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。     

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.     

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。     

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。     

一种新的k-means聚类雷达信号分选算法北大核心

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。     

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。     

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.     

一种新的雷达辐射源分选算法

未知信号分选是当今信息战中一项重要技术.基于相像系数的分选可以根据信号重频的调制方式不同将信号进行分类,而PRI(pulse repeat interval)变换法作为一种经典的依据到达时间进行分选的算法具有其独特的优势,但这2种方法都有各自的缺陷.采用将相像系数和PRI变换相结合的算法,首先计算雷达脉冲信号的频谱与矩形信号和三角信号的相像系数,随后依据相像系数采用模糊C均值法对信号进行聚类,最后依据PRI对聚类后的信号进行分选.模拟仿真验证了方法的有效性.     

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。     

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。     

一种基于时差和多参数信息的加权联合分选算法

针对复杂环境信号分选,提出一种基于时差和多参数信息的加权联合分选算法。在主侦察设备序列中确认基准信号,通过基准信号与从侦察设备序列多参数匹配确定包含时差和多参数的基准向量,根据基准向量搜索主侦察设备中满足多参数信息加权的序列,逐一与从侦察设备序列满足基准向量的序列进行匹配,最后对匹配成功的序列进行分析得到雷达参数,实现信号分选。实验表明在信号丢失严重和存在干扰脉冲的情况下能够分选出雷达信号,提高雷达分选成功率,降低漏警率。     

基于脉内特征的雷达信号分选新方法

提出了一种基于脉内特征和基于核方法的模糊C-均值算法(KFCM)相结合的雷达信号分选方法.首先利用小波变换法提取雷达信号的脉内特征,然后基于KFCM对信号进行分选.计算机仿真表明,在满足一定信噪比的条件下,该方法可以准确地实现雷达信号的分选.     

基于SIF模式特性的曼彻斯特改进算法

针对解决二次监视雷达(SSR)应答信号基于曼彻斯特编码特性分选时,会出现因混扰信号中包含SIF模式信号而不能完全分选,在基于曼彻斯特算法的基础上提出改进算法。该算法首先根据信号模式特征之间的不同,对混扰信号进行针对性预处理。然后通过求解得出分离矩阵,以实现对混扰信号中的SIF模式部分进行有效分选。最后对非SIF模式类信号进行分选。仿真验证表明,该改进算法在低信噪比时可以有效进行混模式信号分选,且其性能在相较同类算法时具有更好的抗噪性能与分选性能。     

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.     

基于自组织神经网络的雷达信号分选

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。     

独立分量分析在雷达盲信号处理上的应用

独立分量分析(ICA)是近年来发展起来的一种有效的雷达盲信源分离方法。目前新体制雷达的大量涌现,运用原有的雷达分选方法是无法分选的,这已经无法适应现代复杂的电磁环境。在深入分析FastICA算法的基础上,将其应用于连续波雷达信号分选中。计算机仿真表明,这种算法应用于连续波雷达盲信号分选时,不仅提高了信号的分选速度和信号分离的准确率,而且可以有效地提高信号分选的效能,也为盲信号处理提供了一种新的思路。     

基于相参特性的雷达信号分选中“增批”问题研究

一部雷达可以在不同时间段内大范围跨波段工作,基于现行信号分选方法,常出现"增批"问题。利用信号相参特性,基于雷达本振初相不变性原理,提出求和曲线斜率判别法,对同一辐射源和不同辐射源信号进行分选仿真,并进行了误差分析。仿真结果表明,方法能够解决信号分选过程中的"增批"问题,当信噪比高于5 dB,并且测频误差在小于200 kHz时,分选准确率可以达到98%以上。