一种新的ESM数据分选算法

研究获取敌方雷达辐射源数据,在识别准确性问题上,ESM数据分选在电子侦察领域有重要的作用.针对辐射源识别的正确性,采用聚类和到达角外推相结合方法实现ESM数据分选,提出一种基于支持向量机和到达角外推的ESM数据分选算法.算法根据ESM数据辐射源参数信息,用支持向量机实现ESM数据聚类,根据其参数实现分类,再将信号到达角外推,预测信号下一时刻到达角,并以最近邻域关联准则将信号方位角关联,从而实现ESM数据分选.算法有效结合了辐射源参数特征和到达角变化趋势,可在辐射源较密集的环境下实现分选.仿真结果和实际数据测试表明了算法的有效性.     

雷达信号交互式分选方法

雷达信号分选指从混叠雷达信号数据中分选出属于各单部雷达辐射源发射的雷达信号.随着雷达技术快速发展,雷达核心属性分布不均、重叠度高、变换复杂,而且数据采集过程不稳定,导致传统自动化分选方法准确率不高.文中介绍了一种自动化分选和交互式分选结合的雷达信号监控数据可视分析方法;提出了一种改进的雷达信号自动化分选方法,结合核密度估计、密度聚类和排列熵技术对数据进行分区式聚类和量化结果评价;设计了一个可视分析原型系统,提供了可协同分析的多可视化视图和简单易用的交互手段,以直观地展示雷达信号分布情况和自动化分选结果,帮助用户参与整个信号分选过程.     

基于模糊函数三维特征的雷达辐射源信号分选方法

提取并补充新的特征参数,是解决当前复杂体制雷达辐射源信号分选难题的有效途径.由于模糊函数能够很好地展现信号波形的内在信息,从主、侧视角分别提取模糊函数三维图的主岭重心、主峰分布半径作为雷达辐射源信号分选的特征向量.核模糊C均值聚类实验表明,所提出方法在10dB以上的固定信噪比环境下分选6类典型信号的成功率均为100{%     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

基于网格密度峰值聚类的实时雷达分选系统

雷达分选是雷达信号处理中的重要环节。为了解决从复杂电磁环境中准确分选出各个雷达信号的难题,提出一种新的基于网格密度峰值的数据流聚类算法,并将其应用于对雷达信号脉冲描述的实时聚类,从而进行雷达分选。该算法采用双重网格划分方式,解决传统基于网格的聚类算法中边界丢失的问题,并采用基于改进密度峰值的网格合并方式进行聚类避免将距离较近的类合并。仿真实验结果表明,该算法可以用于实时雷达分选,很好地处理了重叠严重的雷达信号,有较高的准确度和抗干扰能力。     

未知雷达辐射源分选的一种新方法

为提高未知雷达辐射源的分选正确率,本文提出一种基于第二维相像系数(Cr2)和第四维小波包特征(Wpt4)相结合的分选新方法。对接收到的未知雷达辐射源信号,首先提取其Cr2和Wpt4,将Cr2和Wpt4作为分类依据,并利用基于核方法的模糊C-均值算法(KFCM)实现对未知雷达辐射源的分选。计算机仿真结果表明,新方法较传统的分选方法可以获得更高的准确率。     

基于混合核函数的雷达辐射源信号识别

针对单核函数支持向量机性能的局限性问题,提出将多项式核函数与高斯核函数构建成一种混合核函数支持向量机,并将其应用于雷达辐射源信号识别。将信号的常规参数与脉内特征参数作为输入特征,通过仿真实验,证明了算法的有效性,并比较了不同权值对于分选效果的影响。     

一种新的未知雷达辐射源聚类分选方法

未知雷达信号的分选一直是雷达对抗情报处理中的难题。因此,提出了一种新的基于数据势场聚类的未知雷达信号分选方法。该方法无需预先指定分类数,利用信号参数之间的关联性自动进行聚类,以此达到分选的效果。同时方法适宜于处理大量数据,对噪声影响不敏感,无需先验知识支撑。最后,通过计算机仿真验证了该方法的可行性和有效性。     

基于决策矩阵的雷达型号识别算法

雷达信号的脉内调制复杂、脉间时序多样、工作方式灵活及参数交叠严重的工作特点，为信号分选、增批融合和辐射源的识别带来了巨大挑战，针对不同雷达信号参数交叠使得情报处理系统对目标辐射源识别困难的问题，提出了基于决策矩阵的雷达型号识别。     

基于聚类的NSGA-II算法

采用精英策略的非支配排序遗传算法（NSGA-II）种群收敛分布不均匀,全局搜索能力较弱。针对该问题,基于现有的算法,提出一种基于聚类学习机制的多目标进化算法KMCNSGA—II。利用K均值聚类对目标函数和个体分别进行聚类,对聚类后的个体进行局部学习,以提高适应度。将该算法应用于经典的多目标约束和非约束测试函数中,通过收敛性指标世代距离和多样性指标△进行性能评价。实验结果表明,与NSGA—II算法相比,该算法在算法收敛性和种群多样性保持方面均有明显提高。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

融合KNN优化的密度峰值和FCM聚类算法

针对模糊C均值（Fuzzy C-Means,FCM）聚类算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近（KNN）优化的密度峰值（DPC）算法和FCM相结合的融合聚类算法（KDPC-FCM）。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。在多个UCI数据集、单个人造数据集、多种基准数据集和Geolife项目中的6个较大规模数据集上的实验结果表明,改进后的新算法与传统FCM算法、DSFCM算法对比,有着更好的抗噪性、聚类效果和更快的全局收敛速度,证明了新算法的可行性和有效性。     

基于异构并行计算的单细胞测序数据聚类算法

随着单细胞RNA测序技术的发展,目前单细胞测序通量由上千细胞发展到主流上万细胞的规模。基于单细胞RNA测序数据的细胞分型是研究细胞的重要问题之一,该问题主要运用无监督聚类方法。现有针对大规模单细胞测序数据的聚类方法通过简化细胞关系网络来降低时间复杂度,从而导致细胞分型准确度降低。而常见较高准确度的细胞分型方法无法处理大规模数据。为此,采用将[k]最近邻与细胞相似度阈值结合构建全新的细胞关系网络,并采用CPU+GPU异构并行计算提高运算速度,通过改进的马尔科夫聚类算法进行细胞聚类。通过在七个较大规模单细胞数据集上实验,发现该算法比现有主要算法具有更好的聚类准确度,从而适合基于主流单细胞测序技术数据的细胞分型。     

基于密度比例的密度峰值聚类算法

CFSFDP（Clustering by Fast Search and Find of Density Peaks）是一种新的基于密度的聚类算法。该算法可以对非球形分布的数据聚类,有待调节参数少、聚类速度快等优点。但是对于类簇间密度相差较大的数据,该算法容易遗漏密度较小的类簇而影响聚类的准确率。针对这一问题,提出了基于密度比例峰值聚类算法即R-CFSFDP。该算法将密度比例引入到CFSFDP中,通过计算样本数据的密度比峰值来提高数据中密度较小类簇的辨识度,进而提升整体聚类的准确率。基于9个常用测试数据集（2个人工合成数据集,7个UCI数据集）的聚类实验结果表明,对于类簇间密度相差较大和类簇形状复杂的数据聚类问题,R-CFSFDP能够使得类簇中心更加清晰、易确定,聚类结果更好。     

基于道路网络的移动对象聚类

现有的基于道路网络对象聚类算法eb-cls采用网络距离描述移动对象间的相似性,没有充分利用对象的时间和空间属性,造成算法不能体现移动对象动态演化的移动模式,频繁更新聚类结果并且聚类精度不理想,执行效率低等问题。针对这些不足,提出基于道路网络的移动对象聚类算法MOBORN（Moving Objects Based on Road Network）,该算法引入时空相似系数,考虑了移动对象速度、方向和位置。当移动对象间的时空相似系数达到给定阈值,将其分到同一聚类,并动态维护聚类结果,减少聚类次数。实验结果证明,与eb-cls算法相比,该算法聚类精度保持在97%以上,运行效率提高了40%。     

基于群进化策略的模糊聚类算法

针对传统的聚类算法需要知道类的真实数目,以及容易陷入局部最优的缺陷,提出基于群进化策略的模糊聚类算法,简称fuzzyGAC。该算法将群进化策略与模糊聚类结合起来,通过两个阶段（继承阶段和重新分配阶段）来产生新的聚类结果。将提出的算法与模糊C均值算法、差分算法、粒子群算法进行比较,实验结果表明,就类的数目和聚类中心而言,该算法可以自适应地修正类的数目并且提供最优的聚类中心。     

基于量子粒子群优化的改进的模糊C-均值聚类算法

模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法（QPSO-FCM-CD）具有良好的性能。     

基于蛙跳算法的零空闲流水线调度问题优化

针对零空闲流水线调度问题,以E/T指标最优为优化测度,提出了一种蛙跳求解算法。首先,该算法采用新的个体产生方法,扩展传统蛙跳算法的求解模型。其次,使用带有启发式策略的种群初始化方法优化初始解性能。再次,借助基于种群多样性的方法进行排序和分组,并通过部分随机初始化策略保持种群多样性。最后,结合一种简单而有效的邻域搜索算法,达到局部探索和全局搜索之间的平衡,进而提高收敛速度。在若干benchmark问题上的仿真实验表明了所提算法的有效性。     

指定类数下仿射传播聚类的快速算法①

针对Science杂志上提出的仿射传播（Affinity propagation）聚类产生指定类数的聚类结果时效率较低的问题,提出了基于多网格策略的快速算法。该算法采用多网格搜索策略来减少调用仿射传播算法的次数,改进偏向参数的上界以缩小搜索范围。新方法大幅度地提高了仿射传播聚类在指定类数下的速度性能。实验结果表明新方法十分有效,在运行时间上比现有方法减少了22％-90％。