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。     

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。     

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。     

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.     

基于递归扩展直方图的辐射源时差分选方法

多站电子侦察系统中,脉冲信号到达两个接收站的时间差信息可以用于信号分选。针对高重频辐射源引起的虚假聚类和超低重频辐射源累积脉冲数少给时差分选带来的困难,提出一种基于递归扩展直方图的时差分选方法。该方法将时差数据转换成扩展直方图的结构,采用递归的方式序贯地对每个辐射源进行检测和分选,通过扩展运算,同步消除虚假聚类,逐步降低直方图噪声水平,提高了分选正确率。仿真结果表明了该方法的有效性。     

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。     

双站协同侦察雷达信号分选新方法

针对复杂信号环境下雷达对抗情报侦察面临的信号分选问题,提出一种基于双站协同侦察的雷达信号分选新方法。根据不同位置雷达的脉冲信号到达两个侦察接收站的时间差不同进行信号分选。在满足误差的要求下,求解该方法的分选模糊区域,分析分选性能。调整布站,优化分选性能,提高分选准确性。理论分析和计算机仿真表明,该方法可以较好地解决制约雷达对抗情报获取中的信号分选瓶颈难题。     

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.     

利用脉冲TDOA的雷达信号分选方法

针对传统雷达信号分选方法在复杂环境下分选雷达信号时对于信号形式的适应能力不强的缺点,提出一种对于雷达脉冲信号具有普适性的信号分选方法。该方法通过2个侦察站来侦察接收雷达信号,根据同一雷达辐射源的脉冲信号到达2个侦察接收站的时间差相同的原理进行信号分选。理论分析和计算机仿真表明该方法切实可行,能较好地解决复杂信号环境下雷达信号的分选难题。     

多站时差与多参数联合分选定位方法

多站电子侦察系统中,两个观测站接收到的脉冲信号到达时间差可以用于分选和定位。针对复杂信号脉间信息关联性弱,不能对脉冲数极少的信号进行分选的问题,提出一种多站时差与多参数联合分选定位新方法。该方法利用时差窗先验信息,将主站和所有副站脉冲同时进行多站时差和多参数联合预分选,并将预分选结果按位置进行融合,得到最终分选和定位结果,能对脉冲数极少的信号进行分选定位,甚至可实现单个脉冲的分选定位。仿真结果表明了该方法的有效性。     

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。     

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.     

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。     

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。     

基于PRI的参差雷达脉冲列分选方法

针对参差雷达脉冲信号分选这一信号分选领域的难题,在分析扩展关联法基本原理的基础上,建立了以脉冲到达时间和脉冲列重复周期为变量的函数.通过检测函数峰值位置,提取出不同重复周期的脉冲列和各脉冲到达时间,利用脉冲到达时间进行脉冲抽取,实现了交迭脉冲列分选.仿真结果表明该算法对固定、参差重复周期脉冲列都有较好的分选效果.     

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.     

基于改进SDIF算法的雷达脉冲信号分选技术研究

基于电子对抗等非协作电子环境,针对抖动脉冲重复周期(Pulse Repetition Interval,PRI)信号,在SDIF的基础上提出了一种改进的算法。该方法主要从潜在PRI的估计和序列检索方法入手,提出了一种潜在PRI估计值的筛选方法和一种新的序列检索方法,有效提高了雷达脉冲信号的分选准确率,并降低了整个分选过程的计算量。仿真结果验证了该方法的有效性。     

PRI周期性调制信号的TOA中点匹配分选算法

针对传统的雷达信号分选算法在当前高密度信号环境下进行分选时,存在实时性差、分选精度低、甚至无法分选的问题,提出了针对脉冲重复周期(PRI)周期性调制的分选算法。该算法首先在脉冲序列中点附近任意选取一点作为中心点,利用TOA中点匹配法依次比较并匹配左右两侧相邻脉冲间隔,从而提取出PRI值,然后经过PRI类型检测按照不同类别对脉冲进行提取。仿真结果表明,依据TOA中点匹配法分选PRI周期性调制信号的平均准确率在95%以上,平均漏选率低于7%,并且具备一定的抗噪和抗脉冲丢失能力。