海量電磁數據中雷達信號的高效分選方法*

張強，王紅衛，陳游，徐源

（空軍工程大學航空航天工程學院，西安710038）

海量電磁數據中雷達信號的高效分選方法*

張強，王紅衛，陳游，徐源

（空軍工程大學航空航天工程學院，西安710038）

針對海量電磁數據中雷達信號難以進行快速準確分選的問題，提出一種新的聚類分選方法，即改進k-means算法的MapReduce并行化實現方法。通過引入初始聚類中心個數k1、最大聚類中心個數kmax和距離門限rt3個參數，克服了k-means算法需要事先確定k值和易受孤立點影響的局限；基于Hadoop平臺實現了對改進k-means算法的MapReduce并行化，克服了k-means算法串行實現時間復雜度高的局限。最后，實驗表明改進k-means算法取得了更高的分選準確率，MapReduce并行化后具有良好的加速比和擴展性，能夠很好地對海量電磁數據中雷達信號進行高效分選。

海量電磁數據，雷達信號，分選，k-means算法，MapReduce

0　引言

在現代電子戰復雜的電磁環境下，存在大量的雷達電磁信號，構成了復雜多變的電子對抗環境［1］。戰時，通過電子情報偵察（ELINT）記錄下了海量的電磁數據，迫切需要快速準確地分選出各雷達信號。雷達信號分選作為雷達信號識別的基礎，直接決定了識別的高效性和準確性，進而影響電子偵察設備性能的發揮，并關系到后續的作戰決策。

聚類算法是雷達信號分選的重要方法［2］。但面對海量電磁數據時，傳統的聚類算法存在著單位時間內處理量小、處理時間較長、處理能力存在不足的缺陷［3-5］。k-means是經典的劃分聚類算法，處理海量數據時存在一定的局限性，但相對其他聚類算法而言，具有高效率和可伸縮的優勢，故在研究針對海量數據的高效聚類算法時，通常會首選k-means算法加以改進和優化［6］。……