数据场和K-Means算法融合的雷达信号分选

雷达辐射源信号分选是电子情报侦察的关键环节,其中未知雷达的信号分选一直是分选中的难题。针对传统K-Means聚类算法对初始聚类中心敏感、需要事先确定初始聚类数目的缺点,将数据场算法引入到雷达信号分选,并将其与K-Means聚类算法相结合,提出了一种融合算法,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验验证所提出的融合算法分选准确率较高,为雷达信号分选提供了新的思路。     

基于数据场的未知雷达信号动态聚类算法

未知雷达信号分选一直是雷达对抗情报处理中的难题。通过引入势和场强的概念,提出了一种基于数据场的未知雷达信号聚类算法。该方法通过设置势值门限来剔除噪声,同时设置场强门限进行聚类。该方法可以达到自动确定聚类数目和聚类中心的目的。仿真试验表明,该方法能够有效适应于未知雷达信号的分选。     

一种新的未知雷达信号聚类分选方法

通过分析,说明了k-means聚类算法不适用于未知雷达信号分选,进而提出一种改进网格聚类分选方法。该方法将数据点映射到网格空间,通过双密度阈值准确区分信号网格与噪声网格,利用网格的高密度连通性完成聚类分选。该方法计算量小,对噪声不敏感,无需先验知识支持。计算机仿真验证了算法的有效性。     

雷达辐射源信号聚类分选算法综述

现代战场环境下雷达信号密集、交叠严重,传统的雷达信号分选算法已不能有效完成未知雷达信号分选工作,而聚类分选因具有无监督学习、对先验知识要求小等优点被学者广泛应用于未知雷达信号聚类分选的研究工作。作者先总结了国内学者在传统聚类算法及其优化算法对未知雷达辐射源信号进行分类分选的部分理论研究成果,分析了各个算法存在的利弊,再根据雷达信号的特征参数以及影响聚类分选的外界因素提出了选择最优聚类算法的参考标准和建议。     

改进的人工鱼群聚类雷达信号分选算法

针对目前复杂多变的雷达电磁信号环境,将人工鱼群聚类算法引入到雷达信号分选中,并将其与传统的K-Means聚类算法相结合进行了改进,对雷达信号分选进行了一种新的探索,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率较高。     

一种基于网格密度聚类的雷达信号分选

本文提出一种基于网格密度高效聚类的未知雷达辐射源信号分选算法。该方法通过改进的距离法对待分选对象集中的噪声和孤立点进行移除,再将剩余的PDW流映射至各网格单元中,并以网格密度为依据进行聚类,从而实现PDW流的分选。仿真结果表明,该算法能正确的分选出未知雷达信号。     

改进SVC算法在雷达信号分选中的应用

为提高支持向量聚类（SVC）对分布复杂、不均匀雷达辐射源信号样本分选的正确率,提出一种改进的支持向量聚类分选方法,先采用支持向量聚类对所有未知样本作预分类,提供初始的聚类中心,然后利用K-Means聚类分选算法最终分选。结果表明,此方法能够很好地对复杂雷达信号进行分选,分选正确率较高。     

一种基于自适应密度阈值的未知雷达信号分选算法

针对基于密度的聚类算法不能发现密度分布不均匀数据样本的问题,提出了一种基于自适应密度阈值的未知雷达信号分选算法。该方法利用同一部雷达数据的分布特性进行聚类,通过寻找局部密度阈值,以达到分选不同密度分布的雷达信号的目的,并且在此基础上提出一个引理,提升了算法的时间效率。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

基于SA-BFSN算法的多模地面雷达信号预分选方法

针对BFSN算法需要人工输入参数的缺陷,提出了一种自适应确定参数的SA-BFSN聚类方法。该方法利用同一部雷达数据的分布特性进行聚类。通过确定邻居点和比较相似性以达到分选不同的雷达信号,适用于未知雷达信号的分选。提出了合批的方法和一种分选的联合处理。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

一种基于近类点和模糊点的未知雷达信号分选算法

针对基于密度聚类（DBSCAN）算法不能发现雷达信号密度分布不均匀的缺陷,提出了一种基于近类点和模糊点的聚类方法。该方法利用同一部雷达数据的分布特性进行聚类,通过确定近类点和模糊点以达到分选不同密度分布的雷达信号,适用于未知雷达信号的分选。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

基于旋转变换法的雷达信号分选

在电子对抗条件下，如何在密集的电磁环境中实时地分离出各雷达辐射源信息、得到正确的测量参数是进行雷达对抗的关键。独立分量分析（ICA）是根据信号源的基本统计特征，由观测数据进行信号分离，最终恢复出源信号。由于传统的多参数分选方法很难满足实时性的要求，文中研究分析了基于旋转变换的思想，将独立分量法应用到雷达信号分选中来，并给出了雷达辐射源的独立分量法的数学模型、算法和仿真分析，获得了比较好的雷达信号分选效果。     

改进的FastICA算法在雷达信号分选中的应用

独立分量分析（ICA）是近几年新出现的一种数据处理方法。对传统的FastICA进行了改进,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分离效果,为雷达信号分选提供了新的思路。     

分布式干扰机对组网雷达的无源定位

 利用测向——交叉定位法对组网雷达中的辐射源进行无源定位时,来自不同辐射源的信号交织在一起,形成两类虚假定位.为消除这些虚假定位,根据分布式干扰机的特点提出了一种新的定位算法:首先利用各干扰机中进行的初级信号分选和融合中心进行的融合分选识别去除第一类虚假定位;然后利用分选识别数据采用多点源定位方法对组网雷达进行定位.仿真试验结果证明,分布式干扰机对组网雷达的无源定位方法是一种有效的定位方法.     

基于BFSN聚类的雷达信号分选与特征提取算法

为克服传统信号分选算法的局限性，提出了一种雷达信号分选与特征提取相结合的算法。这种算法利用了数据挖掘中的聚类技术，可用于常规雷达和特殊雷达的信号分选。另外，该算法将信号分选与特征提取进行有机的结合，算法的结果不仅分选出雷达信号，还得到了每部雷达信号的参数特征。最后用仿真结果验证此算法的有效性。     

基于人工鱼群聚类的雷达信号分选算法

随着科技的不断发展,各种新体制雷达的不断出现,使得电磁环境变得复杂多变,这就对雷达信号的处理提出了新的要求。目前普遍采用的基于直方图统计的信号分选方法已经不能满足当前雷达信号分选的要求。文中将人工鱼群聚类算法引入到雷达信号分选中,并对其进行了改进,对雷达信号分选进行了一种新的探索,该方法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。