[发明专利]一种基于证据C均值的雷达信号类别分选方法

说明书

技术领域

本发明属于雷达信号分选技术领域，特别涉及一种基于证据C均值(ECM)的雷达信号类别分选方法，具体是根据不同信号的特征参数，利用ECM方法估算各个特征参数的隶属概率，可用于对不同类型的雷达信号进行类别分选。

背景技术

雷达辐射源信号在传播过程和接收处理过程中不可避免地会受到各种噪声的干扰，信噪比的变换范围很大，通常在几分贝到几十分贝(只考虑脉内噪声)之间，导致同一类信号的特征样本严重分散，如果特征样本分散程度太大，还会致使分类识别的辐射源信号类别数增加，从而增大分类识别的错误概率。解决这个问题的有效措施之一就是设计性能良好的分类器。

传统的分类识别主要采用距离分离器、线性分类器、最近邻分类器、决策树分类器和贝叶斯分类器等。但这些方法不仅计算量大，消耗的时间多，识别率低，而且还需要专家进行校验。

发明内容

针对上述问题，本发明的实施例提供一种基于ECM的雷达信号类别分选方法，该方法允许对特征点的分类做出不确定判断，允许删除特征点，避免了其他方法生硬区分导致的分类不准确。

为达到上述目的，本发明的实施例采用如下技术方案予以实现。

一种基于ECM的雷达信号类别分选方法，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。

本发明的有益效果为：本发明应用在根据雷达特征参数对雷达信号分类中，不仅可以给出一些特征点属于某类信号的隶属概率，同时还能给出特征同时属于多个信号的模糊概率，增加了模糊项，使得基于多维特征的雷达信号分类更加准确。本发明由于能够给出特征属于信号的模糊概率，因此本发明还可用于对雷达信号的特征筛选中，如果特征的模糊概率比较大，则可以认为此特征携带的分类信息比较少。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于ECM的雷达信号类别分选方法的流程示意图一；

图2为本发明实施例提供的一种基于ECM的雷达信号类别分选方法的流程示意图二。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在图像分割理论中经常使用的一种重要的工具是模糊C均值(FCM)，它实现方法简单、应用范围广泛并且效果良好。Masson根据D-S证据理论对FCM算法加以改进，得到了证据C均值(ECM)方法，该方法的最大特点是能够产生新的类别，对于不确定性的分类更加准确。

本发明实施例提供一种基于ECM的雷达信号类别分选方法，如图1所示，所述方法包括如下步骤：