CN105005029A - 一种基于数据场层次聚类的多模雷达信号分选方法 - Google Patents

Abstract

本发明提供的是一种基于数据场层次聚类的多模雷达信号分选方法，包括：根据截获的雷达样本信号建立数据场模型；优化数据场影响因子，划分网格，绘制等势线；采用削除势心法寻找数据空间的势心值；以数据空间的所有势心值为聚类中心对雷达信号特征参数进行层次聚类，完成对多模雷达信号的分选。本发明的方法能够基于多模雷达信号特征参数，根据移多模雷达信号参数构成数据空间性质完成多模雷达信号的分选，较好的解决了多模雷达信号分选时经常出现的“增批”等问题，分选精度较高。

Description

一种基于数据场层次聚类的多模雷达信号分选方法

技术领域

本发明涉及雷达对抗信息处理领域，尤其涉及一种基于数据场层次聚类的多模雷达信号分选方法。

背景技术

多模雷达”是指集多种体制雷达功能于一身，具备多种工作模式，可以同时完成多种作战任务的新型雷达。为了提高工作性能并满足抗干扰的需求，多模雷达多采用复杂多变的波形设计，雷达发射脉冲的频率、时域参数都进行复杂的变化，其雷达信号特征参数空间复杂多变、不具备明显的相关性和规律性。随着现代化战争对反侦察、反干扰、反跟踪能力和综合作战能力需求的增大，多模雷达的应用日趋广泛。由于电子对抗设备的日益先进、脉冲密度的迅猛增加，电子侦察设备接收到的雷达信号以及雷达辐射源数据库常呈现出明显的随机性和模糊性。上述雷达信号特点严重破坏传统信号分选方法依赖的信号规律性，因此在对多模雷达信号分选时，往往会将一个辐射源的不同模式分选为多个辐射源，造成“增批”现象。领域内提出的适用于多模雷达信号分选的算法分为分类算法和聚类算法。典型的分类方法主要包括基于神经网络和基于支持向量机的分选方法，此类方法在处理未知信息过多，样本集过于复杂，样本随机性与模糊性较高的雷达信号时，会产生大量不可预测结果；聚类算法相比于分类算法在处理高密度、具有随机性和模糊性、数据成分复杂的雷达信号更有优势，具有代表性的聚类分选算法法有K-means算法以及网格密度聚类算法，但当前应用于雷达信号分选的聚类算法存在以下问题：发现抗噪能力和任意形状、大小聚类的能力较弱，处理离散数据效果较差。

发明内容

本发明的目的是针对现有分选方法存在“增批”而提供一种基于数据场层次聚类的多模雷达信号分选方法。

本发明的目的是这样实现的：

步骤一：从多模雷达信号样本集D中抽取多模雷达信号建立数据空间Ω，数据空间Ω包含的抽取后的数据集D'＝{x₁,x₂,…,x_i,…,x_n}，其中x_i是任意数据点，i＝1～n，采用影响因子优化选取算法确定用于控制数据点间的相互作用力的影响因子σ的最优值，记为最优影响因子σ_best：

令数据点x₁,x₂,…,x_i,…,x_n的势值分别是Ψ₁＝φ(x₁)，Ψ₂＝φ(x₂)，…，Ψ_i＝φ(x_i)，…，Ψ_n＝φ(x_n)，其中是数据空间Ω中数据点x的势值的计算公式，式中||x-x_i||为数据点x到数据空间中任意数据点x_i的欧式空间距离，σ是影响因子，则势熵H_Ψ是：

$H_{\mathrm{\Ψ}}=-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\Ψ}}_i}{Z}log\left(\frac{{\mathrm{\Ψ}}_i}{Z}\right)$

式中，是标准化因子，使得H_Ψ取值最小化，得出最优影响因子σ_best；

步骤二：以为网格尺度按照笛卡尔网格对数据空间进行网格划分；

步骤三：计算网格划分后的数据点的势值，并将势值相同的点连接起来绘制等势线；

步骤四：采用削除势心法找到所绘制的等势线的势心点；

步骤五：将数据空间Ω中的所有势心点为聚类中心，按照等势线所形成的嵌套结构进行层次划分，完成对数据空间Ω中所包含数据集D'的多模雷达信号分选。

本发明还包括这样一些结构特征：

1.所述多模雷达信号样本集为D由雷达信号到达方向DOA、脉宽PW、载频RF三个特征参数构成。

2.所述采用削除势心法找到所绘制的等势线的势心点是：根据修正后的势值计算公式重新计算数据点的势值，将计算所得的势值最大的数据点作为第一个势心点，在寻找下一势心点时，将第一个势心点削除，并将去除第一个势心点后的数据点中势值最大的数据点作为第二个势心点，直至找到所有的势心点，

所述修正后数据点x的势值计算公式φ′_k(x)是：

${\mathrm{\φ}}_k^{\′}\left(x\right)=\left\{\begin{array}{cc}{e}^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=0\right)\\ {\mathrm{\φ}}_{k-1}^{\′}\left(x\right)-{\mathrm{\φ}}_{k-1}^{\′}\left({\mathrm{xc}}_k\right)e^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=1,2,3,\mathrm{...},n\right)\end{array}\right.$

式中，k＝0，1，2，3，……，n是搜索势心点的个数，k＝0表示还没有搜寻过势心点，xc_k为上一个势心点，φ'_k-1(xc_k)是第k-1个势心点削除后，第k个势心点势值，φ'_k(x)是去除掉第k势值极大值点之后，数据点x的势值，φ'_k-1(x)是第k-1个势值极大值点之后，数据点x处的势值。

与现有技术相比，本发明的有益效果是：本发明的核心技术内容在于将数据场理论引入到雷达信号分选工作中，提出一种基于数据场层次聚类的多模雷达信号分选方法。本发明包括的从信号样本集D中随机抽取雷达信号建立数据空间，寻找数据空间中的所有势心，其主要内容为：在对多模雷达信号分选过程中，该方法可以在不需要人工的选择情况下自动选择最佳的影响因子，并采用削除势心法搜寻数据空间的势心值。本发明包括的雷达信号特征参数进行层次聚类，其主要内容为：本发明最终将势心点作为聚类中心，完成样本数据的层次聚类，从而完成多模雷达信号分选。本发明将数据场理论应用于多模雷达辐射源信号的分选工作，利用数据场势函数构建辐射源信号数据的层次划分，通过等势图的绘制完成数据的自组织层次聚类，形成一种基于数据场的层次聚类多模雷达预分选算法。解决了现有分选方法的“增批”现象，能较准确地完成多模雷达信号分选工作，分选精度较高。

附图说明

图1是本发明的流程图；

图2是雷达信号载频与脉宽二维分布图；

图3是雷达信号载频与到达角二维分布图；

图4是雷达信号脉宽与到达角二维分布图；

图5a影响因子σ＝0.1时数据场分布图，图5b影响因子σ＝0.2时数据场分布图，图5c影响因子σ＝0.8时数据场分布图；

图6是势熵与影响因子σ间的关系曲线；

图7a是脉宽与载频等势线图，图7b是到达角与载频等势线图，图7c是到达角与脉宽等势线图；

图8是雷达脉冲参数仿真数据表；

图9是基于数据场的层次聚类算法分选结果表。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

结合附图，本发明提供一种基于数据场层次聚类的多模雷达信号分选方法，主要包括以下步骤：

步骤一：从多模雷达信号样本集D中随机抽取多模雷达信号建立数据空间Ω，且所述多模雷达信号样本集为D由雷达信号到达方向DOA、脉宽PW、载频RF三个特征参数构成，数据空间Ω包含的抽取后的数据集D'＝{x₁,x₂,…,x_i,…,x_n}，其中数据点x_i，i＝1～n，

数据空间Ω中数据点x的势值的计算公式是：

$\mathrm{\φ}\left(x\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{e}^{-\left(\frac{\left|\right|x-x_i\left|\right|}{\mathrm{\σ}}\right)2}$

式中||x-x_i||为数据点x到数据空间中任意一点x_i的欧式空间距离，σ是影响因子，用于控制对象间的相互作用力，采用影响因子优化选取算法确定用于控制数据点间的相互作用力的最优影响因子σ_best：

令数据点x₁,x₂,…,x_i,…,x_n的势值分别记为Ψ₁＝φ(x₁)，Ψ₂＝φ(x₂)，…，Ψ_i＝φ(x_i)，…，Ψ_n＝φ(x_n)，则势熵H_Ψ是：

$H_{\mathrm{\Ψ}}=-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\Ψ}}_i}{Z}log\left(\frac{{\mathrm{\Ψ}}_i}{Z}\right)$

式中，是标准化因子，则数据空间确定后，使得H_Ψ取值最小化，得出最优影响因子σ_best；

步骤二：以为网格尺度按照笛卡尔网格对数据空间进行网格划分；

步骤三：对划分后的网格空间利用步骤一中的数据点势值的计算公式对各数据点进行势值的计算，并将势值相同的点连接起来绘制等势线；

步骤四：采用削除势心法找到所绘制的等势线的势心点，所述削除势心法是：根据修正后的势值计算公式重新计算数据点的势值，将计算所得的势值最大的数据点作为第一个势心点，在寻找下一势心点时，将第一个势心点削除，并将去除第一个势心点后的数据点中势值最大的数据点作为第二个势心点，如此反复找到所有的势心点，

所述修正后数据点x的势值计算公式φ'_k(x)是：

${\mathrm{\φ}}_k^{\′}\left(x\right)=\left\{\begin{array}{cc}{e}^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=0\right)\\ {\mathrm{\φ}}_{k-1}^{\′}\left(x\right)-{\mathrm{\φ}}_{k-1}^{\′}\left({\mathrm{xc}}_k\right)e^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=1,2,3,\mathrm{...},n\right)\end{array}\right.$

式中，k＝0，1，2，3，……，n是搜索势心点的个数，k＝0表示还没有搜寻过势心点，xc_k为上一个势心点，φ'_k-1(xc_k)是第k-1个势心点削除后，第k个势心点势值，φ'_k(x)是去除掉第k势值极大值点之后，数据点x的势值，φ'_k-1(x)是第k-1个势值极大值点之后，数据点x处的势值；

步骤五：将数据空间Ω中的所有势心点为聚类中心，按照等势线所形成的嵌套结构进行层次划分，完成对数据空间Ω中所包含数据集D'的多模雷达信号分选。

本发明的总体思路是：1.从信号样本集D中随机抽取雷达信号建立数据空间，寻找数据空间中的所有势心：采用影响因子优化选取算法确定影响因子σ，将雷达信号样本数据空间中影响因子σ的选取过程转化为寻找势熵最小值的过程，从而实现影响因子的自动选择；根据影响因子对数据空间进行划分，势值计算，绘制等势线，找到数据空间中的势心值，采用削除势心法找到数据空间中所有势心点，即是：将雷达信号样本数据场中最大势值点作为势心，削除该最大值点并继续寻找下一个势心点，重复此过程可找到所有势心点。2.根据数据空间中的所有势心值作为聚类中心对雷达信号特征参数进行层次聚类，对数据场的层次聚类是按照等势线所形成的嵌套结构进行层次划分完成雷达信号特征参数的层次聚类，完成多模雷达信号的分选。

具体的说：(1.1)从信号样本集D中随机抽取雷达信号建立数据空间，采用影响因子优化选取算法确定最优影响因子σ_best；

(1.2)以为网格尺度按照笛卡尔网格对数据空间进行网格划分；

(1.3)对划分后的网格空间进行数据场势值计算，并绘制等势线；

(1.4)采用削除势心法找到数据空间中的势心值；

(1.5)将数据空间中的所有势心值作为聚类中心对雷达信号特征参数进行层次聚类完成多模雷达信号的分选。

本发明实施例将数据场理论引入复杂电磁环境下多模雷达信号的分选工作，利用数据场势函数构建辐射源信号数据的层次划分，通过等势图的绘制完成数据的自组织层次聚类，能较准确地完成多模雷达信号分选工作。

图1是依照本发明实施例的基于数据场层次聚类的多模雷达信号分选方法的流程图。该方法包括：

S110从信号样本集D中随机抽取雷达信号，采用影响因子优化选取算法确定最优影响因子σ_best；

本发明实施例选取雷达脉冲描述字中的到达方向(DOA)、脉宽(PW)、载频(RF)作为多模雷达信号样本集中的参数样本。多模雷达信号信号脉冲仿真数据如图8所示。图2所示为待测信号样本载频(RF)和脉宽(PW)的二维特征参数样本分布图，图3所示为待测信号样本载频(RF)和到达方向(DOA)的二维特征参数样本分布图，图4所示为待测信号样本脉宽(PW)和到达方向(DOA)的二维特征参数样本分布图。从图2-图4可以看出多模雷达的不同工作模式在特征空间中具有一定的类内聚集度和类间分离度，这一特点易于造成同一雷达的不同工作模式被分选为多个信号源，即出现增批现象。所以该步骤需要建立数据场，并对数据场影响因子进行优化选取，确定最优影响因子σ_best；

步骤S110可进一步包括：

S111，对图8中雷达样本数据进行如下处理：

对于样本空间中n个输入多模雷达信号样本集D＝{x₁,x₂,…,x_n}，每个样本由三个特征参数DOA、PW、RF构成。数据空间中任一点的势是数据空间其他点到该点的势值加和，即

式中||x-x_i||为数据点数据对象x到空间任意点x_i的欧式空间距离；σ是影响因子，用于控制对象间的相互作用力。

根据上式可知，参数空间中任一点的势是参数空间其他点到该点的势值的加和。为了更好的对势场进行量化分析，将势值相同的点连接起来构成等势线。

由式(1)可知，影响因子的选取对数据势场的分布影响较大。图5a、图5b和图5c给出影响因子取值不同时，数据场等势线分布情况的变化情况。当σ值过小时，数据点没有相互作用，每个数据对象都是一个势值为1/n(n为数据点的个数)的势心；当σ值过大时，整个数据场可以理解为只有一个势心的数据集合，如图5c。这两种情况下的数据场不能反映数据点的分布情况，没有实际意义。因此，一个合适的影响因子值对数据场的构建至关重要，本发明将影响因子σ的选取过程转化为寻找势熵最小值的过程，实现影响因子σ的自动选择，得到最优影响因子σ_best，以克服数据挖掘算法需要用户仔细选择的参数的问题。

S112基于信息论中表征系统不确定性的熵的概念，本发明实施例引入势熵来衡量不同影响因子对构成势场的影响。令数据点x₁,x₂,…x_n的势值分别为Ψ₁,Ψ₂,…Ψ_n，则势熵H_Ψ可以定义为：

$H_{\mathrm{\Ψ}}=-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\Ψ}}_i}{Z}log\left(\frac{{\mathrm{\Ψ}}_i}{Z}\right)---\left(2\right)$

式中，是标准化因子。根据式(2)，显然有0≤H_Ψ≤log(n)。当影响因子σ足够大，数据场中每个势值都近似相等时，该数据场的不确定性最大，即势熵最大；当影响因子σ足够小，数据对象的势值大小参差不齐，该数据场的不确定性最小，势熵最小。熵值最小势熵与影响因子σ的变化关系如图6所示，由图可见当σ逐渐增大时，势熵开始变小并在达到最小值后又逐渐变大，当σ→∞是势熵达到最大值。因此，最优影响因子σ_best的选取可以通过搜索势熵最小值对应的影响因子来实现，该方法可以在不需要人工的选择情况下自动选择最佳的影响因子σ_best。

S120影响因子σ_best确定后，以为网格尺度按照笛卡尔网格对数据空间进行网格划分，利用式(1)对划分后的网格空间进行数据场势值计算，并绘制等势线。图7a、图7b和图7c给出雷达信号样本的数据场等势线二维图。

S130确定数据场的势心作为层次聚类的聚类中心，本发明实施例采用削除势心法寻找信号样本构建数据场的势心，即寻找数据场中局部最大值点。其基本思想为在势函数计算过程中首先找到整个数据场中势值的最大值点，将其作为第一个势心。在寻找下一势心时，首先要将该最大值点削除，以去除下次势函数计算中势心对数据场的影响，并继续寻找第二个势心点，如此反复可找到所有的势心点。

为了彻底消除之前最大值点对整个数据空间的影响，要对势函数计算公式进行修改，公式为

${\mathrm{\φ}}_k^{\′}\left(x\right)=\left\{\begin{array}{cc}{e}^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=0\right)\\ {\mathrm{\φ}}_{k-1}^{\′}\left(x\right)-{\mathrm{\φ}}_{k-1}^{\′}\left({\mathrm{xc}}_k\right)e^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& \left(k=1,2,3,\mathrm{...},n\right)\end{array}\right.---\left(3\right)$

式中，k＝0，1，2，3，……，n是搜索势心点的个数，k＝0表示还没有搜寻过势心点，xc_k为上一个势心点，φ'_k-1(xc_k)是第k-1个势心点削除后，第k个势心点势值，φ'_k(x)是去除掉第k势值极大值点之后，数据点x的势值，φ'_k-1(x)是第k-1个势值极大值点之后，数据点x处的势值；

S140将数据空间中的所有势心作为层次聚类的聚类中心，按照等势线所形成的嵌套结构进行层次划分，完成多模雷达信号分选。

分选结果由图9给出将基于数据场的层次聚类算法分选结果传统模糊聚类分选结果比较，可以发现本发明所提出方法可以得到94.7％的分选准确率。

综上，本实施例的方法能够基于数据场理论和多模雷达特征参数的特性对多模雷达信号进行分选，基本解决了“增批”问题。分选性能优于传统聚类算法，能够满足当前的应用需求。

本领域技术人员可以理解，在本发明具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明具体实施方式的实施过程构成任何限定。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (3)

1.一种基于数据场层次聚类的多模雷达信号分选方法，其特征在于：

步骤一：从多模雷达信号样本集D中抽取多模雷达信号建立数据空间Ω，数据空间Ω包含的抽取后的数据集D'＝{x₁,x₂,…，x_i,…,x_n}，其中x_i是任意数据点，i＝1～n，采用影响因子优化选取算法确定用于控制数据点间的相互作用力的影响因子σ的最优值，记为最优影响因子σ_best：

令数据点x₁,x₂,…,x_i,…,x_n的势值分别是Ψ₁＝φ(x₁)，Ψ₂＝φ(x₂)，…，Ψ_i＝φ(x_i)，…，Ψ_n＝φ(x_n)，其中是数据空间Ω中数据点x的势值的计算公式，式中||x-x_i||为数据点x到数据空间中任意数据点x_i的欧式空间距离，σ是影响因子，则势熵H_Ψ是：

$H_{\mathrm{\Ψ}}=-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\Ψ}}_i}{Z}log\left(\frac{{\mathrm{\Ψ}}_i}{Z}\right)$

式中，是标准化因子，使得H_Ψ取值最小化，得出最优影响因子σ_best；

步骤二：以为网格尺度按照笛卡尔网格对数据空间进行网格划分；

步骤三：计算网格划分后的数据点的势值，并将势值相同的点连接起来绘制等势线；

步骤四：采用削除势心法找到所绘制的等势线的势心点；

步骤五：将数据空间Ω中的所有势心点为聚类中心，按照等势线所形成的嵌套结构进行层次划分，完成对数据空间Ω中所包含数据集D'的多模雷达信号分选。

2.根据权利要求1所述的一种基于数据场层次聚类的多模雷达信号分选方法，其特征在于：所述多模雷达信号样本集为D由雷达信号到达方向DOA、脉宽PW、载频RF三个特征参数构成。

3.根据权利要求1所述的一种基于数据场层次聚类的多模雷达信号分选方法，其特征在于：所述采用削除势心法找到所绘制的等势线的势心点是：根据修正后的势值计算公式重新计算数据点的势值，将计算所得的势值最大的数据点作为第一个势心点，在寻找下一势心点时，将第一个势心点削除，并将去除第一个势心点后的数据点中势值最大的数据点作为第二个势心点，直至找到所有的势心点，

所述修正后数据点x的势值计算公式φ′_k(x)是：

${\mathrm{\φ}}_k^{\′}\left(k\right)=\left\{\begin{array}{cc}{e}^{-\frac{\left|\right|x-x_i|{|}^2}{2{\mathrm{\σ}}^2}}& (k=0)\\ {\mathrm{\φ}}_{k-1}^{\′}\left(x\right)-{\mathrm{\φ}}_{k-1}^{\′}\left({\mathrm{xc}}_k\right)e^{-\frac{\left|\right|x-x_i|{|}^{\′2}}{2{\mathrm{\σ}}^2}}& (k=1,2,3,...,n)\end{array}\right.$

式中，k＝0，1，2，3，……，n是搜索势心点的个数，k＝0表示还没有搜寻过势心点，xc_k为上一个势心点，φ'_k-1(xc_k)是第k-1个势心点削除后，第k个势心点势值，φ′_k(x)是去除掉第k势值极大值点之后，数据点x的势值，φ'_k-1(x)是第k-1个势值极大值点之后，数据点x处的势值。