[发明专利]一种基于势距图联合PCA与改进云模型的雷达信号分选方法

权利要求书

1.一种基于势距图联合PCA与改进云模型的雷达信号分选方法，步骤如下：

步骤一：构建数据场，结合密度峰值聚类算法，获取数据点势能值来表述各个信号样本点处密度的大小；

提取雷达信号的到达角DOA、脉宽PW和载频RF构建三维数据场；形成数据场的势能函数为：

其中：代表第i个数据在位置x中的势能值；代表位置x处的势能值；m_i代表每个数据的质量；假定每个数据质量相等，且满足数据质量和为1；r为获取数据点势能值的截断距离，σ代表数据场的影响因子；

步骤二：利用势能值剔除干扰点；

将每个数据点的势能值由大到小排序，比较两个数据势能值之间比值k的变化，确定干扰点，完成数据干扰点的剔除；具体如下所示：

步骤三：确定数据点的距离属性，构建势距图选择出聚类中心进而完成雷达信号的预分选；

依据获取的数据点的势能值按照以下公式获取数据点的距离属性：

其中，代表雷达信号数据点的势能值；d_ij代表两个脉冲数据点的距离；d_j代表第j个数据的距离属性；

对数据点的势能和距离按照下式所示做归一化处理：

步骤四：利用主成分分析提取主要特征，从而构建出新特征F；

将各个类的三维特征参数DOA、PW和RF导入SPSS作主成分分析，抽取特征值采用默认设置λ＞1，得到成分矩阵和解释的总方差；由于脉间参数特征只有3个，因此利用PCA降维后提取的新特征只有1个或者2个；具体如下所示：

F₁＝k₁₁x_PW+k₁₂x_RF+k₁₃x_DOA

F₂＝k₂₁x_PW+k₂₂x_RF+k₂₃x_DOA

上式中，F₁和F₂中的系数为成分矩阵中的数据除以主成分相对应的特征值开平方根，主成分相对应的特征值可以从SPSS分析出的解释的总方差表中得到；

步骤五：基于新特征F利用改进的云模型理论计算数据簇与数据簇之间的隶属度关系，解决多模雷达信号分选的“增批”问题。

2.根据权利要求1所述的一种基于势距图联合PCA与改进云模型的雷达信号分选方法，其特征在于：步骤五具体为：

基于新特征F获取各个数据簇的期望Ex、熵En和类超熵Se，如下式所示：

其中

其中，x_pq表示第p个类簇中的第q个参数样本；s为数据簇总数；L为第p个类簇中的云滴总数，p＝1,2,…,s；q＝1,2,…,L；

在计算出数据簇的(Ex,En,Se)之后，依据正向云发生器工作原理，以En为均值，Se²为方差，在新参数特征维度上生成随机数r之后，在获得了单个样本对某一数据簇隶属度后，计算整个数据簇对某一数据簇的隶属度；基于新特征F对数据簇的隶属度进行T次计算，然后求取均值，具体如下所示：

其中r＝norm(En,Se²)

在获得了数据簇之间的隶属度后，创建最后的分类评价标准如下所示：

(1)基于新特征F获取各个数据簇的数字特征Ex、En、Se；

(2)设置隶属度判别门限μ；

(3)如果则判定两类雷达信号数据属于同一部雷达的不同工作模式；

(4)如果则判定两类雷达信号数据属于不同的雷达；

其中，隶属度判别门限μ如下所示：