数据场和K-Means算法融合的雷达信号分选

雷达辐射源信号分选是电子情报侦察的关键环节,其中未知雷达的信号分选一直是分选中的难题。针对传统K-Means聚类算法对初始聚类中心敏感、需要事先确定初始聚类数目的缺点,将数据场算法引入到雷达信号分选,并将其与K-Means聚类算法相结合,提出了一种融合算法,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验验证所提出的融合算法分选准确率较高,为雷达信号分选提供了新的思路。     

改进的人工鱼群聚类雷达信号分选算法

针对目前复杂多变的雷达电磁信号环境,将人工鱼群聚类算法引入到雷达信号分选中,并将其与传统的K-Means聚类算法相结合进行了改进,对雷达信号分选进行了一种新的探索,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率较高。     

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。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

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。     

一种新的未知雷达信号快速分选方法

针对未知雷达信号聚类分选实时性较差的问题,提出了一种改进的DBSCAN聚类分选方法。该方法首先依据脉冲数据在参数空间中的分布特性,寻找一些参考点来合理代替原有数据,然后利用这些参考点的密度连通性进行聚类处理。由于该方法减少了参与聚类运算的数据个数,因而有效克服了原算法计算量较大的缺陷,提高了未知雷达信号的聚类分选速度。仿真结果验证了改进方法的有效性。     

基于数据场的未知雷达信号动态聚类算法

未知雷达信号分选一直是雷达对抗情报处理中的难题。通过引入势和场强的概念,提出了一种基于数据场的未知雷达信号聚类算法。该方法通过设置势值门限来剔除噪声,同时设置场强门限进行聚类。该方法可以达到自动确定聚类数目和聚类中心的目的。仿真试验表明,该方法能够有效适应于未知雷达信号的分选。     

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。     

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。