidly in modern warfare,electromagnetic environment becomes more and more complicated,and radar signal sorting faces new challenge.Signal sorting methods adopted at present based on statistic histogram donπt adapt modern radar signal environment more and more.In this pa2 per,clustering analysis is introduced into radar signal sorting.Ant colony algorithm and K2Means are com2 bined.A new radar signal sorting method is presented.This method is easy to realize by programming and does not need priori knowledge of the radar signal.It is suitable for dealing with the unknown radar signal. The simulation shows that the method has good sorting result,providing a new way for radar signal sorting.K ey w ords:radar signal sorting;ant colony;clustering and sorting;K2Means algorithm1　引言随着现代科学技术的不断发展,雷达信号形式日益复杂化,信号脉冲密度越来越高。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

3 基于质心的技术 : K2Means 聚类方法
K2Means 算法以 k 为参数 ,把 n 个对象分为 k
个簇 ,以使簇内具有较高的相似度 , 而簇间的相似
度较低。相似度的计算则根据同一簇中对象的平
均值 (被看作簇的重心) 来进行。
K2Means 算法的处理流程如下。首先 , 随机
地选择 k 个对象 , 每个对象初始地代表了一个簇
Key words : radar signal ; signal sorting ; cluster
1 引言
随着雷达反侦察技术的发展和雷达辐射源数量的增加 ,电子侦察设备截获的雷达信号数量巨大而且样式复杂。密集交叠的信号环境和特殊体制雷达信号的日益增多 ,使得雷达信号的分选工作变得越来越困难 ,传统的分选方法面对这种复杂的电子侦察数据显得束手无策。因此 ,亟待发展在密集、复杂信号环境中分选雷达信号的新方法。
而 p’ 和 m i 都是多维的。这个准则使生成的结果簇
尽可能地紧凑和独立。
用上述改进的方法确定一个簇的平均值或中
心值。对剩余的每个对象 ,根据其与各后重新计算每个
簇的平均值。这个过程不断重复 ,直到上述准则
函数收敛。此时确定的每个簇就是聚类的结果。
k i =1
p’ ∈Ci [ ( rf -
m
i rf
)
2
+
( pw
-
m
i pw
)
2
+
( pa - m ipa) 2 ]
(2)
这里 , E 是数据中所有对象的平方误差的总和 ; p’
是空间中的点 , 表示给定的经过归一化处理后的
数据对象 ;
mi
(
m
i rf
,
m
i pw
,
m ipa)
是簇
Ci 的平均值 ;
在此 ,我们针对雷达信号的特点 ,提出一种基于 K2Means 聚类算法的改进的聚类方法 ,用来分选上述剩余信号 (当然 , 对于常规雷达信号的分选 ,此方法同样适用) 。根据上面对信号特性和参数特征的分析 , 可将信号载频 ( RF) 、脉冲宽度 ( PW) 、脉冲幅度 ( PA) 这几维参数作为聚类分选的主要参数。信号的到达角虽是一较可靠的参数 , 但由于天线的测向精度和测向分辨率不高 ,因此到达方向 (DOA) 或到达角 (AOA) 相同或相近的信号可能并非来自同一信号源。故而在此考虑不使用信号的到达角作为聚类参数 ,而把它作为分选前进行空间稀释的参数 ,以达到减小工作量和复杂度的目的。
2 雷达信号样式
雷达信号包含着多个复杂参数。本文描述的雷达信号以雷达脉冲的形式给出 ,包括脉冲到达时间 ( TOA) 、脉冲宽度 ( PW) 、脉冲重复周期 ( PR I) 或重复频率 ( PRF) 、信号载频 ( RF) 和信号的到达方向 (DOA) 或到达角 (AOA) 等参数。
Application of Cluster Method to Radar Signal Sorting
ZHAN G Wan2jun , FAN Fu2hua , TAN Ying ( Elect ronic Engi neeri ng I nstit ute of PL A , Hef ei 230037 , Chi na)
的平均值或中心值。对剩余的每个对象 ,根据其
与各个簇中心的距离 ,将它赋给最近的簇。然后
重新计算每个簇的平均值。这个过程不断重复 ,
直到准则函数收敛。通常采用平方误差准则 ,其
定义为
∑ ∑ E =
k i =1
p ∈Ci p - m i 2
(1)
这里 , E 是数据库中所有对象的平方误差的总和 ;
法是相对可伸缩的和高效率的 , 因为它的复杂度
是 O ( nkt) , 其中 , n 是所有对象的数目 , k 是簇的
数目 , t 是迭代的次数。通常情况下 , k ν n ,且 t ν
n 。但是 ,这个算法经常是以局部最优结束的。必须指出 , K2Means 算法只有在簇的平均值被
确定的情况下才能使用 ,因而它可能不适用于某些应用 ,例如涉及有分类属性的数据。很明显 ,式 (1) 表示的 K2Means 算法不适合于发现非凸面形状的簇 ,或者大小差别很大的簇 ;而且 ,它对于“噪声”和孤立点数据是敏感的 ,少量的这类数据就能对平均值产生极大的影响。
到的信号按时间顺序排列而形成雷达信号集 ,如
Abstract : In order to overcome t he difficulty in sorting t he overlapped non2conventional radar signals wit h close parameters , we present an improved cluster met hod and apply it to sort t he rest radar signals after conven2 tional sorting. The feasibility of t his met hod is verified by a lot of simulation experiments.
1047
3
0. 8～1k 2250～2350 1. 2～1. 25 68～80 重频参差频率跳变脉宽捷变脉幅捷变
2667
4
0. 7～0. 9k 2550～2750 1. 3～1. 4 56～64 重频抖动频率捷变脉宽捷变脉幅捷变
3150
仿真现实的接收机接收过程 ,同时加入各项
参数的随机测量误差 (误差为高斯噪声) 。将接收
1 ]区间内 ,最大值对应 1 ,最小值对应 0 。
(2) 对 K2Means 算法作改进
要改进 K2Means 算法簇的均值的确定方法。
传统的 K2Means 算法簇的均值是随机选取 k
个对象作为所要聚集的 k 个类中心的初始值。但对
于雷达信号来讲 , 来自同一雷达的信号参数具有
一定的相近性 ,各维的参数可能相似甚至相同。这
在电子对抗中 ,通常将雷达信号分为常规信号和特殊信号。常规信号是指载频、脉宽、重复频率不变化的脉冲信号。不同体制的雷达 ,例如圆周扫描、扇扫、单脉冲体制雷达 ,只要其信号参数不变都属于常规信号 ,它们的不同只表现在脉冲参数和天线调制上。而特殊雷达信号是相对常规信号而言的 ,主要有 :
将聚类算法应用于雷达信号的分选 ,就是将所接收到的雷达信号数据集作为待分选数据 ,利用上述描述脉冲信号的各维参数 ,将信号聚为多个类 ,尽可能地把某个辐射源所发出的信号聚集成一类 ,从而达到分选的目的。
针对雷达信号的特点 ,首先要对雷达信号进行预处理 ,然后对 K2Means 算法进行改进 ,最后利用其分选信号。现将具体分选步骤描述如下 :
表 1 雷达参数信息表
雷达重复频率序号 ( Hz)
载频 ( MHz)
脉宽 (μs)
脉幅信号数量
( mV)
(个)
1
0. 3～0. 4k 2080～2250 1. 2～1. 3 48～60 重频滑变频率捷变脉宽捷变脉幅捷变
826
2
0. 3～0. 4k 2750～2850 1～1. 1 60～80 重频抖动频率捷变脉宽捷变脉幅捷变
雷达科学与技术
第 2 卷第 4 期
● 组间频率跳变信号 ; ● 脉冲压缩信号 ; ● 频率分集信号。对于常规雷达信号 ,已有成熟的分选方法 ,软件、硬件上均已实现 ,对其处理速度较快 ,不存在很大问题。但对特殊体制的雷达信号 ,由于其参数的变化性 ,导致分选极其困难。尤其是在复杂的电子环境中 ,大量的脉冲交叠更大大增加了信号分选的复杂性和难度。但是 ,不论雷达信号的调制样式多么复杂 ,同一辐射源的信号必定具有很高的自相似性 ,而不同辐射源之间的信号相似性则较低。聚类分析技术依据数据本身的自相似性把同类信号聚集在一起。我们正是依据聚类分析技术的这一特点 ,把它引入到雷达信号分选中来。
(3) 把 K2Means 算法用于信号分选
将接收到的雷达数据集的 RF 维、PW 维和
PA 维这三维作为分选的参数。设某一信号 p 经过
归一化处理后 , 取出 RF 、PW 和 PA 这三维 , 成为
新的形式 p’ ( rf , pw , pa) 。
利用平方误差准则 ,定义误差为
∑ ∑ E =
● 重复周期变化的脉冲信号 ; ● 重复周期参差的信号 (有固定关系的几个重
复使用的脉冲列) ; ● 频率捷变 (脉间跳频) 信号 ;
收稿日期 : 2004 - 02 - 18 ;修回日期 : 2004 - 03 - 10 Ξ 基金项目 :安徽省优秀青年科技基金 (2002～2003) 资助项目
2 20
第4期 2004 年 8 月
Radar
雷达科学与技术
S cie nc e a nd Te c hnology
Vol. 2 No. 4
August 2004
Ξ
聚类方法在雷达信号分选中的应用
张万军 , 樊甫华 , 谭营
(解放军电子工程学院 ,安徽合肥 230037)
摘要 : 针对参数相近、互相交叠的非常规雷达信号分选所面临的困难 ,提出一种改进的聚类方法 , 并将其应用于常规分选方法提取后的剩余雷达信号。通过大量的仿真实验 ,验证了此分选方法的可行性。
关键词 : 雷达信号 ; 信号分选 ; 聚类中图分类号 : TN974 文献标识码 :A 文章编号 :167222337 (2004) 0420219205
p 是空间中的点 ,表示给定的数据对象 ; m i 是簇 Ci 的平均值 ,而 p 和 m i 都是多维的。这个准则使生成的结果簇尽可能地紧凑和独立。