共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
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。 相似文献
3.
4.
5.
6.
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。 相似文献
7.
8.
9.
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。 相似文献
10.
11.
12.
13.
14.
15.
16.
17.
基于优化初始聚类中心K-Means算法的跳频信号分选 总被引:3,自引:0,他引:3
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. 相似文献
18.
本文介绍了一种基于自组织神经网络的雷达信号分选系统,概率神经网络通过计算输入信号矢量的联合概率密度实现贝叶斯分选,它与传统的信号分选算法相比在分选精度和资源利用率上有显著的提高。这种并行的神经网络计算结构也很适合于VLSI实现。本文还介绍了此系统在复杂雷达信号环境下的仿真分选试验。 相似文献
19.