聚类方法在雷达信号分选中的应用_张万军 (1)
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 ｝，
０ ２ ，≤ ０ ３ ， ０ ２ ．５≤ ｌ ．５ ． ４≤ ≤ ０ ３ ０ ３≤ ．， ．
．
≤ ０ ３ ， ０ １≤ ．５ ． ≤ ０ ２ ＝ １２ ３４ －√ ，， ，
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 ：Ｔ ９ ７５ Ｎ５．１ 文献标 识码 ： Ａ 文章编号 ：０９— ５６ ２０ ）２—０２ ０ １０ ３ １ （０ ６ ０ ０ ９－ 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， Ｃ Ｉ 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 ｒ ｎ Ｒ ）所对应 的Ａ类 。 ａ （ｉ ｉ ｉ
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 ， ， ， ｝， Ａ Ａ Ａ 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
基于改进的模糊聚类的雷达信号分选
姜 军
（ ９ ２ ７ ８ ５ 部 队 ，河北秦 皇岛 ０ ６ ６ ２ ０ ０）
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 ：Ｔ Ｎ９ ５ ７ ． ５ １
文献标识码 ：Ａ
文章编号 ：１ ６ ７ ４ — ７ ７ １ ２（ ２ ０ １ ４ ） ０ ４ — ０ １ ４ ０ — ０ １
现有的 以聚类方法 为基础 的信 号分选 方法：Ｃ Ｌ Ｉ Ｑ Ｕ Ｅ 算法 、 １ － ｍ ∑ｌ ） ～ Ｐ Ｄ Ｓ Ｔ Ｉ Ｎ Ｇ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 Ｅ ｌ 甲事件发生 脉冲 重复周 期 （ Ｐ Ｒ Ｉ ） 、脉 冲 到 达 时 间 （ Ｔ Ｏ Ａ ） 、载 频 （ Ｃ Ｆ ）、 的概率 为 ｘ ＝ （ ｘ １ ， Ｘ ２ ， …， ｘ ｎ ） ，其中 ０≤ Ｘ ｊ ≤１ ， ；如此 ， 脉冲宽度 （ Ｐ Ｗ ）、脉 冲 到达 方 向 （ Ｄ Ｏ Ａ ）； （ ２ ）将 测 到 的 （ ・ ） 的定义公式是： ㈥ ， ， ． ． ， ） 一 ∑ ｌ ｏ ｇ 。 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 Ｐ Ｍ 、脉 冲描 述 字 Ｐ Ｄ Ｗ 。分选 时， 要 （ Ｘ ｔ ， Ｘ ２ ． － ． Ｘ ． ） ≤ ， （ ， ， ． ． ， ） Ｉ 。 ｇ 对 ／ １ ｎ 将 各 参数 形 成 的 Ｕ空 间切 分成 ｍ个 子分 选 空 间 ｛ Ｄ ） ，将 性 ：Ｈ Ｐ Ｄ Ｗ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 。 （ Ｄ ｋ ） ｎ ｉ ｋ ＝ 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 Ｔ Ｏ Ａ与 ≥ Ｐ Ｒ Ｉ 可 以通过对 Ｔ Ｏ Ａ使用分选算法算得；根据载频和相位 ， 可算得 Ｄ Ｏ Ａ 。 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：Ｐ Ｄ Ｗ ｉ ＝ （ Ｐ Ｄ Ｗ Ｐ Ｄ Ｗ Ｐ Ｄ Ｗ ） ，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 ｆ ｉ ｘ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 ＝ １ ２ ，ｍ ＝ ３ ，所包含 特征 参数 ｃ Ｆ 、Ｐ ｗ 、Ｐ Ｍ ，则此 样 入 数 组 Ａ Ｂ ［ 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 ［ Ｐ Ｄ 】 三 Ｐ Ｄ 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 ∑（ Ｐ Ｄ ～ 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 Ｐ Ｄ Ｗ ｉ ｋ 一 ＝ （ Ｐ Ｄ Ｗ ｉ ｋ － Ｅ ［ Ｐ Ｄ Ｗ ｋ ］ ） ／ Ｃ ｋ 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Ｐ Ｄ ［ １ ］ 向娴 ． 未知 雷达信 号分 选算法研 究 ｆ 【 ） １ ． 陕西 ： 西安 电 ２ ０ １ １ ． 在 这个 公 式 中，Ｐ Ｄ ， 是Ｐ Ｄ Ｗ ｉ ｋ ， 的 最 小值 ，Ｐ Ｄ ， 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 Ｐ Ｄ Ｗ 的最大值 。 『 ］ ． 雷达与对抗 ， ２ ０ １ ２（ １ ５）： １ ５ — １ ６ ． （ 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 Ｐ Ｄ Ｗ 和Ｐ Ｄ Ｗ ，可 以通过主观 黑龙 江 ： 哈 尔滨工程 大学 ， ２ ０ １ ２ ． 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
电子信息对抗技术 ・ ２ 第 ７卷 ２１ 年 １ ０２ 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
１ ９
中图分类号 ：Ｎ ７ ． Ｔ ９１１
文献标 志码 ： Ａ
文章编号 ：６４— ２０ ２ １ ｝１ ０９ ４ １７ ቤተ መጻሕፍቲ ባይዱ ３ （０２ ０ —０ １ —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]
![一种基于Kmeans聚类算法的气象雷达信标检测方法[发明专利]](https://img.taocdn.com/s3/m/ad847f861eb91a37f0115cb5.png)
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
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 ：Ｎ ５ ． １ Ｔ ９ ７ ５ 文献标 识码 ： Ａ 文章编 号 ：０ ９— ４ １ ２ １ ） ２— ０ ３— １０ ０ ０ （ ０ １ ０ ０ ４ ０ ４
Ａｂ ｔ ａ ｔ Ｔ ｅ ｏ ｖ ｎ ｏ ａ ｓｒ ｃ ： ｈ ｃ ｎ ｅ ｔ ｎ ｌ ｉ ｄ ｌ ｓ ｒｎ ａｇ ｒ ｈ ， ｓ ｄ ｏ ｒ ｄ ｒ ｉｎ ｌ ｏ ｔ ｇ ａ ｓ ｍｅ ｃｕ ｔ ｉ ｇ ｌｏ ｔ ｍ ｕ ｅ ｆ ｒ ａ ａ ｓｇ ａ ｅ ｉ ｓ ｒ ｎ ，ｈ ｓ ｏ ｉ
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。
- 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 。