[发明专利]一种基于核簇支持向量聚类的雷达信号分选方法

说明书

本发明提供了一种基于核簇支持向量聚类的雷达信号分选方法，首先利用常规参数对交织信号进行聚类预分选，然后选取漏选脉冲对应的脉内数据，并提取出有利于信号分选的脉内调制特征，接着利用特征选择算法选取雷达辐射源信号的关键特征，并采用提出的基于核簇支持向量聚类方法对选出的特征进行聚类分选，最后合并两次分选结果完成最终分选，不仅克服了已有技术存在或者适用范围受限，或者计算复杂，或者不利于工程实现等问题，而且与传统分选方法相比，分选正确率在典型信噪比下(15dB)提高到了97％左右。

技术领域

本发明涉及雷达信息处理领域，具体涉及一种基于核簇支持向量聚类的雷达信号分选方法。

背景技术

雷达信号分选(signal sorting)是指依据截获的雷达特征参数、到达时间及位置数据等，从随机交错的辐射源信号流中分出不同的信号。它是不同雷达的类型、属性、用途识别以及威胁程度判断的前提和基础，因此直接影响着雷达侦察设备性能的发挥并关系到后续的作战决策。但是，随着各种电子对抗设备数目的急剧增加，电磁威胁环境的信号密度已高达百万量级，而且现代雷达向多功能、多用途的方向发展，一部雷达可能有多种工作状态，具有多种体制，同时为了提高自身的性能和抗干扰的需要，往往采用各种复杂的波形设计尽量破坏信号分选和识别所利用的信号规律性，再加上低截获概率(LPI)技术的采用，这些都对信号分选的实时性、准确性和可靠性提出了新的、更高的要求。

到目前为止，研究人员提出了大致有以下三大类方法来实现雷达信号的分选：

一是采用脉间参数的信号分选；采用这种方法实现的信号分选通常计算速度快，便于实现，然而由于仅采用脉间参数，不能很好适应于雷达波形设计越来越趋于复杂化，传统的重频固定、参差、抖动等雷达信号在现代雷达设计中越来越少见等情况，也不能用于传统的五参数(TOA，RF，PA，PW和DOA)在各参数域均可变化，甚至相互交叠的复杂体制雷达信号分选。

二是采用脉内特征的信号分选；脉内特征参数有助于减少多参数空间的交叠概率，对辐射源信号的分选识别提供新的依据和思路，也是提高当前辐射源信号分选能力的一种可能途径和思路。但是由于采用了复杂的分析方法，这样就容易产生计算复杂度高，不易实现等问题。

三是采用脉间参数与脉内特征直接组成特征向量的分选方法；这种方法通过组合脉间参数和脉内参数以降低或部分降低单纯使用脉间或脉内特征所造成的交叠，可取得较好结果，但是该方法需要对所有的雷达信号进行脉内特征提取，这样处理无形中加重了电子支援系统的处理负担，因此，这一设计也是不太容易实现的。

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。

核簇即在原SVC算法中尽可能多地保留处于最优超球面外的点，即边界支持向量(Bounded Support Vectors，BSVs)，使尽可能多的最优超球面上的点，即支持向量(Support Vectors，SVs)转换成BSVs，最后剩余各脉间特征的核簇，这样最大程度地保证了避免分选时产生的误选脉冲，同时也保证了各特征核簇具有最佳类内聚集性和类间分离性。