[发明专利]一种基于证据C均值的雷达信号类别分选方法

权利要求书

1.一种基于证据C均值的雷达信号类别分选方法，其特征在于，所述方法包括如下步骤：

步骤1，获取需要进行类别分选的雷达信号，所述需要进行类别分选的雷达信号中包括第一类雷达信号和第二类雷达信号，分别对所述第一类雷达信号和所述第二类雷达信号进行采样，得到第一类雷达信号采样序列和第二类雷达信号采样序列，将其依次排列组成需要进行类别分选的雷达信号的采样序列，所述第一类雷达信号采样序列的长度与所述第二类雷达信号序列的长度相等；

步骤2，确定特征参数，提取所述采样序列的对应该特征参数的特征元素，将所有特征元素依次排列组成特征向量；

步骤3，将所述特征向量作为证据C均值的计算输入，得到所述特征向量中每个特征元素属于第一类雷达信号的隶属概率、每个特征元素属于第二类雷达信号的隶属概率，以及每个特征元素同时属于第一类雷达信号和第二类雷达信号的模糊概率；

步骤4，将所有特征元素中同时属于第一类雷达信号和第二类雷达信号的模糊概率大于属于第一类雷达信号的隶属概率，并且大于属于第二类雷达信号的隶属概率的特征元素丢弃，得到具有类别特征的所有特征元素；

步骤5，若所述具有类别特征的所有特征元素中，第一类雷达信号的采样序列对应的各特征元素属于第一类雷达信号的隶属概率大于其属于第二类雷达信号的隶属概率，且第二类雷达信号的采样序列对应的各特征元素属于第二类雷达信号的隶属概率大于其属于第一类雷达信号的隶属概率，则所述第一类雷达信号和所述第二类雷达信号为不同种类的雷达信号，且将所述特征参数作为第一类雷达信号和第二类雷达信号进行类别分选的特征参数。

2.根据权利要求1所述的一种基于证据C均值的雷达信号分选方法，其特征在于，步骤2中，所述确定特征参数，具体包括确定如下特征参数中的任意一种：

时域的分布方差、时域的S参数特征、频域的近似熵、频域的峰度特征、偏度特征、噪声因子特征、小波域的最大奇异值特征或小波熵特征。

3.根据权利要求1所述的一种基于证据C均值的雷达信号分选方法，其特征在于，当所述特征参数为时域的分布方差时，所述步骤2具体包括：

(2a)假设所述需要进行类别分选的雷达信号的采样序列为x(n),n＝1,2,...N，对所述采样序列x(n)求希尔伯特变换，得到x^(n)，其中x^(n)是x(n)的希尔伯特变换；

(2b)计算所述需要进行分选的雷达信号的采样序列的瞬时相位Φ(n)＝arctan(x^(n)/x(n))，采样序列的真正相位Φ_NL(n)＝Φ(n)-Φ₀，其中Φ₀是Φ(n),n＝1,2...N的均值，得到所述需要进行类别分选的雷达信号的采样序列的瞬时频率f(n)：f_s为雷达信号的采样频率；

(2c)对所述需要进行类别分选的雷达信号的采样序列的瞬时频率f(n)进行归一化，得到归一化频率f₁(n)，计算所述归一化频率f₁(n)的均值，将所述归一化频率f₁(n)中大于均值的归一化频率的方差定义为分布方差FD_var，由所有分布方差依次构成特征向量。

4.根据权利要求3所述的一种基于证据C均值的雷达信号分选方法，其特征在于，当所述特征参数为时域的分布方差时，所述步骤3具体包括：

(3a)获取所述特征向量中的最大值max和最小值min，利用计算式将所述特征向量中的各个特征值归一化到0到255的范围内，得到证据C均值算法的实际输入样本；

(3b)设置证据C均值算法的参数，其中，设置分类数目f的初值为2，权重指数分别设置为α＝2，β＝2；

(3c)根据分类数目f产生DS空间o，o中的元素个数为f(f-1)/2个；

(3d)求取DS空间o上的置信函数m_ij：

mij=cj-α/(β-1)dij-2/(β-1)Σck⊂⃒φck-α/(β-1)dik-2/(β-1)+δ-2/(β-1)]]>

其中i＝1,2,...n，j＝1,2,…k，k表示聚类中心中不是空集的聚类中心的个数，α和β为权重指数，并且α＝2,β＝2，d_i,j表示证据C均值算法的实际输入样本x_i和聚类中心j之间的距离，c_j表示各个聚类中心包含的类别数的和，δ为预设的样本到空集的聚类中心的距离，φ表示空集；

(3e)根据求出的置信函数m_ij和DS空间o，对所有包含l类的置信函数m_ij求概率和，得到证据C均值算法的实际输入样本属于第一类雷达信号的隶属概率、属于第二类雷达信号的隶属概率，以及同时属于第一类雷达信号和第二类雷达信号的模糊概率。