一種快速的支持向量聚類雷達(dá)信號(hào)分選方法

摘 要： 針對(duì)現(xiàn)有支持向量聚類算法復(fù)雜度較高，在密集、復(fù)雜、多變的現(xiàn)代雷達(dá)對(duì)抗信號(hào)環(huán)境中，無(wú)法同時(shí)滿足雷達(dá)信號(hào)分選的準(zhǔn)確性和實(shí)時(shí)性，提出了錐面映射支持向量聚類的雷達(dá)信號(hào)分選方法，并利用熵表征的聚類因子調(diào)整驗(yàn)證聚類效果。仿真結(jié)果表明，該方法在保證信號(hào)分選正確率的同時(shí)，可有效提高雷達(dá)信號(hào)分選速度，具有一定的實(shí)用價(jià)值。

關(guān)鍵詞： 雷達(dá)信號(hào)分選； 支持向量聚類； 錐面映射； 熵表征； 聚類因子

中圖分類號(hào)： TN957.51?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2013）17?0065?03

0 引 言

雷達(dá)信號(hào)分選是從截獲到的密集雷達(dá)脈沖信號(hào)流中分離出屬于不同雷達(dá)輻射源的脈沖，是電子支援系統(tǒng)和電子偵察系統(tǒng)的核心組成部分[1]，是電子偵察設(shè)備發(fā)揮良好性能的重要基礎(chǔ)。

傳統(tǒng)的多參數(shù)雷達(dá)信號(hào)分選技術(shù)是利用脈沖到達(dá)方向DOA、脈寬PW、重頻PRF、脈沖幅度PA及掃描方式等信息對(duì)雷達(dá)全脈沖序列進(jìn)行去交織[2]，而在現(xiàn)代電子戰(zhàn)環(huán)境中，隨著新體制雷達(dá)的不斷出現(xiàn)，出現(xiàn)了高脈沖密度和大量復(fù)雜形式脈沖交疊的情況，傳統(tǒng)分選方法效率較低，容易產(chǎn)生增批和漏批現(xiàn)象。基于此，文獻(xiàn)[3?5]提出了基于不同機(jī)理的聚類分選方法，這些方法一定程度上改善了雷達(dá)信號(hào)分選效果，但算法復(fù)雜度較高，仍然無(wú)法高效滿足分選實(shí)時(shí)性和準(zhǔn)確性。本文在研究聚類算法的基礎(chǔ)上，提出了一種聯(lián)合熵表征聚類因子的錐面映射支持向量聚類雷達(dá)信號(hào)分選方法，一定程度上同時(shí)確保了雷達(dá)信號(hào)分選的實(shí)時(shí)性和準(zhǔn)確性。仿真試驗(yàn)結(jié)果證明了該方法的有效性。

1 聯(lián)合熵表征聚類因子的錐面映射支持向量聚類方法

1.1 支持向量聚類

支持向量聚類算法是由Ben?Hur等人提出的，支持向量聚類以支持向量機(jī)為工具進(jìn)行聚類，其基本思想是：首先通過(guò)非線性變換將數(shù)據(jù)樣本從屬性空間變換到一個(gè)高維特征空間，再在新空間中求取最優(yōu)超球面。通過(guò)非線性變換增加了數(shù)據(jù)點(diǎn)線性可分的概率，能更好地分辨、提取并放大有用特征，實(shí)現(xiàn)更好的聚類。

1.2 錐面映射支持向量聚類信號(hào)分選

1.3 利用熵表征的聚類因子評(píng)判聚類效果

2 算法實(shí)現(xiàn)

聯(lián)合聚類因子評(píng)判進(jìn)行錐面映射向量聚類雷達(dá)信號(hào)分選，流程圖如圖1所示，具體步驟為：

（1）對(duì)脈沖描述字采取實(shí)時(shí)分段處理方法提取子集[V]；

（2）對(duì)[V]歸一化后進(jìn)行錐面映射支持向量聚類預(yù)分選，并根據(jù)聚類因子[A]，調(diào)整聚類參數(shù)[q]；

（3）根據(jù)最優(yōu)聚類參數(shù)實(shí)現(xiàn)最終聚類分選，并再次用聚類因子[A]對(duì)聚類效果評(píng)判，動(dòng)態(tài)更新聚類庫(kù)。

3 仿真結(jié)果分析

為了驗(yàn)證該分選方法的實(shí)時(shí)性和有效性，本文仿真一系列雷達(dá)脈沖數(shù)據(jù)并對(duì)其進(jìn)行預(yù)處理，處理后試驗(yàn)數(shù)據(jù)如表1所示。將熵表征的聚類因子[A]與DB指標(biāo)[7]和PS指標(biāo)[8]對(duì)聚類的有效性情況進(jìn)行了比較，結(jié)果見(jiàn)表2。

其中數(shù)據(jù)集1，數(shù)據(jù)集2為雷達(dá)脈沖數(shù)據(jù)子集，依次選取為1～150，150～300個(gè)樣本。文獻(xiàn)[7?8]分別指出DB和PS值越小時(shí)，聚類最優(yōu)。而從表中可看出數(shù)據(jù)集1，PS指標(biāo)最小時(shí)，聚類結(jié)果為3類信號(hào)源，而實(shí)際信號(hào)源為2類。數(shù)據(jù)集2，DB值最小時(shí)，對(duì)應(yīng)的為3類信號(hào)源，而實(shí)際信號(hào)源為4類。二者都沒(méi)有很好地確定聚類數(shù)目和最佳[q]值，而本文提出的熵表征聚類因子[A]可準(zhǔn)確地進(jìn)行最優(yōu)聚類效果評(píng)判。

4 結(jié) 論

為滿足雷達(dá)電子對(duì)抗的實(shí)時(shí)性、準(zhǔn)確性要求，準(zhǔn)確快速實(shí)現(xiàn)雷達(dá)信號(hào)分選，本文將錐面映射支持向量聚類算法應(yīng)用到復(fù)雜電磁環(huán)境下的雷達(dá)信號(hào)分選當(dāng)中，同時(shí)利用基于熵表征的聚類因子進(jìn)行聚類有效性調(diào)整驗(yàn)證。仿真結(jié)果表明，該方法在保證信號(hào)分選正確性的同時(shí)，能很大程度地減少信號(hào)分選過(guò)程中消耗的時(shí)間，提高分選實(shí)時(shí)性。

參考文獻(xiàn)

[1] WILEY R G. ELINT： the interception and analysis of radar signals [M]. Second Edition. Boston： Artech House， 2006： 317?356.

[2] MILOJEVIC D J， POPOVIC B M. Improved algorithm for the deinterleaving of radar pulses [J]. IEE Proc， F： Comm， Radar and Signal Processing， 1992， 139（1）： 98?104.

[3] 祝正威.雷達(dá)信號(hào)的聚類分選方法[J].電子對(duì)抗，2005（6）：6?10.

[4] BEN?HUR A， HORN D， SIEGELMANN H T， et al.Support vector clustering [J]. Journal of Machine Learning Research， 2001 （2）： 125?137.

[5] LEE J， LEE D. An improved cluster labeling method for support vector clustering [J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2005， 27（3）： 461?464.

[6] 國(guó)強(qiáng)，王長(zhǎng)虹，李崢.支持向量聚類聯(lián)合類型熵識(shí)別的雷達(dá)信號(hào)分選方法[J].西安交通大學(xué)學(xué)報(bào)，2010，44（8）：63?67.

[7] DUNN J C. Well separated clusters and optimal fuzzy partitions [J]. Journal of Cybernetics， 1974 （4）： 95?104.

[8] CHOW C H， SU M C， LAI Eugene. Symmetry as a new measure for cluster validity [C]// 2th WSEAS International Conference on Scientific Computation and Soft Computing. Crete： WSEAS， 2002： 209?213.