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。     

聚类方法在雷达信号分选中的应用

针对参数相近、互相交叠的非常规雷达信号分选所面临的困难,提出一种改进的聚类方法,并将其应用于常规分选方法提取后的剩余雷达信号.通过大量的仿真实验,验证了此分选方法的可行性.     

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。     

雷达脉冲信号流的模糊聚类分选

复杂信号环境下的实时信号分选技术对雷达侦察信号处理非常重要,利用模糊聚类分析的相关理论,根据脉冲参数将不同体制的雷达信号进行归类,从而实现对雷达脉冲信号的分选。     

基于模糊聚类的雷达信号分选方法

随着新体制、新技术雷达的不断出现，雷达侦察接收机接收到的雷达信号更加密集和复杂，传统的分选方法已不能对其进行有效分选，模糊聚类法能够利用雷达信号的特征参数有效地分选出常规和非常规雷达信号。文中采用了一种新的模糊聚类分析算法一跟踪法，该方法易实现编程，适用于处理大量数据，仿真实验证明分选结果较理想。     

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。     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

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。     

基于改进网格聚类的动态雷达信号分选算法

针对传统网格聚类算法应用于雷达信号分选中存在密度阈值不够合理、聚类精度较低的问题,提出了一种基于改进网格聚类的动态雷达信号分选算法。该算法引入CluStream聚类算法中的双层框架,增加了分选系统的实时性。通过双密度阈值策略和边缘稀疏网格优化处理,改进了传统网格聚类算法,合理地设置了密度阈值。仿真结果表明,该方法具备较高的抗干扰能力和聚类精度,取得了较好的分选效果。     

基于改进的蚁群聚类雷达信号分选算法研究

针对新体制、新技术雷达下的雷达侦察接收机,提出一种新的蚁群聚类分析算法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

基于蚁群算法的K-Means聚类雷达信号分选算法

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。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

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。     

基于快速支持向量聚类和相似熵的多参雷达信号分选方法

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并在此基础上对其进行改进,使改进后的算法能对异常值做进一步处理,以达到缩短消耗时间的同时提高正确率的目的。同时以信息熵的理论描述类内聚集度和类间分离度,应用相似熵指标验证分选效果的有效性。仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。     

一种基于改进网格聚类的雷达信号预分选算法

基于网格的聚类算法是雷达信号预分选领域的一种常用方法。针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出一种改进的网格聚类算法,该算法对输入雷达信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。仿真实验验证了算法的有效性和抗噪声能力。     

基于加权SVC和K-Mediods联合聚类的雷达信号分选方法

为了提高复杂体制雷达信号分选的正确率,提出了加权SVC和K-Mediods联合聚类算法,针对雷达参数特点,对SVC算法的核函数内积和K-Mediods算法的欧氏距离进行加权计算,从而避免聚类结果被弱相关的特征所支配.与SVC与K-Means联合聚类算法相比,SVC与K-Mediods联合聚类算法有效降低了"离群点"的影响.结果表明,该算法能够提高复杂体制雷达信号分选的正确率,存在部分"离群点"时分选正确率较高.     

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。     

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。     

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.