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。     

基于数据流聚类的动态信号分选框架

为了解决雷达信号分选中准确性与实时性相矛盾的问题,提出了一种基于数据流聚类的动态信号分选框架。该框架分为在线和离线两部分,在线部分利用网格帧保存侦察数据的概要信息;离线部分通过网格聚类算法对网格帧进行聚类分选,并得到分选结果。仿真实验表明,该框架能够分选高密度复杂侦察数据流,对噪声不敏感,且无需先验知识支撑,能够较好地满足信号分选准确性和实时性的需要。     

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。     

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。     

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。     

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。     

一种基于自适应密度阈值的未知雷达信号分选算法

针对基于密度的聚类算法不能发现密度分布不均匀数据样本的问题,提出了一种基于自适应密度阈值的未知雷达信号分选算法。该方法利用同一部雷达数据的分布特性进行聚类,通过寻找局部密度阈值,以达到分选不同密度分布的雷达信号的目的,并且在此基础上提出一个引理,提升了算法的时间效率。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

一种基于网格划分数据场的雷达信号分选方法

针对传统聚类算法需要人工预先设定聚类数目并且对聚类中心的选取十分敏感等问题,提出了一种网格划分数据场的雷达信号分选方法。首先,使用网格进行子空间的划分,根据网格长度确定数据场影响因子,并清除信号交叠处的高密度网格;然后,利用改进的等效距离计算数据场以确定聚类数目和聚类中心;最后,使用K均值聚类(K means)算法对雷达信号进行分选。仿真结果表明,该方法能够提高数据场的计算速度,较好地确定交叠雷达信号的聚类数目和聚类中心,并且能有效分选出参数捷变的雷达信号。     

一种基于近类点和模糊点的未知雷达信号分选算法

针对基于密度聚类（DBSCAN）算法不能发现雷达信号密度分布不均匀的缺陷,提出了一种基于近类点和模糊点的聚类方法。该方法利用同一部雷达数据的分布特性进行聚类,通过确定近类点和模糊点以达到分选不同密度分布的雷达信号,适用于未知雷达信号的分选。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

基于SA-BFSN算法的多模地面雷达信号预分选方法

针对BFSN算法需要人工输入参数的缺陷,提出了一种自适应确定参数的SA-BFSN聚类方法。该方法利用同一部雷达数据的分布特性进行聚类。通过确定邻居点和比较相似性以达到分选不同的雷达信号,适用于未知雷达信号的分选。提出了合批的方法和一种分选的联合处理。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

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。     

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。     

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。     

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。