[发明专利]一种基于核簇支持向量聚类的雷达信号分选方法

摘要

本发明提供了一种基于核簇支持向量聚类的雷达信号分选方法，首先利用常规参数对交织信号进行聚类预分选，然后选取漏选脉冲对应的脉内数据，并提取出有利于信号分选的脉内调制特征，接着利用特征选择算法选取雷达辐射源信号的关键特征，并采用提出的基于核簇支持向量聚类方法对选出的特征进行聚类分选，最后合并两次分选结果完成最终分选，不仅克服了已有技术存在或者适用范围受限，或者计算复杂，或者不利于工程实现等问题，而且与传统分选方法相比，分选正确率在典型信噪比下(15dB)提高到了97％左右。

主权项

1.一种基于核簇支持向量聚类的雷达信号分选方法，其特征在于，分选步骤如下：步骤1：根据利用调整后的锥面聚类标识RCCL算法进行聚类标识的支持向量聚类SVC算法对脉间参数所表征的辐射源信号进行RSVC聚类分选；所述调整后的锥面聚类标识RCCL算法实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；其中：式中R为最优超球面半径，q为高斯核宽度；所述RSVC聚类分选实现步骤如下：先根据初始参数执行支持向量聚类SVC算法；再应用相似熵SE指标调整聚类参数，此处SE值由RCCL算法得到的核簇计算；最后根据最终参数运行聚类算法，得到分选结果；所述初始参数是指，令支持向量聚类SVC算法中的惩罚因子C＝1，根据公式(7)计算出初始q值：所述应用相似熵指标SE调整聚类参数的算法如下：步骤1.1首先令惩罚因子C＝1；步骤1.2根据q＝1/maxij||gi‑gj||2计算出初始q值；步骤1.3根据参数q运行SVC算法，得到一个中间聚类结果；步骤1.4判断步骤1.3产生的结果中，支持向量SVs数目是否急剧增多或者是否包含单样本向量形成的聚类，若条件为真则启发式减小C并转到步骤3，否则转到步骤5；步骤1.5根据RCCL算法，由聚类结果计算SE值；步骤1.6如果SE值为最大值，则转到步骤7，否则启发式增大q并转到步骤3；步骤1.7确定最终聚类分选参数q和C，并根据最终参数运行聚类算法，得到聚类结果。所述相似熵指标SE计算公式为：SE＝max{SEc,2≤c≤N‑1} (1)式中，c表示由SVC聚类算法得到不同的聚类数目，相似熵指标SEc满足下式：其中，C表示由支持向量及等值线内部数据点组成的簇类。Hsep(C)表示类间相似熵，Hcomp(C)表示类内相似熵，其求解公式如下：式中：其中，ml表示聚类Cl中心，gki表示聚类Ck中第i个样本，Sl,ki表示ml与gki之间的相似系数；当l＝k时，Hlk表示聚类Cl类内相似熵，当l≠k时，Hlk表示聚类Cl与聚类Ck之间相似熵；步骤2：根据步骤1产生的漏选脉冲，推出需要进行后续处理的脉内参数数据；步骤3：对步骤2中的脉内参数数据进行特征提取，特征选择并形成特征向量；步骤4：利用基于MCCL的支持向量聚类(SVC)算法联合SE指标的分选方法，对步骤3得出的脉内特征进行聚类分选；所述MCCL实现步骤如下：首先计算Z；然后计算支持向量对之间的欧氏距离，如果距离小于2Z，则将这两个支持向量归为一类；接着重复进行上一步直到所有支持向量完成聚类；最后处理剩余数据点：(1)如果剩余数据点为正常值，则计算正常值g与SV之间的距离d，将g合并到与SV距离d最小的类中；(2)如果剩余数据点为异常值，则计算异常值g′与步骤2已完成聚类的质心之间距离，将g′合并到与质心距离d′最小的类中；其中：式中R为最优超球面半径，q为高斯核宽度；步骤5：将步骤1产生的核簇与步骤4产生的分选结果进行合并，完成辐射源信号的分选。