[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

摘要

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。

主权项

1.一种基于支持向量聚类和灰关联度的雷达信号分选方法，其特征在于，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∑iξis.t.||Φ(gi)‑a||2≤R2+ξi,ξi≥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，ξi表示松弛量；上述约束问题的Lagrangian算式为：L＝R2‑∑i(R2+ξi‑||Φ(gi)‑a||2)βi‑∑iξiμi+C∑iξi          (2)其中，βi为拉格朗日乘子；对L关于R、a和ξ求导并令导数等于0，得：则由Wolfe对偶形式推导出式(1)的等价问题为：s.t.0≤βi≤C,∑iβi＝1,i＝1,2,...,N(4)引入高斯核函数K(gi,gj)＝ΦT(gi)Φ(gj)＝exp(‑q||gi‑gj||2)，q为高斯核宽度，由式(1)约束条件可知，在特征空间中映射点到球心距离表示为：R2(g)＝||Φ(g)‑a||2＝1‑2∑jβjK(gj,g)+∑i,jβiβjK(gi,gj)    (5)由公式(4)和(5)推导出最优βi值和最优超球面半径R，确定同一类样本数据的聚类边界；步骤二：采用改进的锥面聚类标识CCL算法进行聚类标识；步骤三：选取数据集中的一个样本作为参考序列：x0＝{x0(k)|k＝1,2…,K}，数据集中其余的样本数据xi＝{xi(k)|k＝1,2…,K}作为比较序列，K是样本序列的维数，N为数据集合中样本总数；设在第k个时刻x0(k)和xi(k)的绝对差为Δ0i(k)＝|x0(k)‑xi(k)|。则参考序列x0(k)与比较序列xi(k)的关联系数定义为：ξ∈(0,1]为分辩系数，其值越小，分辩力就越大，这里取ξ＝0.5，m0称为两级最小差，M0称为两级最大差；计算灰关联度：步骤四：灰关联度指标GCD定义为：其中，Gsep(C)表示簇间灰关联度，Gcomp(C)表示簇内灰关联度，其求解公式如下：式中：其中|Ck|表示簇类Ck包含的数据对象数目；步骤五：令惩罚因子C＝1，通过计算聚类过程中GCD的值不断调节参数q，使得GCD的值达到最大。