TOA折叠平面特征点无监督聚类

为提高雷达脉冲分选效率以及将分选和辐射源识别统一完成,探索仅在时域进行重频分选与辐射源特征提取.将雷达脉冲序列的到达时间(TOA)在时间上进行折叠,使得交错在一起的雷达脉冲序列在TOA折叠平面上所形成点迹图.不同雷达由于重频特征不同使得属于一部雷达的脉冲在TOA折叠平面上的点迹形成较强的规律性.文中应用改进的方法通过对点迹的聚类来完成对上述规律的提取,实现将雷达脉冲分选和重频特性识别统一完成.     

现代雷达信号分选技术综述

概述了雷达信号预分选、信号分选和综合分析处理技术．阐述了扩展关联法．差直方图法（SDIF和CDIF）、PRI变换法的工作原理及其性能．提出了一种辅助分选方法——TOA折叠分选法：实验表明．在密集的雷达信号环境下．差直方图法是一种可行的实时分选方法．其性能优于扩展关联法．且比PRI变换法速度快;TOA折叠分选法能够适应复杂的现代新体制雷达信号环境．例如大量丢失脉;中和干扰脉冲的情况以及PRI特殊变化的信号的情况．对实时分选方法是一种很好的补充：     

基于独立分量技术的信号分选方法研究

雷达信号分选与识别是雷达对抗侦察信号处理的重要内容之一,也是进行雷达特征提取、识别以及威胁评估的前提和基础.充分利用雷达的各种信息参数,是进行雷达信号分选识别时的关键.通过对独立分量这种算法的分析,提出了在分选系统中使用独立分量分析方法分选雷达信号.这种方法对信号的分选的精度有一定的提高.     

一种自适应容差的雷达信号分选聚类算法

雷达信号分选的目的就是从交错的、密集复杂的脉冲信号流中提取出同一辐射源的脉冲序列。战场环境中信号流的密集性,信号形式的复杂性,给信号分选带来了严重的挑战。面对如此复杂的信号环境,传统的基于直方图统计的雷达信号分选算法的分选结果可信度越来越差。在聚类雷达信号分选算法的基础之上提出了一种自适应容差的雷达信号聚类算法,克服了传统的雷达信号聚类分选算法中容差选择困难的问题。仿真结果表明该方法能够准确地分选出各个辐射源的脉冲序列。     

基于粒子群聚类的干扰信号分选方法

为了应对日益复杂的电磁环境,认知雷达的概念被引入电子战中。认知电子战系统通过对侦收到的环境信号进行特征提取和对干扰信号进行分选来识别干扰类型,同时采取有针对性的抗干扰措施,以提升抗干扰性能。针对复杂电磁环境提出干扰信号分选的想法,理论分析了粒子群算法和K-means聚类算法的优缺点,得到粒子群聚类算法具有全局寻优和快速收敛的特点。仿真分析验证了粒子群聚类算法用于干扰信号分选的有效性,为雷达对抗信息处理提供了新思路。     

基于ISODATA聚类的复杂体制雷达信号分选

现代电磁环境下,实现多部复杂体制雷达交错信号分选,需要算法具有较强的自适应能力。针对该问题进行了探索,提出基于ISODATA（迭代自组织数据分析算法）聚类的雷达侦察信号分选方法,经过仿真测试证明,该算法对于多部复杂体制雷达交错信号,具有较强的分选能力。     

基于支持向量聚类改进的雷达信号分选方法

在复杂的电磁信号环境下,针对使用支持向量聚类算法进行信号分选时,聚类结果易受核函数参数和惩罚因子的影响,及计算复杂度高和准确率低的问题,提出了一种将支持向量聚类与集对分析相结合的雷达信号分选方法。该方法使用集对分析先对支持向量进行聚类,再用所得的聚类结果对剩余数据进行聚类。仿真结果表明该方法在含有一定数量的噪声信号环境下,能获得较好的分选效果,不仅耗时短,而且还具有较高识别率。     

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。     

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。     

多激光威胁源情报侦察中的信号分选问题浅析

通过激光威胁源情报侦察。可建立相应的激光威胁源数据库。可以从复杂、多变、快速的光电对抗环境中识别出各种激光威胁信号．当多个威胁源同时发射激光时。在时间轴上形成的是杂乱无章、交错的脉冲序列．多激光威胁源的信号分选本质上就是一个有效的去交错处理．依据激光告警设备所能侦测的信号参数,对多激光威胁源情报侦察中的信号分选参数的选择及分选流程进行了讨论,介绍了一些多激光威胁源情报侦察中的软件分选过程中具体涉及到的相关算法,如预分选过程中用到的聚类算法、PRI去交错的CDIF算法及其脉冲抽取算法等．为了说明所讨论方法的有效性,给出了计算机仿真结果．     

基于C均值聚类算法的雷达信号分选方法

随着现代雷达技术的发展,雷达告警设备所面临的电磁环境日益复杂,雷达告警系统对雷达分选的要求必须快速、准确.改进的C-均值聚类算法可有效地对雷达信号的脉宽、到达方向、频率参数进行联合分选.文中采用了这种改进的C-均值聚类算法,该方法易实现.仿真实验证明其能够较好地达到分选效果.     

基于自编码器的雷达信号联合预分选方法

将脉内特征提取、调制类型识别和聚类分选联合,提出了一种基于自编码器的雷达信号联合预分选方法。现有的基于脉内特征的聚类预分选方法需要预先设计特征参数提取方法,而所提方法可自动提取脉内特征参数,并根据聚类结果,对提取的特征参数进行调整,从而改变了以往分选算法的单向流程,引入了反馈机制以深入挖掘特征信息。仿真结果表明,该方法能在低信噪比环境下对雷达信号的脉内特征进行提取,并依靠脉内特征参数进行分选。     

雷达辐射源数据再分选算法研究

复杂电磁环境下的雷达信号全脉冲分选会出现大量的增批问题,而且不能对特殊体制雷达进行有效分选。根据机载雷达侦察的具体情况及存在问题,提出了一种辐射源再分选算法,该法利用分选后的数据,通过两次聚类实现再分选,解决了侦察过程中的增批问题。仿真和试验证明该方法能够提高信号的分选能力,对特殊体制雷达有较好的分选效果。     

基于集对分析聚类的雷达信号分选算法

现代电子战场的电磁环境日趋复杂,传统的雷达信号分选方法已经很难完成高密集信号环境下的分选任务.提出一种基于集对分析聚类的雷达信号分选算法,该算法融合集对分析中的同异反模式识别的择近原则和聚类分析的思想,将雷达侦察接收机接收的雷达脉冲信号与知识库中已知雷达脉冲信号组成集对,利用信息熵确定分选参数的权重,通过计算集对之间的同异反联系度实现雷达信号分选.仿真实验证明了算法的有效性和可行性,为解决复杂电磁环境下雷达信号分选问题提供了新途径.     

基于时间序列相似性原理的雷达信号快速识别

从密集复杂的信号环境中分选和识别出特定雷达辐射源信号是信号处理领域重要内容之一。利用威胁复杂雷达信号的先验信息,引入数据挖掘领域时间序列相似性快速匹配原理及其滑窗技术,提出了一种适于多参数联合变化雷达信号快速匹配识别方法。实验表明,该方法识别速度快,适应环境能力强,具有良好的应用前景。     

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。     

基于核模糊聚类的雷达信号分选算法

在现代战争中,随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。对核模糊聚类进行了研究分析,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选效果,为雷达信号分选提供了新的思路。     

基于晶振特征的重点雷达信号快速靶向识别

针对传统的PRI分选算法难以有效识别PRI变化复杂的重点雷达信号的问题,提出基于晶振特征的重点雷达信号快速靶向识别的方法。该方法避开常规PRI分选算法的分选流程,利用PRI之间的相关性对脉冲信号进行分选,可以对多目标同时识别。从PRI产生的原理着手考虑,PRI变化是否复杂对识别效果几乎没有影响。通过仿真与对比,验证该算法能够快速识别出重点雷达信号的脉冲序列,且对PRI变化复杂的雷达信号的识别效果较好。     

基于NeiMu的雷达信号聚类分选

针对雷达信号分选中常见的聚类数目难确定、数据簇形状识别、异常数据敏感等问题，提出了基于NeiMu(Neighboring Mutually)的雷达信号聚类分选算法。该算法首先以信号脉冲为点、各点间的欧氏距离为线构建距离矩阵，然后在进行干扰数据剔除的情况下选定合适k值完成聚类矩阵的构建，最后采取遍历聚类矩阵的方法输出聚类结果，在删除无效的聚类后实现了雷达信号的聚类分选。通过仿真可知该算法在选取合适k值的情况下具有极高的正确率，证明了其有效性和可靠性。     

现代雷达信号分选跟踪的几种方法

随着现代软件无线电技术的飞速发展,战场电磁信号环境从地面、空中、海上到太空,信号密度大,频谱宽,变换复杂,并且多功能数字雷达的多种工作方式和多种波形变换,雷达反侦察、抗干扰能力不断增强,传统的雷达信号分选跟踪方法面临着严峻的挑战。文中分析了几种传统的信号分选方法,从复杂电磁环境信号中,分析盲信号分选、聚类神经网络分选、脉内细微特性分选法,从信号分选的参数上进行多参数联合分选,并且通过多信号模拟器进行实验仿真,在分选的基础上进行跟踪处理,信号参数稳定、效果良好。