「深度」基于数字信道化接收机的聚类分选算法（下）

">

今日荐文

今日荐文的作者为西安电子科技大学，电子信息攻防对抗与仿真技术教育部重点实验室专家张勇强，汤建龙。本篇节选自论文《基于数字信道化接收机的聚类分选算法》，发表于《中国电子科学研究院学报》第12卷第2期。本文为论文的后半部分。

摘 要：提出了一种适合数字信道化接收机的未知雷达辐射源聚类分选算法。该算法通过对数字信道化接收机产生的脉冲描述字（PDW）流融合预处理，对预处理后的PDW流进行网格密度聚类，获得雷达辐射源的初始分类结果后，利用累计差直方图法（CDIF）最优门限对虚警辐射源进行剔除，再合并处理生成辐射源描述字（EDW）。仿真结果表明，该算法能有效的用于数字信道化接收机的雷达信号分选。

引 言

雷达辐射源信号分选是电子侦察处理的关键技术，信号分选的效果直接影响着雷达侦察系统的整体作战效能。随着雷达技术的快速发展，雷达体制趋于多样化、复杂化、综合化，电子对抗所面临的电磁环境越来越复杂。目前雷达辐射源信号分选的准确性、实时性及可靠性均面临着严峻的挑战。

聚类分析实现脉冲序列去交错一直是雷达信号处理的重要方法，是一种无监督的学习方法。通过将数据集中的样本按一定的相似性度量和评价准则进行归并分类，聚类方法可发现数据集的内在组织结构，以便于人们更好地理解数据。

（1）网格密度聚类算法数据源是利用设定的辐射源参数按一定的虚警率和漏警率直接生成PDW，未采用实际接收机所产生PDW，缺乏工程应用背景。

（2）由于线性调频信号PDW的复杂性，聚类分选算法并没有将它到考虑其中。针对以上问题，本文提出了一种改进的基于网格密度聚类的分选算法，以数字信道化接收机所产生PDW流为源数据，充分利用载频（RF）、到达时间（TOA）、结束时间（TOE）、能量（E）等特征参数进行聚类，完成未知雷达辐射源的分选。该算法无需人为设定聚类数目，实现自动聚类，对聚类结果准确提取雷达辐射源EDW的各特征参数，算法复杂度低，抗噪声干扰能力强，聚类精度高，适合处理大规模的雷达侦察数据。

1 改进的网格密度聚类分选算法

2 仿真实验分析

为了验证该网格密度聚类分选算法适用于数字信道化接收机的雷达信号分选的可行性和有效性，以图3所示实验模型进行仿真分析。实验环境：Windows7 , Inter Core i3 M390 2.67Ghz , 4G内存 , 仿真工具Matlab R2014a。

图3 实验模型

数字信道化通过门限检测得到PDW流，每个PDW由四维参数组成{RF、TOA、TOE、E}组成，将PDW流进行信号分选。

表1 仿真实验辐射源类型及特征参数

原始数据分布如图4（a）所示，依据数字信道化的PDW流（RF，TOA，TOE，E）转换成（RF，CRI，PW）所得，其中CRI为信道重复周期，定义为同一信道的相邻PDW的TOA之差；PW为各PDW的TOA与TOE之差。由于数字信道化的影响，会产生相邻信道的PDW，并且信道的CRI和PW会出现一些有误的分布。分布图显示各信号参数交叠严重，利用传统的网格密度聚类无法有效的进行分选。因此对原始的PDW流有必要融合预处理，合并相邻信道，更新TOA和TOE，依据能量判断其类型为单载频或者线性调频，为下一步网格密度聚类做准备。预处理后数据分布图如图4（b）所示。

预处理之后的数据进行网格密度聚类，利用公式3得到每一维的划分数K，划分网格，利用公式4得到密度阈值Minpts= 10。在获得初始聚类之后，利用CDIF在进行最优门限选择性剔除时k =0.4，采样时间T= 20ms。最后得到雷达信号聚类分选结果，如图5所示。

表2 仿真实验结果分析

依据仿真实验结果图5可知，本文提出的改进的基于网格密度聚类的分选算法对接收机产生的混合PDW流准确地进行了分选，生成各辐射源EDW，完成了未知雷达辐射源的分选要求。由表2可证明该聚类分选算法的有效性和可行性，目前可以分选的类型有具有参差特征的线性调频信号，单载频信号，频率捷变信号，频率分集信号。

3 结 语

本文将网格密度聚类算法用于实时性要求性较高的数字信道化接收机的雷达预分选之中，根据信道化后PDW流的特征，首先融合预处理，再利用聚类算法获得初始聚类，对初始聚类结果进行选择性剔除及合并处理后完成信号分选，得到未知雷达辐射源的EDW。仿真实验表明了算法应用于未知雷达辐射源分选的有效性和可行性，较好的满足了雷达辐射源分选的要求。进一步提高算法的运行效率，并将其他数据流挖掘算法进行结合，更好地应用到雷达信号分选领域，是下一步的研究内容。

（本文完结，参考文献略）

《 召 集 令 》

身怀学术绝技的你速速前来！

1，有学术水准：一定的专业学术水准是必须的！

2，有独到思想：具深度，广度，锐度者为最佳！

3，内容范畴：自然科学，社会科学等等不设限！

4，资讯或翻译类文章：符合上述条件的均可以。

学术plus咨询/投稿邮箱

xueshuplus@163.com