一种新的k-means聚类雷达信号分选算法

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。     

一种基于数据场聚类的雷达信号分选算法

针对传统聚类算法在雷达信号分选中存在的一些问题,提出了一种基于数据场聚类的信号分选算法。首先所有数据样本经过归一化计算,根据数据场理论计算样本的势值,通过寻找极大值点及其个数确定初始聚类中心和聚类数目,之后重新计算聚类中心。通过对频率捷变雷达的实验仿真,验证了算法的有效性。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。     

基于相邻脉冲相似性的快速聚类分选方法

针对复杂环境下的聚类问题,提出了一种新的聚类分选算法。其利用同一雷达辐射源的相邻脉冲间的相似性对信号进行聚类。该算法按到达时间顺序将信号依次归类,并将新分类的数据作为所在类的聚类中心,其无需事先指定聚类的数目,也无需进行反复的迭代计算。仿真表明,该算法不仅分类准确,而且大大缩减了计算量。     

DSets-DBSCAN无参数聚类的雷达信号分选算法

针对现有的很多高效分选算法的性能严重依赖于外界输入的参数问题,例如聚类数目、聚类容差等,将无参数聚类算法DSets-DBSCAN应用于雷达信号分选,提出了一种无参数的雷达信号脉冲聚类算法。该算法无须依赖于任何参数的设置,就能自适应地完成聚类。算法输入直方图均衡化处理过的成对相似性矩阵,使得Dsets(dominant sets)算法不依赖于任何参数;根据得到的超小簇自适应给出DBSCAN的输入参数;利用DBSCAN扩展集群。仿真实验证明,该算法对雷达脉冲描述字特征进行无参数分选的有效性。同时,在虚假脉冲比例(虚假脉冲数/雷达脉冲数)不高于80%的情况下,对雷达信号的聚类准确率在97.56%以上。     

一种改进的电子情报分析模型

电子情报的分析处理,对提高电子对抗作战效能意义重大。综合运用聚类算法和分类算法构建了一种改进的电子情报分析模型。该模型首先通过基于粗糙集改进的k-means算法完成对记录数据库中雷达信号的聚类分选,选取聚类中心信号表征此类信号;再采用粗糙集提取有效的最优规则并用于聚类中心脉冲识别,从而分选出已知信号和未知信号;未知信号确定其特性后添加到已知威胁雷达数据库。通过仿真,验证了该模型的适用性和有效性。     

基于优化初始聚类中心K-Means算法的跳频信号分选

提出了一种优化初始聚类中心的方法.方法通过搜索参数统计直方图峰值预估类数目,并根据峰值位置确定聚类中心大概位置.由于优化的初始类心与实际类心相隔不远,聚类迭代次数大为减少.与传统的优化聚类中心方法相比,本方法计算量更少.最后将改进K-Means聚类算法应用于跳频信号分选,仿真结果表明,分选效果良好.     

一种新的基于网格聚类的雷达信号预分选算法

雷达信号分选一直是雷达对抗情报处理中的难题,将网格聚类应用于雷达信号预分选,针对现有网格聚类需要输入网格划分、网格边界处理精度低等问题,提出一种新的基于网格聚类的雷达信号预分选算法.该算法根据网格数据压缩率自适应确定网格划分和密度阈值,并对网格边界进行优化处理.仿真实验表明,该算法能有效适用于雷达信号预分选,且有较强的抗噪声能力.     

雷达信号非均匀粒度聚类分选方法

聚类分析是数据挖掘中的重要技术.在比较分析了两种常用的聚类分析方法的基础上,将基于商空间的非均匀粒度聚类算法应用于雷达信号分选中,仿真实验的结果表明:该算法可以从不同层次观察聚类数据,更适用于复杂雷达信号聚类分选,具有良好的性能.     

基于相似性传播聚类的灰度图像分割

基于k-Means等聚类算法的图像分割对聚类中心的初始选择敏感,可靠性差.为避免初始聚类中心选择的影响,将相似性传播聚类用于灰度图像分割.另外,为降低该聚类算法输入相似度矩阵的计算时间复杂度.提出用待分割图像中出现过的灰度值代替像素点作为数据点进行聚类.实验结果表明,与基于k-Means聚类的分割算法相比,该算法不需要预设聚类中心,可靠性更高.     

基于模糊聚类的雷达信号分选

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。     

一种基于层次划分聚类的雷达信号分选算法

近年来,聚类分析在雷达信号分选领域中得到了大量的关注。大部分算法聚类数需要事先人为设定,为了解决这一问题,将基于层次划分的聚类算法应用到雷达信号分选当中。该算法通过数据各个维度的差与对应阈值的比较进行分类,并提出一种基于"点对"的平均距离的评价指标来确定最佳聚类,无需人为设定聚类数,可实现自动聚类。仿真实验表明,此算法对参数固定和参数变化的雷达都具有良好的分选能力,分选准确率较高。     

改进加权SVC的雷达信号分选新方法

目前基于多参数的雷达信号聚类分选方法得到了广泛应用,但是当雷达信号严重交叠时,存在正确率不高的问题,为此,在支持向量聚类和分层互耦的分选算法基础上,首先利用变精度粗糙集对标准化的雷达信号数据进行加权处理,然后通过分析聚类分选结果构建有效性评价模型,确定最佳的聚类分选参数。仿真表明,当雷达信号数据严重交叠时,相比原始方法,改进的方法正确率显著提高,证明了方法的有效性。     

基于数据场改进的目标分群算法

针对支持向量聚类算法训练样本不稳定问题,引入数据场概念,提出一种基于数据场的支持向量聚类算法,将数域空间构成的数据场中势值较高样本作为训练集获得模型再进行预测聚类。将改进的算法用于态势估计中目标分群问题,仿真结果表明:该算法在样本容量不是很高条件下的准确率较传统算法有所提高,很好地解决了训练样本选择影响聚类效果的问题,但改进后算法耗时较原先有所增加。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

基于合成特征参数和脉冲样本图的雷达信号分选

雷达脉冲信号的分选是电子战争中的研究热点,同时也是难点问题.针对雷达所截获的辐射源脉冲提出了一种基于合成特征参数值(CCP)的脉冲样本图分选算法.算法利用全脉冲数据的特征参数,根据每一个特征参数的差异性对特征参数值进行编号,通过编号值可以得到依据该特征参数值对脉冲的分类个数,进而计算出单一特征值的加权系数.通过加权系数对每一个特征参数的加权得到合成的特征参数,然后结合每一类信号的脉冲到达时间,提出了脉冲样本图匹配分选的新算法.与传统的PRI分选相比,脉冲样本图分选具有较小的运算量,计算机仿真试验表明该算法能够实现对信号的分选.     

基于聚类分析的入侵检测算法?

聚类技术在入侵检测中被广泛研究，但是传统的K?means算法对初始值敏感，无法取得理想的效果；层次聚类算法时间复杂度高，性能较差。针对这些问题，设计了一种改进的K?means算法：算法优化孤立点和噪声处理能力，根据有效性指标获得最优K值，在此基础上，动态选取初始聚类中心进行聚类，可以取得较好的聚类效果。采用数据集KDD Cup99将改进的算法应用于入侵检测，进行仿真实验。实验结果表明，改进的算法有效地提高了检测率和降低了误检率，与现有算法相比具有一定的优势。     

应用极化聚类中心设计快速自适应极化滤波器

针对传统自适应极化滤波算法存在收敛速度慢、迭代步长因子选取困难等问题,采用极化聚类中心估计理论设计了一种快速自适应极化滤波器,实现了对极化雷达回波中的干扰信号逐脉冲地自适应精确对消。滤波器通过距离单元选通获取干扰信号样本,对样本极化聚类中心的直接计算能够快速估计干扰信号在当前脉冲内极化状态,依据干扰输出功率最小原则最终实现快速滤波过程,相比于传统极化滤波算法有更快的收敛速度和更稳定的干扰抑制性能。仿真对比实验结果验证了该方法的快速有效性。     

基于相似性和距离及遗传模拟退火的自适应聚类算法

针对模糊C-均值(FCM)算法中聚类数目的确定问题,提出了基于样本间相似度量和距离的算法,该算法可有效缩短聚类数搜索的范围,减少计算工作量。对于模糊C-均值算法聚类中心初始值随机选择易陷入局部极小值问题,采用遗传模拟退火算法优化FCM的聚类中心,以人工数据集和标准数据集验证了遗传模拟退火算法具有较强的全局收敛性能,有效提高了聚类效果。     

SVC和SOFM组合聚类的雷达信号预分选方法

由于采用单一聚类方法对雷达信号聚类分选中,存在一定的问题。为了克服单一聚类的缺点,并利用其优点,提出了采用组合聚类的方法对雷达信号进行聚类分选。在分析了自组织特征映射网络(SOFM)与SVC的原理的基础上,利用SOFM和SVC的优点,设计了一种SOFM与SVC组合聚类的方法,实现对雷达到达角(DOA)数据的聚类分选。理论分析与实验仿真表明,该方法能够克服噪声的影响,与有先验信息条件下的K均值聚类结果相比,取得了较好的聚类分选结果。