CN113313191A - 一种基于无监督学习的分布式孔径交互智能评估方法 - Google Patents

一种基于无监督学习的分布式孔径交互智能评估方法 Download PDF

Info

Publication number
CN113313191A
CN113313191A CN202110657607.7A CN202110657607A CN113313191A CN 113313191 A CN113313191 A CN 113313191A CN 202110657607 A CN202110657607 A CN 202110657607A CN 113313191 A CN113313191 A CN 113313191A
Authority
CN
China
Prior art keywords
aperture
density
points
data
unsupervised learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110657607.7A
Other languages
English (en)
Inventor
高颖
武铭
张朋
郭淑霞
张超琦
段鹏亮
秦扬
韩胜杰
杨昊欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110657607.7A priority Critical patent/CN113313191A/zh
Publication of CN113313191A publication Critical patent/CN113313191A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无监督学习的分布式孔径交互智能评估方法，首先收集分布式孔径系统中的孔径数据以及孔径参数数据并且计算出所需要的用于最终评估的中间量，然后利用非监督学习中的DBSCAN(Density‑Based Spatial Clustering ofApplications with Noise)算法对这些未经过标记的数据进行簇聚类操作，簇的数量根据实际评估需求对邻域半径进行调整。对簇聚类过后的数据根据自身需求打上评价标签，利用梯度提升机对经过处理的孔径数据进行评估分类，根据结果，利用专家知识进行交互式特征修正，再次使用梯度提升机进行评估分类，如此循环，直至结果满意，即可保存评估模型，用于新的孔径数据的评估。

Description

一种基于无监督学习的分布式孔径交互智能评估方法
技术领域
本发明属于雷达技术领域，具体涉及一种分布式孔径交互智能评估方法。
背景技术
分布式孔径系统是一种通过中心控制处理系统控制多个单元雷达实现电磁波空间能量合成的雷达系统。分布式孔径系统由中心控制处理系统统一控制调配，波束指向相同区域，并在中心控制处理系统控制下进行收发信号全相参，实现目标远距离搜索发现和高精度跟踪的测量系统。
目前对分布式孔径系统的评估只是针对整个系统中每一个具体的参数指标或是问题进行评估。周宝亮等人对分布式孔径雷达系统的各个方面进行了深入的研究，通过这些方面对分布式系统进行细致的评估，这样的评估机制可以准确的反映出整个分布式孔径系统中的细节，但是缺少对于系统的综合能力的评价，非常依赖专业知识，同时也很难做到智能化评估。
目前，对分布式孔径系统的聚合能力，应用能力以及其他综合方面的能力进行评估的研究还处于不断完善的阶段，有待进行更深一步的研究。同时，在涉及到大量数据并且需要自动生成评估结果的情况时，传统的通过每一个具体细节参数或指标进行评估的方法有很大的局限性。因此，提出一种能反映出分布式孔径系统整体能力的评估方法是十分有意义的。
发明内容
为了克服现有技术的不足，本发明提供了一种基于无监督学习的分布式孔径交互智能评估方法，首先收集分布式孔径系统中的孔径数据以及孔径参数数据并且计算出所需要的用于最终评估的中间量，然后利用非监督学习中的DBSCAN(Density-Based SpatialClustering of Applications with Noise)算法对这些未经过标记的数据进行簇聚类操作，簇的数量根据实际评估需求对邻域半径进行调整。对簇聚类过后的数据根据自身需求打上评价标签，利用梯度提升机对经过处理的孔径数据进行评估分类，根据结果，利用专家知识进行交互式特征修正，再次使用梯度提升机进行评估分类，如此循环，直至结果满意，即可保存评估模型，用于新的孔径数据的评估。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：提取孔径参数；
采集孔径数据，计算需要用于最终聚合能力评估的中间参数，包括单部孔径系统抗干扰能力、极化类型系数、多孔径空域重叠系数、多孔径频域重叠系数、信号类型系数和分布式孔径抗干扰能力指标；
步骤2：孔径参数预处理；
对孔径参数进行空间对准、时间对准和航迹关联处理，得到经过信息融合后的规范航迹数据；同时要对系统中类型为分类变量类型的孔径参数进行one-hot编码处理，然后将数据格式转化为Numpy数组；
步骤3：利用DBSCAN聚类算法进行聚类操作；
根据评估类别的数量、调整邻域半径和minpoints的值，对步骤2得到的数据进行聚类操作，同时剔除噪声点；
步骤4：对聚类后的数据进行标注；
对每一个聚合后的数据类打上评估类别标签；
步骤5：利用梯度提升机进行数据学习；
将打上评估类别标签的数据按照3:1的比例划分为训练集与测试集，利用梯度提升机模型进行学习，然后在测试集上进行测试；
步骤6：利用专家知识进行交互式修正；
观察训练后的模型在测试集上的结果，利用专家知识对数据中的特征进行调整；
步骤7：保存评估模型并进行新的评估；
重复步骤5和步骤6，当精确度达到要求后，保存训练好的模型，用于新的分布式孔径系统的评估。
进一步地，所述单部孔径系统抗干扰能力度量表达式为：
AJC＝(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式中，P为射频孔径的发射功率，单位为W；T0为信号持续时间，单位为s；BS为信号带宽，单位为Hz；G为孔径天线增益值；
SA为频率跳变因子：
Figure BDA0003113902600000021
其中Ba为允许的最大频率跳变范围，单位为Hz；
SS为天线的副瓣因子：
Figure BDA0003113902600000031
其中，GM为天线功率方向图的主瓣电平；GL为天线功率方向图的副瓣电平；
SM为MTI质量因子：
SM(dB)＝SCV-25 (4)
其中，SCV为杂波中可见度；
SP为天线极化可变因子：
Figure BDA0003113902600000032
SC为虚警处理因子
SC(dB)＝10lg△M-LCF-25 (6)
其中，△M为引入恒虚警后接收机动态的扩大量；LCF为恒虚警的插入损耗；
SN为“宽-限-窄”电路质量因子：
SN(dB)＝(EIF)D-8 (7)
其中，(EIF)D为“宽-限-窄”电路抗干扰改善因子；
SJ为重复频率抖动因子
SJ(dB)＝J-8 (8)
其中，J为重复频率抖动因子。
进一步地，所述极化类型系数定义为孔径极化类型数m与孔径数目N之比：
Figure BDA0003113902600000033
进一步地，所述多孔径空域重叠系数反映多个孔径同时照射同一空域的情况；假设N个孔径按照指定位置关系设置，A为分布式孔径的覆盖面积，并按照指定高度将孔径探测区域在垂直方向上分为M层；
设第i个孔径在第j个高度层上的探测区域为
Aij＝{(x,y,h)；fij(x,y,h)≤rij},i＝1,2,…,N,j＝1,2,…,M (10)
其中，rij为第i个孔径在第j个高度层上的作用距离，则第i个孔径在第j个高度层上覆盖面积为
Figure BDA0003113902600000041
平均空域重叠系数K定义为：
Figure BDA0003113902600000042
其中，A的表达式为：
Figure BDA0003113902600000043
其中，λj表示调整系数，Aj表示第j层上的覆盖面积。
进一步地，所述多孔径频域重叠系数定义如下：
假设N个射频孔径，每个孔径带宽为△fi,i＝1,2,…,N，N个孔径中有M个孔径频带发生重叠，重叠带宽为△fj,j＝1,2,…,M，则多孔径频域重叠系数定义为：
Figure BDA0003113902600000044
采用2-η值表示抗干扰能力，其值越大抗干扰能力越强。
进一步地，所述信号类型系数定义为信号类型数与孔径数目之比：
Figure BDA0003113902600000045
假设N个孔径组成的系统中有Ni个孔径受干扰而失效，则失效比为：
Figure BDA0003113902600000046
假设未受到干扰时孔径系统效能为1，受到干扰时孔径效能ηr≤1，定义信息综合处理能力的抗干扰能力为：
ηe＝ηr·ηi (16)
进一步地，所述分布式孔径抗干扰能力指标为：
Figure BDA0003113902600000047
式中，ki(i＝1,…,5)是加权系数。
进一步地，所述LCF当采用相参恒虚警处理时值一般取1～2dB。
进一步地，所述DBSCAN聚类算法的具体描述如下：
步骤3-1：定义算法的参数、数据点类型及数据点之间的关系；
步骤3-1-1：算法有两个参数：领域半径R和域内最少点数目minpoints；
步骤3-1-2：算法中的数据点类型分为：核心点，边界点，噪声点；
邻域半径R内样本点的数量大于等于minpoints的点叫做核心点；
不属于核心点但在任意一个核心点的邻域内的点叫做边界点；
既不是核心点也不是边界点的是噪声点；
步骤3-1-3：算法中数据点之间的关系；
算法中包括了4类关系：密度直达，密度可达，密度相连，非密度相连；
如果P为核心点，Q在P的R邻域内，那么称P到Q密度直达；任何核心点到其自身密度直达，密度直达不具有对称性，如果P到Q密度直达，那么Q到P不一定密度直达；
如果存在核心点P2，P3，……，Pn，且P1到P2密度直达，P2到P3密度直达，……，P(n-1)到Pn密度直达，Pn到Q密度直达，则P1到Q密度可达；密度可达也不具有对称性；
如果存在核心点S，使得S到P和Q都密度可达，则P和Q密度相连；密度相连具有对称性，如果P和Q密度相连，那么Q和P也一定密度相连；密度相连的两个点属于同一个聚类簇；
如果两个点不属于密度相连关系，则两个点非密度相连；非密度相连的两个点属于不同的聚类簇，或者其中存在噪声点；
步骤3-2：DBSCAN聚类算法算法流程；
步骤3-2-1：从数据集中任意选取一个数据对象点p；
步骤3-2-2：如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；
步骤3-2-3：如果选取的数据对象点p是边缘点，选取另一个数据对象点；
步骤3-2-4：重复步骤3-2-2和步骤3-2-3，直到所有点被处理。
本发明的有益效果如下：
1.不同于传统的从具体性能参数对分布式孔径系统进行评估的方法，本发明所提出的评估方法更注重整体。
2.因为使用DBSCAN聚类方法对数据点进行聚类，本发明对专业知识的依赖相比与传统评估方式更小。
3.本发明采用梯度提升机等人工智能方法，评价只需要很少的人工输入参数即可完成评估。
附图说明
图1为本发明方法的系统框图。
图2为本发明方法的DBSCAN聚类算法示意图。
图3为本发明方法的梯度提升机模型中每一棵树的分类示意图。
图4为本发明方法学习后的模型展示每一个特征的重要性。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明所涉及的方法可对整个分布式孔径进行交互式评估，有助于从更高层面上掌握整个系统的工作情况，提升系统工作性能。同时还可以帮助不熟悉分布式孔径系统具体工作原理的人员理解分布式孔径系统，并实现对分布式孔径系统的智能化评估。
如图1所示，一种基于无监督学习的分布式孔径交互智能评估方法，包括如下步骤：
步骤1：提取孔径参数；
采集孔径数据，计算需要用于最终聚合能力评估的中间参数，包括单部孔径系统抗干扰能力、极化类型系数、多孔径空域重叠系数、多孔径频域重叠系数、信号类型系数、信息融合能力系数和分布式孔径抗干扰能力指标；
步骤2：孔径参数预处理；
对孔径参数进行空间对准、时间对准和航迹关联处理，得到经过信息融合后的规范航迹数据；同时要对系统中类型为分类变量类型的孔径参数进行one-hot编码处理，然后将数据格式转化为Numpy数组；图2为DBSCAN算法聚类的示意图。
步骤3：利用DBSCAN聚类算法进行聚类操作；
根据评估类别的数量、调整邻域半径和minpoints的值，对步骤2得到的数据进行聚类操作，同时剔除噪声点。
步骤4：对聚类后的数据进行标注；
对每一个聚合后的数据类打上评估类别标签；
步骤5：利用梯度提升机进行数据学习；
将打上评估类别标签的数据按照3:1的比例划分为训练集与测试集，利用梯度提升机模型进行学习；图3为梯度提升机每一棵树的分类示意，然后在测试集上进行测试；
步骤6：利用专家知识进行交互式修正；
观察训练后的模型在测试集上的结果，利用专家知识对数据中的特征进行调整；
步骤7：保存评估模型并进行新的评估；
重复步骤5和步骤6，当精确度达到要求后，保存训练好的模型，用于新的分布式孔径系统的评估。图4为各个特征在预测模型中的重要性。
进一步地，所述单部孔径系统抗干扰能力度量表达式为：
AJC＝(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式中，P为射频孔径的发射功率，单位为W；T0为信号持续时间，单位为s；BS为信号带宽，单位为Hz；G为孔径天线增益值；
SA为频率跳变因子：
Figure BDA0003113902600000071
其中Ba为允许的最大频率跳变范围，单位为Hz；
SS为天线的副瓣因子：
Figure BDA0003113902600000072
其中，GM为天线功率方向图的主瓣电平；GL为天线功率方向图的副瓣电平；
SM为MTI质量因子：
SM(dB)＝SCV-25 (4)
其中，SCV为杂波中可见度；
SP为天线极化可变因子：
Figure BDA0003113902600000073
SC为虚警处理因子
SC(dB)＝10lg△M-LCF-25 (6)
其中，△M为引入恒虚警后接收机动态的扩大量；LCF为恒虚警的插入损耗；
SN为“宽-限-窄”电路质量因子：
SN(dB)＝(EIF)D-8 (7)
其中，(EIF)D为“宽-限-窄”电路抗干扰改善因子；
SJ为重复频率抖动因子
SJ(dB)＝J-8 (8)
其中，J为重复频率抖动因子。
进一步地，所述极化类型系数定义为孔径极化类型数m与孔径数目N之比：
Figure BDA0003113902600000081
进一步地，所述多孔径空域重叠系数反映多个孔径同时照射同一空域的情况；假设N个孔径按照指定位置关系设置，A为分布式孔径的覆盖面积，并按照指定高度将孔径探测区域在垂直方向上分为M层；
设第i个孔径在第j个高度层上的探测区域为
Aij＝{(x,y,h)；fij(x,y,h)≤rij},i＝1,2,…,N,j＝1,2,…,M (10)
其中，rij为第i个孔径在第j个高度层上的作用距离，则第i个孔径在第j个高度层上覆盖面积为
Figure BDA0003113902600000082
平均空域重叠系数K定义为：
Figure BDA0003113902600000083
其中，A的表达式为：
Figure BDA0003113902600000084
其中，λj表示调整系数，Aj表示第j层上的覆盖面积。
进一步地，所述多孔径频域重叠系数定义如下：
假设N个射频孔径，每个孔径带宽为△fi,i＝1,2,…,N，N个孔径中有M个孔径频带发生重叠，重叠带宽为△fj,j＝1,2,…,M，则多孔径频域重叠系数定义为：
Figure BDA0003113902600000085
采用2-η值表示抗干扰能力，其值越大抗干扰能力越强。
进一步地，所述信号类型系数定义为信号类型数与孔径数目之比：
Figure BDA0003113902600000091
假设N个孔径组成的系统中有Ni个孔径受干扰而失效，则失效比为：
Figure BDA0003113902600000092
假设未受到干扰时孔径系统效能为1，受到干扰时孔径效能ηr≤1，定义信息综合处理能力的抗干扰能力为：
ηe＝ηr·ηi (16)
进一步地，所述分布式孔径抗干扰能力指标为：
Figure BDA0003113902600000093
式中，ki(i＝1,…,5)是加权系数。
进一步地，所述LCF当采用相参恒虚警处理时值一般取1～2dB。
进一步地，所述DBSCAN聚类算法的具体描述如下：
步骤3-1：定义算法的参数、数据点类型及数据点之间的关系；
步骤3-1-1：算法有两个参数：领域半径R和域内最少点数目minpoints；
步骤3-1-2：算法中的数据点类型分为：核心点，边界点，噪声点；
邻域半径R内样本点的数量大于等于minpoints的点叫做核心点；
不属于核心点但在任意一个核心点的邻域内的点叫做边界点；
既不是核心点也不是边界点的是噪声点；
步骤3-1-3：算法中数据点之间的关系；
算法中包括了4类关系：密度直达，密度可达，密度相连，非密度相连；
如果P为核心点，Q在P的R邻域内，那么称P到Q密度直达；任何核心点到其自身密度直达，密度直达不具有对称性，如果P到Q密度直达，那么Q到P不一定密度直达；
如果存在核心点P2，P3，……，Pn，且P1到P2密度直达，P2到P3密度直达，……，P(n-1)到Pn密度直达，Pn到Q密度直达，则P1到Q密度可达；密度可达也不具有对称性；
如果存在核心点S，使得S到P和Q都密度可达，则P和Q密度相连；密度相连具有对称性，如果P和Q密度相连，那么Q和P也一定密度相连；密度相连的两个点属于同一个聚类簇；
如果两个点不属于密度相连关系，则两个点非密度相连；非密度相连的两个点属于不同的聚类簇，或者其中存在噪声点；
步骤3-2：DBSCAN聚类算法算法流程；
步骤3-2-1：从数据集中任意选取一个数据对象点p；
步骤3-2-2：如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；
步骤3-2-3：如果选取的数据对象点p是边缘点，选取另一个数据对象点；
步骤3-2-4：重复步骤3-2-2和步骤3-2-3，直到所有点被处理。

Claims (9)

1.一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，包括以下步骤：
步骤1：提取孔径参数；
采集孔径数据，计算需要用于最终聚合能力评估的中间参数，包括单部孔径系统抗干扰能力、极化类型系数、多孔径空域重叠系数、多孔径频域重叠系数、信号类型系数和分布式孔径抗干扰能力指标；
步骤2：孔径参数预处理；
对孔径参数进行空间对准、时间对准和航迹关联处理，得到经过信息融合后的规范航迹数据；同时要对系统中类型为分类变量类型的孔径参数进行one-hot编码处理，然后将数据格式转化为Numpy数组；
步骤3：利用DBSCAN聚类算法进行聚类操作；
根据评估类别的数量、调整邻域半径和minpoints的值，对步骤2得到的数据进行聚类操作，同时剔除噪声点；
步骤4：对聚类后的数据进行标注；
对每一个聚合后的数据类打上评估类别标签；
步骤5：利用梯度提升机进行数据学习；
将打上评估类别标签的数据按照3:1的比例划分为训练集与测试集，利用梯度提升机模型进行学习，然后在测试集上进行测试；
步骤6：利用专家知识进行交互式修正；
观察训练后的模型在测试集上的结果，利用专家知识对数据中的特征进行调整；
步骤7：保存评估模型并进行新的评估；
重复步骤5和步骤6，当精确度达到要求后，保存训练好的模型，用于新的分布式孔径系统的评估。
2.根据权利要求1所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述单部孔径系统抗干扰能力度量表达式为：
AJC＝(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式中，P为射频孔径的发射功率，单位为W；T0为信号持续时间，单位为s；BS为信号带宽，单位为Hz；G为孔径天线增益值；
SA为频率跳变因子：
Figure FDA0003113902590000021
其中Ba为允许的最大频率跳变范围，单位为Hz；
SS为天线的副瓣因子：
Figure FDA0003113902590000022
其中，GM为天线功率方向图的主瓣电平；GL为天线功率方向图的副瓣电平；
SM为MTI质量因子：
SM(dB)＝SCV-25 (4)
其中，SCV为杂波中可见度；
SP为天线极化可变因子：
Figure FDA0003113902590000023
SC为虚警处理因子
SC(dB)＝10lg△M-LCF-25 (6)
其中，△M为引入恒虚警后接收机动态的扩大量；LCF为恒虚警的插入损耗；
SN为“宽-限-窄”电路质量因子：
SN(dB)＝(EIF)D-8 (7)
其中，(EIF)D为“宽-限-窄”电路抗干扰改善因子；
SJ为重复频率抖动因子
SJ(dB)＝J-8 (8)
其中，J为重复频率抖动因子。
3.根据权利要求2所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述极化类型系数定义为孔径极化类型数m与孔径数目N之比：
Figure FDA0003113902590000024
4.根据权利要求3所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述多孔径空域重叠系数反映多个孔径同时照射同一空域的情况；假设N个孔径按照指定位置关系设置，A为分布式孔径的覆盖面积，并按照指定高度将孔径探测区域在垂直方向上分为M层；
设第i个孔径在第j个高度层上的探测区域为
Aij＝{(x,y,h)；fij(x,y,h)≤rij},i＝1,2,…,N,j＝1,2,…,M (10)
其中，rij为第i个孔径在第j个高度层上的作用距离，则第i个孔径在第j个高度层上覆盖面积为
Figure FDA0003113902590000031
平均空域重叠系数K定义为：
Figure FDA0003113902590000032
其中，A的表达式为：
Figure FDA0003113902590000033
其中，λj表示调整系数，Aj表示第j层上的覆盖面积。
5.根据权利要求4所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述多孔径频域重叠系数定义如下：
假设N个射频孔径，每个孔径带宽为△fi,i＝1,2,…,N，N个孔径中有M个孔径频带发生重叠，重叠带宽为△fj,j＝1,2,…,M，则多孔径频域重叠系数定义为：
Figure FDA0003113902590000034
采用2-η值表示抗干扰能力，其值越大抗干扰能力越强。
6.根据权利要求5所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述信号类型系数定义为信号类型数与孔径数目之比：
Figure FDA0003113902590000035
假设N个孔径组成的系统中有Ni个孔径受干扰而失效，则失效比为：
Figure FDA0003113902590000036
假设未受到干扰时孔径系统效能为1，受到干扰时孔径效能ηr≤1，定义信息综合处理能力的抗干扰能力为：
ηe＝ηr·ηi (16)。
7.根据权利要求6所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述分布式孔径抗干扰能力指标为：
Figure FDA0003113902590000041
式中，ki(i＝1,…,5)是加权系数。
8.根据权利要求2所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述LCF当采用恒虚警处理时值一般取1～2dB。
9.根据权利要求1所述的一种基于无监督学习的分布式孔径交互智能评估方法，其特征在于，所述DBSCAN聚类算法的具体描述如下：
步骤3-1：定义算法的参数、数据点类型及数据点之间的关系；
步骤3-1-1：算法有两个参数：领域半径R和域内最少点数目minpoints；
步骤3-1-2：算法中的数据点类型分为：核心点，边界点，噪声点；
邻域半径R内样本点的数量大于等于minpoints的点叫做核心点；
不属于核心点但在任意一个核心点的邻域内的点叫做边界点；
既不是核心点也不是边界点的是噪声点；
步骤3-1-3：算法中数据点之间的关系；
算法中包括了4类关系：密度直达，密度可达，密度相连，非密度相连；
如果P为核心点，Q在P的R邻域内，那么称P到Q密度直达；任何核心点到其自身密度直达，密度直达不具有对称性，如果P到Q密度直达，那么Q到P不一定密度直达；
如果存在核心点P2，P3，……，Pn，且P1到P2密度直达，P2到P3密度直达，……，P(n-1)到Pn密度直达，Pn到Q密度直达，则P1到Q密度可达；密度可达也不具有对称性；
如果存在核心点S，使得S到P和Q都密度可达，则P和Q密度相连；密度相连具有对称性，如果P和Q密度相连，那么Q和P也一定密度相连；密度相连的两个点属于同一个聚类簇；
如果两个点不属于密度相连关系，则两个点非密度相连；非密度相连的两个点属于不同的聚类簇，或者其中存在噪声点；
步骤3-2：DBSCAN聚类算法算法流程；
步骤3-2-1：从数据集中任意选取一个数据对象点p；
步骤3-2-2：如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；
步骤3-2-3：如果选取的数据对象点p是边缘点，选取另一个数据对象点；
步骤3-2-4：重复步骤3-2-2和步骤3-2-3，直到所有点被处理。
CN202110657607.7A 2021-06-13 2021-06-13 一种基于无监督学习的分布式孔径交互智能评估方法 Pending CN113313191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110657607.7A CN113313191A (zh) 2021-06-13 2021-06-13 一种基于无监督学习的分布式孔径交互智能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110657607.7A CN113313191A (zh) 2021-06-13 2021-06-13 一种基于无监督学习的分布式孔径交互智能评估方法

Publications (1)

Publication Number Publication Date
CN113313191A true CN113313191A (zh) 2021-08-27

Family

ID=77378825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110657607.7A Pending CN113313191A (zh) 2021-06-13 2021-06-13 一种基于无监督学习的分布式孔径交互智能评估方法

Country Status (1)

Country Link
CN (1) CN113313191A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034364A (zh) * 2022-06-07 2022-09-09 西北工业大学 一种利用ahp与自动编码器的分布式孔径评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105611A (zh) * 2013-01-16 2013-05-15 广东工业大学 一种分布式多传感器智能信息融合方法
US20180131575A1 (en) * 2016-11-07 2018-05-10 Beijing Jiaotong University Method for clustering wireless channel mpcs based on a kpd doctrine
CN110570655A (zh) * 2019-09-19 2019-12-13 安徽百诚慧通科技有限公司 基于层次聚类和决策树的车辆特征评估方法
CN110632546A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
CN110837866A (zh) * 2019-11-08 2020-02-25 国网新疆电力有限公司电力科学研究院 基于XGBoost的电力二次设备缺陷程度评估方法
CN111047182A (zh) * 2019-12-10 2020-04-21 北京航空航天大学 一种基于深度无监督学习的空域复杂度评估方法
CN112149705A (zh) * 2019-06-28 2020-12-29 京东数字科技控股有限公司 分类模型的训练方法、系统、计算机设备及存储介质
CN112215287A (zh) * 2020-10-13 2021-01-12 中国光大银行股份有限公司 基于距离的多节聚类方法和装置、存储介质及电子装置
CN112488153A (zh) * 2020-11-06 2021-03-12 中国人民解放军国防科技大学 基于聚类趋向性原理的气味源自主搜索及定位方法
CN112765703A (zh) * 2020-12-23 2021-05-07 桂林电子科技大学 一种危险品码头结构性能退化评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105611A (zh) * 2013-01-16 2013-05-15 广东工业大学 一种分布式多传感器智能信息融合方法
US20180131575A1 (en) * 2016-11-07 2018-05-10 Beijing Jiaotong University Method for clustering wireless channel mpcs based on a kpd doctrine
CN112149705A (zh) * 2019-06-28 2020-12-29 京东数字科技控股有限公司 分类模型的训练方法、系统、计算机设备及存储介质
CN110570655A (zh) * 2019-09-19 2019-12-13 安徽百诚慧通科技有限公司 基于层次聚类和决策树的车辆特征评估方法
CN110632546A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
CN110837866A (zh) * 2019-11-08 2020-02-25 国网新疆电力有限公司电力科学研究院 基于XGBoost的电力二次设备缺陷程度评估方法
CN111047182A (zh) * 2019-12-10 2020-04-21 北京航空航天大学 一种基于深度无监督学习的空域复杂度评估方法
CN112215287A (zh) * 2020-10-13 2021-01-12 中国光大银行股份有限公司 基于距离的多节聚类方法和装置、存储介质及电子装置
CN112488153A (zh) * 2020-11-06 2021-03-12 中国人民解放军国防科技大学 基于聚类趋向性原理的气味源自主搜索及定位方法
CN112765703A (zh) * 2020-12-23 2021-05-07 桂林电子科技大学 一种危险品码头结构性能退化评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐超 等: "雷达组网抗干扰性能评估方法研究", 《航天电子对抗》 *
李博: "基于聚类分析的强化学习方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
范俊方: "组网雷达系统建模仿真与效能评估", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034364A (zh) * 2022-06-07 2022-09-09 西北工业大学 一种利用ahp与自动编码器的分布式孔径评估方法
CN115034364B (zh) * 2022-06-07 2024-03-08 西北工业大学 一种利用ahp与自动编码器的分布式孔径评估方法

Similar Documents

Publication Publication Date Title
CN110197218B (zh) 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN111461037B (zh) 一种基于fmcw雷达的端到端手势识别方法
CN111541511B (zh) 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN113222316B (zh) 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN109547133A (zh) 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法
CN110555841B (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN110940971B (zh) 一种雷达目标点迹录取方法、装置及存储介质
CN110297218B (zh) 基于生成对抗网络的雷达信号未知调制方式检测方法
CN110751209A (zh) 一种融合深度图像分类和检索的智能台风定强方法
CN113596989A (zh) 一种用于智慧车间的室内定位方法及系统
CN113037410A (zh) 信道识别方法、装置、传输方法、传输设备、基站、介质
CN113313191A (zh) 一种基于无监督学习的分布式孔径交互智能评估方法
CN112435356A (zh) 一种etc干扰信号的识别方法及检测系统
Ristea et al. Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks
CN114355298B (zh) 一种雷达复合调制脉冲信号识别方法
CN109640255B (zh) 位置指纹室内定位系统及方法
CN114492583B (zh) 一种基于lstm的雷达搜索模式识别方法
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN115034364B (zh) 一种利用ahp与自动编码器的分布式孔径评估方法
CN113923589B (zh) 一种非接触式多目标定位方法
Goodman Foundations of cognitive radar for next-generation radar systems
CN115712867A (zh) 一种多分量雷达信号调制识别方法
Martinez et al. Convolutional neural networks for parking space detection in downfire urban radar
CN114492540A (zh) 目标检测模型的训练方法、装置、计算机设备及存储介质
CN114580482A (zh) 基于边缘计算节点与数据中心的无线电信号特征采集方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210827

WD01 Invention patent application deemed withdrawn after publication