一种基于支持向量聚类和灰关联度的雷达信号分选方法技术

本发明专利技术提供了一种基于支持向量聚类和灰关联度的雷达信号分选方法，首先确定雷达信号SVC分选模型；然后设计了灰关联度指标以验证聚类的有效性，并根据有效性指标调整聚类参数，以达到最佳的聚类效果,在具有重叠、相互交织的雷达参数集上可以得到较好的聚类结果，提高了雷达信号分选正确率，在一定程度上满足雷达电子对抗的实效性、准确性的要求。

【技术实现步骤摘要】
一种基于支持向量聚类和灰关联度的雷达信号分选方法
本专利技术涉及雷达信息处理领域，具体涉及一种基于支持向量聚类和灰关联度的雷达信号分选方法。
技术介绍
支持向量聚类(supportvectorclustering,SVC)是Ben-Hur等在基于高斯核的SVDD(supportvectordomaindescription)算法基础上进一步发展起来的无监督非参数型的聚类算法。是指利用高斯核，将数据空间中的数据点映射到一个高维特征空间中，并在特征空间中寻找一个能包围所有数据点像的最小半径超球面，将这个超球面反映射回数据空间，最终得到包含所有数据点的等值线集的聚类方法。一个高维空间的超球面在原空间中可以是任意的形状，因此可以处理任意形状的聚类，有效处理噪声。特征空间超球体的球面映射到原始样本空间为等值曲线，超球体内部的点映射为等值曲线内部的点。每一条闭合曲线包含的样本点属于同一个簇。通经过非线性映射，SVC增加了数据点线性可分的概率，使数据点的聚类特征更为明显，因而可以较好地分辨、提取并放大有用特征。在融入松弛量后，能有效排除异常值，实现更为准确的聚类。灰关联分析是通过灰色关联度来分析和确定系统诸因素的影响，或因素对系统主行为的贡献的一种测度方法，其基本思路是：通过确定参考数据列和若干比较数据列的几何形状相似程度来判断其联系是否紧密，反映了曲线间的关联程度，从而分析系统中多因素间的关联程度。序列曲线几何形状越接近，之间的关联度越大。灰关联分析在预测、决策、控制和模式识别等诸多方面获得了成功应用。事实上，对于可分类别来讲，困扰聚类分选的最大问题在于用于聚类的特征没有很好的类间分离能力，这影响了聚类方法的实际使用效果，SVC面临同样问题,没有一种指标总优于其它指标同样地，没有一种指标可以处理任何类型的数据集。
技术实现思路
本专利技术针对交织严重但又具有短时周期重复特点的雷达信号聚类分选问题，提供一种基于支持向量聚类和灰关联度的雷达信号分选方法，设计一种灰关联度指标用于确定簇类划分，并据此实现了复杂环境下的雷达信号分选。为达到上述目的，基于支持向量聚类和灰关联度的雷达信号分选方法分选步骤如下：步骤一：构造描述雷达脉冲的特征向量G集和雷达信号样本数据集i＝1,2,...,N，此处N为总样本数，d为特征维数，将数据空间中的样本映射到特征空间，得到一个中心为a，半径为R的闭凸超球体：minR2+C∑iξis.t.||Φ(gi)-a||2≤R2+ξi,ξi≥0(1)C表示惩罚因子，Φ(g)表示数据点g在特征空间中映像，||g||为Euclidean范数，ξi表示松弛量；上述约束问题的Lagrangian算式为：L＝R2-∑i(R2+ξi-||Φ(gi)-a||2)βi-∑iξiμi+C∑iξi(2)其中，βi为拉格朗日乘子；对L关于R、a和ξ求导并令导数等于0，得：则由Wolfe对偶形式推导出式(1)的等价问题为：引入高斯核函数K(gi,gj)＝ΦT(gi)Φ(gj)＝exp(-q||gi-gj||2)，q为高斯核宽度，由式(1)约束条件可知，在特征空间中映射点到球心距离表示为：R2(g)＝||Φ(g)-a||2＝1-2∑jβjK(gj,g)+∑i,jβiβjK(gi,gj)(5)由公式(4)和(5)推导出最优βi值和最优超球面半径R，确定同一类样本数据的聚类边界；步骤二：采用改进的锥面聚类标识CCL算法进行聚类标识；步骤三：选取数据集中的一个样本作为参考序列：x0＝{x0(k)|k＝1,2…,K}，数据集中其余的样本数据xi＝{xi(k)|k＝1,2…,K}作为比较序列，K是样本序列的维数，N为数据集合中样本总数；设在第k个时刻x0(k)和xi(k)的绝对差为Δ0i(k)＝|x0(k)-xi(k)|。则参考序列x0(k)与比较序列xi(k)的关联系数定义为：ξ∈(0,1]为分辩系数，其值越小，分辩力就越大，这里取ξ＝0.5，m0称为两级最小差，M0称为两级最大差；计算灰关联度：步骤四：灰关联度指标GCD定义为：其中，Gsep(C)表示簇间灰关联度，Gcomp(C)表示簇内灰关联度，其求解公式如下：式中：其中|Ck|表示簇类Ck包含的数据对象数目；步骤五：令惩罚因子C＝1，通过计算聚类过程中GCD的值不断调节参数q，使得GCD的值达到最大。雷达脉冲的特征向量G集和雷达信号样本数据集i＝1,2,...,N包含脉冲描述字PDW中的脉冲重复间隔PRI、脉冲载频RF、脉冲到达方向DOA，脉冲到达时间TOA，脉宽PW和幅度PA的集合。雷达脉冲的特征向量G集和雷达信号样本数据集i＝1,2,...,N类型包括常规雷达信号CW、线性调频雷达信号LFM、非线性调频雷达信号NLFM、二相编码雷达信号BPSK、四相编码雷达信号QPSK和频率编码雷达信号FSK。本专利技术具有的有益效果：1、本专利技术将基于灰关联度指标的MSVC聚类算法应用于复杂体制雷达信号分选之中。2、本专利技术在具有重叠、相互交织的雷达参数集上得到较好的聚类结果，提高了雷达信号分选正确率，在一定程度上满足雷达电子对抗的实效性、准确性的要求，具有一定的实际参考性和可行性。附图说明图1为本专利技术基于GCD指标聚类算法流程图2为不同聚类数目情况下GCD指标图3为RF和PW特征分布图图4为典型K-means和Fcm聚类结果图5为本专利技术在不同参数条件下聚类效果图具体实施方式下面结合实施例对本专利技术技术方案做进一步说明。本专利技术提供了一种基于支持向量聚类和灰关联度的雷达信号分选方法，首先确定雷达信号SVC分选模型；然后设计了灰关联度指标以验证聚类的有效性，并根据有效性指标调整聚类参数，以达到最佳的聚类效果,在具有重叠、相互交织的雷达参数集上可以得到较好的聚类结果，提高了雷达信号分选正确率，在一定程度上满足雷达电子对抗的实效性、准确性的要求。步骤一：确定同一类样本数据的聚类边界。构造描述雷达脉冲的特征向量集G和雷达信号样本数据集i＝1,2,...,N，此处N为总样本数，d为特征维数。结合SVC的优良特性，将数据空间中的样本映射到特征空间，得到一个中心为a，半径为R的闭凸超球体，建立支持向量聚类信号分选模型为：minR2+C∑iξis.t.||Φ(gi)-a||2≤R2+ξi,ξi≥0(1)C表示惩罚因子，Φ(g)表示数据点g在特征空间中映像，||g||为Euclidean范数，ξi表示松弛量，作用是分离交叉的超球面。上述约束问题的Lagrangian算式为：L＝R2-∑i(R2+ξi-||Φ(gi)-a||2)βi-∑iξiμi+C∑iξi(2)其中，βi为拉格朗日乘子。对L关于R、a和ξ求导并令导数等于0，得：则由Wolfe对偶形式推导出式(1)的等价问题为：引入高斯核函数K(gi,gj)＝ΦT(gi)Φ(gj)＝exp(-q||gi-gj||2)，q为高斯核宽度，由式(1)约束条件可知，在特征空间中映射点到球心距离表示为：R2(g)＝||Φ(g)-a||2＝1-2∑jβjK(gj,g)+∑i,jβiβjK(gi,gj)(5)由公式(4)和(5)即可推导出最优βi值和最优超球面半径R，形成数据空间中的等值线，等值线由点{g:R(g)＝R}定义。它确定了属于同一类雷达辐射源参数的聚类边界。根据KTT本文档来自技高网...

【技术保护点】
1.一种基于支持向量聚类和灰关联度的雷达信号分选方法，其特征在于，分选步骤如下：步骤一：构造描述雷达脉冲的特征向量G集和雷达信号样本数据集

【技术特征摘要】
1.一种基于支持向量聚类和灰关联度的雷达信号分选方法，其特征在于，分选步骤如下：步骤一：构造描述雷达脉冲的特征向量G集和雷达信号样本数据集此处N为总样本数，d为特征维数，将数据空间中的样本映射到特征空间，得到一个中心为a，半径为R的闭凸超球体：minR2+C∑iξis.t.||Φ(gi)-a||2≤R2+ξi,ξi≥0(1)C表示惩罚因子，Φ(g)表示数据点g在特征空间中映像，||g|为Euclidean范数，ξi表示松弛量；上述约束问题的Lagrangian算式为：L＝R2-∑i(R2+ξi-||Φ(gi)-a||2)βi-∑iξiμi+C∑iξi(2)其中，βi为拉格朗日乘子；对L关于R、a和ξ求导并令导数等于0，得：则由Wolfe对偶形式推导出式(1)的等价问题为：s.t.0≤βi≤C,∑iβi＝1,i＝1,2,...,N(4)引入高斯核函数K(gi,gj)＝ΦT(gi)Φ(gj)＝exp(-q||gi-gj||2)，q为高斯核宽度，由式(1)约束条件可知，在特征空间中映射点到球心距离表示为：R2(g)＝||Φ(g)-a||2＝1-2∑jβjK(gj,g)+∑i,jβiβjK(gi,gj)(5)由公式(4)和(5)推导出最优βi值和最优超球面半径R，确定同一类样本数据的聚类边界；步骤二：采用改进的锥面聚类标识CCL算法进行聚类标识；步骤三：选取数据集中的一个...

【专利技术属性】
技术研发人员：王世强，徐彤，宋宝军，黄学宇，张启亮，周延军，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西,61