[发明专利]一种基于支持向量聚类和灰关联度的雷达信号分选方法

说明书

本发明提供了一种基于支持向量聚类和灰关联度的雷达信号分选方法，首先确定雷达信号SVC分选模型；然后设计了灰关联度指标以验证聚类的有效性，并根据有效性指标调整聚类参数，以达到最佳的聚类效果,在具有重叠、相互交织的雷达参数集上可以得到较好的聚类结果，提高了雷达信号分选正确率，在一定程度上满足雷达电子对抗的实效性、准确性的要求。

技术领域

本发明涉及雷达信息处理领域，具体涉及一种基于支持向量聚类和灰关联度的雷达信号分选方法。

背景技术

支持向量聚类(support vector clustering,SVC)是Ben-Hur等在基于高斯核的SVDD(support vector domain description)算法基础上进一步发展起来的无监督非参数型的聚类算法。是指利用高斯核，将数据空间中的数据点映射到一个高维特征空间中，并在特征空间中寻找一个能包围所有数据点像的最小半径超球面，将这个超球面反映射回数据空间，最终得到包含所有数据点的等值线集的聚类方法。

一个高维空间的超球面在原空间中可以是任意的形状，因此可以处理任意形状的聚类，有效处理噪声。特征空间超球体的球面映射到原始样本空间为等值曲线，超球体内部的点映射为等值曲线内部的点。每一条闭合曲线包含的样本点属于同一个簇。通经过非线性映射，SVC增加了数据点线性可分的概率，使数据点的聚类特征更为明显，因而可以较好地分辨、提取并放大有用特征。在融入松弛量后，能有效排除异常值，实现更为准确的聚类。

灰关联分析是通过灰色关联度来分析和确定系统诸因素的影响，或因素对系统主行为的贡献的一种测度方法，其基本思路是：通过确定参考数据列和若干比较数据列的几何形状相似程度来判断其联系是否紧密，反映了曲线间的关联程度，从而分析系统中多因素间的关联程度。序列曲线几何形状越接近，之间的关联度越大。灰关联分析在预测、决策、控制和模式识别等诸多方面获得了成功应用。

事实上，对于可分类别来讲，困扰聚类分选的最大问题在于用于聚类的特征没有很好的类间分离能力，这影响了聚类方法的实际使用效果，SVC面临同样问题,没有一种指标总优于其它指标同样地，没有一种指标可以处理任何类型的数据集。

发明内容

本发明针对交织严重但又具有短时周期重复特点的雷达信号聚类分选问题，提供一种基于支持向量聚类和灰关联度的雷达信号分选方法，设计一种灰关联度指标用于确定簇类划分，并据此实现了复杂环境下的雷达信号分选。

为达到上述目的，基于支持向量聚类和灰关联度的雷达信号分选方法分选步骤如下：

步骤一：构造描述雷达脉冲的特征向量G集和雷达信号样本数据集i＝1,2,...,N，此处N为总样本数，d为特征维数，将数据空间中的样本映射到特征空间，得到一个中心为a，半径为R的闭凸超球体：

min R²+C∑_iξ_i

s.t.||Φ(g_i)-a||²≤R²+ξ_i,ξ_i≥0 (1)

C表示惩罚因子，Φ(g)表示数据点g在特征空间中映像，||g||为Euclidean范数，ξ_i表示松弛量；

上述约束问题的Lagrangian算式为：

L＝R²-∑_i(R²+ξ_i-||Φ(g_i)-a||²)β_i

-∑_iξ_iμ_i+C∑_iξ_i (2)