一種快速的支持向量聚類雷達信號分選方法

摘 要： 針對現有支持向量聚類算法復雜度較高，在密集、復雜、多變的現代雷達對抗信號環境中，無法同時滿足雷達信號分選的準確性和實時性，提出了錐面映射支持向量聚類的雷達信號分選方法，并利用熵表征的聚類因子調整驗證聚類效果。仿真結果表明，該方法在保證信號分選正確率的同時，可有效提高雷達信號分選速度，具有一定的實用價值。

關鍵詞： 雷達信號分選； 支持向量聚類； 錐面映射； 熵表征； 聚類因子

中圖分類號： TN957.51?34 文獻標識碼： A 文章編號： 1004?373X（2013）17?0065?03

0 引 言

雷達信號分選是從截獲到的密集雷達脈沖信號流中分離出屬于不同雷達輻射源的脈沖，是電子支援系統和電子偵察系統的核心組成部分[1]，是電子偵察設備發揮良好性能的重要基礎。

傳統的多參數雷達信號分選技術是利用脈沖到達方向DOA、脈寬PW、重頻PRF、脈沖幅度PA及掃描方式等信息對雷達全脈沖序列進行去交織[2]，而在現代電子戰環境中，隨著新體制雷達的不斷出現，出現了高脈沖密度和大量復雜形式脈沖交疊的情況，傳統分選方法效率較低，容易產生增批和漏批現象?；诖?，文獻[3?5]提出了基于不同機理的聚類分選方法，這些方法一定程度上改善了雷達信號分選效果，但算法復雜度較高，仍然無法高效滿足分選實時性和準確性。本文在研究聚類算法的基礎上，提出了一種聯合熵表征聚類因子的錐面映射支持向量聚類雷達信號分選方法，一定程度上同時確保了雷達信號分選的實時性和準確性。仿真試驗結果證明了該方法的有效性。

1 聯合熵表征聚類因子的錐面映射支持向量聚類方法

1.1 支持向量聚類

支持向量聚類算法是由Ben?Hur等人提出的，支持向量聚類以支持向量機為工具進行聚類，其基本思想是：首先通過非線性變換將數據樣本從屬性空間變換到一個高維特征空間，再在新空間中求取最優超球面。通過非線性變換增加了數據點線性可分的概率，能更好地分辨、提取并放大有用特征，實現更好的聚類。

1.2 錐面映射支持向量聚類信號分選

1.3 利用熵表征的聚類因子評判聚類效果

2 算法實現

聯合聚類因子評判進行錐面映射向量聚類雷達信號分選，流程圖如圖1所示，具體步驟為：

（1）對脈沖描述字采取實時分段處理方法提取子集[V]；

（2）對[V]歸一化后進行錐面映射支持向量聚類預分選，并根據聚類因子[A]，調整聚類參數[q]；

（3）根據最優聚類參數實現最終聚類分選，并再次用聚類因子[A]對聚類效果評判，動態更新聚類庫。

3 仿真結果分析

為了驗證該分選方法的實時性和有效性，本文仿真一系列雷達脈沖數據并對其進行預處理，處理后試驗數據如表1所示。將熵表征的聚類因子[A]與DB指標[7]和PS指標[8]對聚類的有效性情況進行了比較，結果見表2。

其中數據集1，數據集2為雷達脈沖數據子集，依次選取為1～150，150～300個樣本。文獻[7?8]分別指出DB和PS值越小時，聚類最優。而從表中可看出數據集1，PS指標最小時，聚類結果為3類信號源，而實際信號源為2類。數據集2，DB值最小時，對應的為3類信號源，而實際信號源為4類。二者都沒有很好地確定聚類數目和最佳[q]值，而本文提出的熵表征聚類因子[A]可準確地進行最優聚類效果評判。

4 結 論

為滿足雷達電子對抗的實時性、準確性要求，準確快速實現雷達信號分選，本文將錐面映射支持向量聚類算法應用到復雜電磁環境下的雷達信號分選當中，同時利用基于熵表征的聚類因子進行聚類有效性調整驗證。仿真結果表明，該方法在保證信號分選正確性的同時，能很大程度地減少信號分選過程中消耗的時間，提高分選實時性。

參考文獻

[1] WILEY R G. ELINT： the interception and analysis of radar signals [M]. Second Edition. Boston： Artech House， 2006： 317?356.

[2] MILOJEVIC D J， POPOVIC B M. Improved algorithm for the deinterleaving of radar pulses [J]. IEE Proc， F： Comm， Radar and Signal Processing， 1992， 139（1）： 98?104.

[3] 祝正威.雷達信號的聚類分選方法[J].電子對抗，2005（6）：6?10.

[4] BEN?HUR A， HORN D， SIEGELMANN H T， et al.Support vector clustering [J]. Journal of Machine Learning Research， 2001 （2）： 125?137.

[5] LEE J， LEE D. An improved cluster labeling method for support vector clustering [J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2005， 27（3）： 461?464.

[6] 國強，王長虹，李崢.支持向量聚類聯合類型熵識別的雷達信號分選方法[J].西安交通大學學報，2010，44（8）：63?67.

[7] DUNN J C. Well separated clusters and optimal fuzzy partitions [J]. Journal of Cybernetics， 1974 （4）： 95?104.

[8] CHOW C H， SU M C， LAI Eugene. Symmetry as a new measure for cluster validity [C]// 2th WSEAS International Conference on Scientific Computation and Soft Computing. Crete： WSEAS， 2002： 209?213.