一种基于核簇支持向量聚类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核簇支持向量聚类的雷达信号分选方法，首先利用常规参数对交织信号进行聚类预分选，然后选取漏选脉冲对应的脉内数据，并提取出有利于信号分选的脉内调制特征，接着利用特征选择算法选取雷达辐射源信号的关键特征，并采用提出的基于核簇支持向量聚类方法对选出的特征进行聚类分选，最后合并两次分选结果完成最终分选，不仅克服了已有技术存在或者适用范围受限，或者计算复杂，或者不利于工程实现等问题，而且与传统分选方法相比，分选正确率在典型信噪比下(15dB)提高到了97％左右。

【技术实现步骤摘要】
一种基于核簇支持向量聚类的雷达信号分选方法
本专利技术涉及雷达信息处理领域，具体涉及一种基于核簇支持向量聚类的雷达信号分选方法。
技术介绍
雷达信号分选(signalsorting)是指依据截获的雷达特征参数、到达时间及位置数据等，从随机交错的辐射源信号流中分出不同的信号。它是不同雷达的类型、属性、用途识别以及威胁程度判断的前提和基础，因此直接影响着雷达侦察设备性能的发挥并关系到后续的作战决策。但是，随着各种电子对抗设备数目的急剧增加，电磁威胁环境的信号密度已高达百万量级，而且现代雷达向多功能、多用途的方向发展，一部雷达可能有多种工作状态，具有多种体制，同时为了提高自身的性能和抗干扰的需要，往往采用各种复杂的波形设计尽量破坏信号分选和识别所利用的信号规律性，再加上低截获概率(LPI)技术的采用，这些都对信号分选的实时性、准确性和可靠性提出了新的、更高的要求。到目前为止，研究人员提出了大致有以下三大类方法来实现雷达信号的分选：一是采用脉间参数的信号分选；采用这种方法实现的信号分选通常计算速度快，便于实现，然而由于仅采用脉间参数，不能很好适应于雷达波形设计越来越趋于复杂化，传统的重频固定、参差、抖动等雷达信号在现代雷达设计中越来越少见等情况，也不能用于传统的五参数(TOA，RF，PA，PW和DOA)在各参数域均可变化，甚至相互交叠的复杂体制雷达信号分选。二是采用脉内特征的信号分选；脉内特征参数有助于减少多参数空间的交叠概率，对辐射源信号的分选识别提供新的依据和思路，也是提高当前辐射源信号分选能力的一种可能途径和思路。但是由于采用了复杂的分析方法，这样就容易产生计算复杂度高，不易实现等问题。三是采用脉间参数与脉内特征直接组成特征向量的分选方法；这种方法通过组合脉间参数和脉内参数以降低或部分降低单纯使用脉间或脉内特征所造成的交叠，可取得较好结果，但是该方法需要对所有的雷达信号进行脉内特征提取，这样处理无形中加重了电子支援系统的处理负担，因此，这一设计也是不太容易实现的。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。核簇即在原SVC算法中尽可能多地保留处于最优超球面外的点，即边界支持向量(BoundedSupportVectors，BSVs)，使尽可能多的最优超球面上的点，即支持向量(SupportVectors，SVs)转换成BSVs，最后剩余各脉间特征的核簇，这样最大程度地保证了避免分选时产生的误选脉冲，同时也保证了各特征核簇具有最佳类内聚集性和类间分离性。核簇支持向量聚类(coreclustersupportvectorclustering，CCSVC)是指在支持向量聚类算法中尽可能多地保留边界支持向量，使尽可能多的支持向量转换成边界支持向量，最后剩余各脉间特征的核簇。这样最大程度地保证了避免误选脉冲，同时也保证了各特征核簇具有最佳类内聚集性和类间分离性。
技术实现思路
本专利技术为解决上述问题，提供一种基于核簇支持向量聚类的雷达信号分选方法，克服了已有技术存在或者适用范围受限，或者计算复杂，或者不利于工程实现等问题，而且与传统分选方法相比，具有较高分选正确率。为达到上述目的，基于核簇支持向量聚类的雷达信号分选方法分选步骤如下：步骤1：根据利用调整后的锥面聚类标识RCCL算法进行聚类标识的支持向量聚类SVC算法对脉间参数所表征的辐射源信号进行RSVC聚类分选；所述调整后的锥面聚类标识RCCL算法实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；其中：式中R为最优超球面半径，q为高斯核宽度；所述RSVC聚类分选实现步骤如下：先根据初始参数执行支持向量聚类SVC算法；再应用相似熵SE指标调整聚类参数，此处SE值由RCCL算法得到的核簇计算；最后根据最终参数运行聚类算法，得到分选结果；所述初始参数是指，令支持向量聚类SVC算法中的惩罚因子C＝1，根据公式(7)计算出初始q值：所述应用相似熵指标SE调整聚类参数的算法如下：步骤1.1首先令惩罚因子C＝1；步骤1.2根据q＝1/maxij||gi-gj||2计算出初始q值；步骤1.3根据参数q运行SVC算法，得到一个中间聚类结果；步骤1.4判断步骤1.3产生的结果中，支持向量SVs数目是否急剧增多或者是否包含单样本向量形成的聚类，若条件为真则启发式减小C并转到步骤3，否则转到步骤5；步骤1.5根据RCCL算法，由聚类结果计算SE值；步骤1.6如果SE值为最大值，则转到步骤7，否则启发式增大q并转到步骤3；步骤1.7确定最终聚类分选参数q和C，并根据最终参数运行聚类算法，得到聚类结果。所述相似熵指标SE计算公式为：SE＝max{SEc,2≤c≤N-1}(1)式中，c表示由SVC聚类算法得到不同的聚类数目，相似熵指标SEc满足下式：其中，C表示由支持向量及等值线内部数据点组成的簇类。Hsep(C)表示类间相似熵，Hcomp(C)表示类内相似熵，其求解公式如下：式中：其中，ml表示聚类Cl中心，gki表示聚类Ck中第i个样本，Sl,ki表示ml与gki之间的相似系数；当l＝k时，Hlk表示聚类Cl类内相似熵，当l≠k时，Hlk表示聚类Cl与聚类Ck之间相似熵；步骤2：根据步骤1产生的漏选脉冲，推出需要进行后续处理的脉内参数数据；步骤3：对步骤2中的脉内参数数据进行特征提取，特征选择并形成特征向量；步骤4：利用基于MCCL的支持向量聚类(SVC)算法联合SE指标的分选方法，对步骤3得出的脉内特征进行聚类分选；所述MCCL实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；最后处理剩余数据点：(1)如果剩余数据点为正常值，则计算正常值g与SV之间的距离d，将g合并到与SV距离d最小的类中；(2)如果剩余数据点为异常值，则计算异常值g′与步骤2已完成聚类的质心之间距离，将g′合并到与质心距离d′最小的类中；其中：式中R为最优超球面半径，q为高斯核宽度；步骤5：将步骤1产生的核簇与步骤4产生的分选结果进行合并，完成辐射源信号的分选。脉内参数或脉间参数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、二相编本文档来自技高网...

【技术保护点】
1.一种基于核簇支持向量聚类的雷达信号分选方法，其特征在于，分选步骤如下：步骤1：根据利用调整后的锥面聚类标识RCCL算法进行聚类标识的支持向量聚类SVC算法对脉间参数所表征的辐射源信号进行RSVC聚类分选；所述调整后的锥面聚类标识RCCL算法实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；其中：

【技术特征摘要】
1.一种基于核簇支持向量聚类的雷达信号分选方法，其特征在于，分选步骤如下：步骤1：根据利用调整后的锥面聚类标识RCCL算法进行聚类标识的支持向量聚类SVC算法对脉间参数所表征的辐射源信号进行RSVC聚类分选；所述调整后的锥面聚类标识RCCL算法实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；其中：式中R为最优超球面半径，q为高斯核宽度；所述RSVC聚类分选实现步骤如下：先根据初始参数执行支持向量聚类SVC算法；再应用相似熵SE指标调整聚类参数，此处SE值由RCCL算法得到的核簇计算；最后根据最终参数运行聚类算法，得到分选结果；所述初始参数是指，令支持向量聚类SVC算法中的惩罚因子C＝1，根据公式(7)计算出初始q值：所述应用相似熵指标SE调整聚类参数的算法如下：步骤1.1首先令惩罚因子C＝1；步骤1.2根据q＝1/maxij||gi-gj||2计算出初始q值；步骤1.3根据参数q运行SVC算法，得到一个中间聚类结果；步骤1.4判断步骤1.3产生的结果中，支持向量SVs数目是否急剧增多或者是否包含单样本向量形成的聚类，若条件为真则启发式减小C并转到步骤3，否则转到步骤5；步骤1.5根据RCCL算法，由聚类结果计算SE值；步骤1.6如果SE值为最大值，则转到步骤7，否则启发式增大q并转到步骤3；步骤1.7确定最终聚类分选参数q和C，并根据最终参数运行聚类算法，得到聚类结果。所述相似熵指标SE计算公式为：SE＝max{SEc,2≤c≤N-1}(1)式中，c表示由SVC聚类算法得到不同的聚类数目，相似熵指标SEc满足下式：其中，C表示由支持向量及等值线内部数据点组...

【专利技术属性】
技术研发人员：王世强，张秦，曾会勇，胡国平，李兴成，万鹏飞，
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