[发明专利]一种利用梯度下降和夹角余弦的联合簇标定方法

说明书

本发明提供一种利用梯度下降和夹角余弦的联合簇标定方法，在保证聚类准确率的基础上，通过简化支持向量聚类簇标定阶段的运算结构，大大降低了运算时间。该发明所述的方法先将输入数据映射到高维空间中，求得支持向量点，然后对支持向量的簇标定过程进行改进，提出以支持向量点为初始点，通过梯度下降法寻求局部极值点，即局部聚类中心点，然后通过夹角余弦的方法计算剩余点与当前局部聚类中心的相似度，将剩余点归属到相应的局部聚类中心中去，最后对局部中心点进行合并，从而得出最终的聚类中心，完成雷达信号的分选。本发明所述的梯度下降和夹角余弦簇标定算法不仅可以利用雷达信号分选上，还可以用在其他相邻领域的数据分类上。

技术领域

本发明涉及一种利用梯度下降和夹角余弦的联合簇标定方法，属于高效率雷达信号分选算法研究领域高效率雷达信号分选算法研究领域。

背景技术

基于支持向量聚类的分选算法是雷达信号分选的一个新的研究方向，其主要任务是充分利用不同雷达参数之间的差异性，从而区分不同雷达。相对于传统的分选算法，支持向量聚类算法不再依赖雷达脉冲信号的到达时间这一参数，能充分利用脉内参数信息，包括脉宽载频到达角等信息。支持向量聚类算法的实现包括两部分，第一部分是非线性映射，即通过高斯核函数将雷达参数映射到高维球面，并寻找出包含所有数据点的最小超球体。第二部分是簇标定，即在高维空间对雷达信号参数进行标定，将来自同一雷达信号的参数划分到一类，来自不同雷达信号参数划分到不同类中。

支持向量聚类算法的簇标定部分是整个算法的关键，并直接影响着算法的性能。根据对簇标定运算的结构分析可知，簇标定的时间复杂度与样本数呈指数关系增长。由于现在复杂的电磁环境，每秒脉冲流数量达到百万，直接处理的样本数非常庞大，所花费的时间也是巨大的。在保证算法有效性的基础上如何改善簇标定算法的结构，使得大幅度降低运算时间是将支持向量聚类应用于实际雷达信号分选系统的关键。针对此问题，本发明提出了利用梯度下降和余弦相似性算法来实现簇标定过程。

发明内容

本发明的目的是为了提供一种利用梯度下降和夹角余弦的联合簇标定方法，是利用梯度下降法寻找支持向量点的局部聚类中心点和利用夹角余弦判断剩余点的局部聚类中心。

本发明的目的是这样实现的：步骤1：将雷达信号的脉宽PW、载频CF、到达方向DOA组成P＝{p₁,p₂,...p_k...,p_N}，N为脉冲信号个数，p_k包含多维参数且在雷达信号分选中对应雷达信号的脉宽PW、载频CF、到达方向DOA；

步骤2：设置参数C和q的值，其中C为支持向量中求解最小超球体的软边界参数，q为高斯核函数的宽度参数；

步骤3：利用高斯核函数将数据P映射到高维超球体中，根据高维空间数据的分布，将数据P分成两类：

第一类位于高维超球体的表面称为支持向量点，用集合表示，其中n₁为支持向量的数目，第二类位于超球体的内部，称为非支持向量点，用集合表示，其中n₂为非支持向量点数的个数；

步骤4：设置更新系数lr和误差值err；

步骤5：对剩余的非支持向量点进行处理，判断其局部聚类中心；

步骤6：对局部聚类中心点计算，则可判断所有数据的归属：

取G中任意两点g_k和g_h，判断g_k和g_h是否属于同一聚类中心：在两点之间直线路径上采样M个点，M取值一般在10～20之间，若存在一个采样点s，带入公式|Φ(s)-a|的值大于超球体半径R，则认为g_k和g_h属于不同聚类中心。

本发明还包括这样一些结构特征：