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。     

PSOM算法用于未知雷达信号分选

粒子群算法(PSO)和神经网络的有机结合是目前一个十分活跃的研究领域,为分类问题的研究提供了新的思路和方法。针对基本SOM算法聚类数目不确定、聚类效果不佳等问题,提出PSOM算法用于未知雷达信号分选,利用PSO的优化算法替代SOM的启发式训练,对基本SOM算法进行改进,最后通过仿真实验验证了该算法在未知雷达信号分选应用上的有效性。     

一种用于机载雷达告警接收机的主分选算法

机载雷达告警接收机作为一种雷达侦察设备,主要用于对高威胁雷达目标识别和告警,而识别的前提是信号的分选。针对传统主分选算法计算量大、自动化程度不高、无法满足机载雷达告警接收机实时分选需要的现状,提出一种基于幅度预处理和脉冲重复周期(PRI)转移矩阵的主分选算法,通过仿真实验验证了该算法的有效性。     

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。     

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。