CN107967490A - 一种基于直方图极小值点的脉冲描述字自适应聚类方法 - Google Patents

一种基于直方图极小值点的脉冲描述字自适应聚类方法 Download PDF

Info

Publication number
CN107967490A
CN107967490A CN201711292964.8A CN201711292964A CN107967490A CN 107967490 A CN107967490 A CN 107967490A CN 201711292964 A CN201711292964 A CN 201711292964A CN 107967490 A CN107967490 A CN 107967490A
Authority
CN
China
Prior art keywords
histogram
minimum point
descriptive word
pulse
cluster
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
CN201711292964.8A
Other languages
English (en)
Inventor
刘鹏
田田
匡华星
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.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
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 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN201711292964.8A priority Critical patent/CN107967490A/zh
Publication of CN107967490A publication Critical patent/CN107967490A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种在雷达信号侦察对脉冲描述字的自适应聚类方法。其中包括：对脉冲描述字进行频率和脉宽两维聚类，频率聚类和脉宽聚类的方法是做直方图统计，并在统计结果中搜索直方图中的极小值点作为脉冲描述字分组的分界点，其中直方图极小值点定义为如果某个直方图矩形高度小于等于其左侧直方图矩形的高度、并且小于其右侧直方图矩形的高度，则该直方图矩形的右边界就为直方图极小值点。

Description

一种基于直方图极小值点的脉冲描述字自适应聚类方法
技术领域
本发明涉及一种高脉冲流密度下对复杂辐射源信号的聚类。
背景技术
脉冲描述字(Pulse Describe Word，PDW)聚类是雷达信号分选前的一个重要步骤，聚类结果的好坏直接影响到被动雷达的侦察能力。脉冲描述字聚类的主要目的是把频率、脉宽、方位等参数接近或满足一定规律的脉冲描述字归为一组，把不同辐射源产生的脉冲描述字尽量分开。脉冲描述字聚类可以在高脉冲流密度的复杂信号环境中减小脉冲描述字的时域耦合度，降低后续信号分选难度和计算量，提高分选精确度。
目前工程上常用的脉冲描述字聚类方法有：基于划分的聚类方法、基于直方图高度门限的聚类方法和基于网格的聚类方法等。其中，基于划分的聚类方法是人为地划分固定的聚类范围，例如以5M为一个单元划分载频或以固定的几个等级来划分脉宽等。该方法极有可能把来自同一个辐射源且参数相近的脉冲描述字人为分开，给后续的信号分选和辐射源融合造成很大困扰。基于直方图高度门限的聚类方法是确定一个直方图门限值，直方图高度低于该门限时就认为在该直方图位置处分类。该方法的局限性在于门限的确定十分困难，因为门限的高度与脉冲流密度、背景噪声强度、信号特点等息息相关。基于网格的聚类方法是把各参数在多维空间进行网格划分，并利用网格间的关联程度进行聚类。该方法由于网格密度确定困难、计算量较大等原因，较少在工程上使用。
基于以上原因，本发明提出了一种快速有效的基于直方图统计结果极小值点的脉冲描述字聚类方法，该方法的优势在于无需使用任何门限，适用性广，且直观可靠，计算量小。
发明内容
本发明的目的在于提供一种脉冲描述字的自适应聚类方法，由于雷达信号侦察中基于直方图统计结果的极小值点进行分类，从而实现脉冲描述字在载频和脉宽两个维度上的聚类。
实现本发明目的的技术解决方案为：对脉冲描述字首先进行频率聚类，然后对频率聚类后得到的每一组脉冲描述字进行脉宽聚类；在进行频率聚类和脉宽聚类时，首先进行频率或脉宽直方图统计，然后在统计结果中搜索直方图中的极小值点作为脉冲描述字分组的分界点；直方图统计极小值点定义为如果某个直方图矩形高度小于等于其左侧直方图矩形的高度、并且小于其右侧直方图矩形的高度，则该直方图矩形的右边界就为较小值点。
附图说明
图1脉冲描述字自适应聚类方法实施流程图。
图2频率聚类和脉宽聚类实施流程图。
图3直方图极小值点示意图。
具体实施方式
本发明的具体实施方法如下：
第一步，在被动雷达数据处理中，载频和脉宽是区分不同辐射源脉冲描述字的两个最典型特征，所以脉冲描述字聚类也主要是在载频和脉宽两个维度上进行。本发明提出的脉冲描述字聚类流程图如图1所示，首先对全体脉冲描述字进行频率聚类，然后对频率聚类后的每一组脉冲描述字进行脉宽聚类。假设载频聚类后全体脉冲描述字被分为N组，且第n组脉冲描述字经过脉宽聚类后，又被分成Mn组。则对于该聚类方法，最终脉冲描述字聚类总组数为：
这样的处理过程就把一个二维问题转化为了多个一维问题，降低了计算难度。
第二步，对于载频聚类和脉宽聚类，本发明采用的是基于直方图统计极小值点的聚类算法，算法流程图如图2所示。首先进行频率或脉宽直方图统计，然后在统计结果中搜索直方图中的极小值点作为脉冲描述字分组的依据。
在对频率或脉宽进行直方图统计时，首先确定频率或脉宽的最大值和最小值，分别记为τMax和τmin。假设直方图跨度设为b，则直方图箱的个数为K＝ceil((τMax-τMin)/b)，其中函数ceil()的意思是向上取整。每个直方图箱的右边界为τk＝τMin+k·b。图3为直方图统计结果示意图，其中τk为第k个直方图矩形的右边界。对于τk，如果其对应的直方图高度满足如下公式，则认为τk就是直方图的极小值点
Hist(τk-2，τk-1)≥Hist(τk-1，τk)＜Hist(τk，τk+1) (2)
其中Hist(τk-2，τk-1)表示区间为(τk-2，τk-1)的直方图高度。需要注意的是，在式(2)中一边取≤，另一边取＜，是为了避免连续两个或多个直方图高度相等而无法确定极小值点的情况。在图3中，τk为该直方图统计结果中的极小值点。脉冲描述字就以τk为界，划分为左右两部分。其中相应参数ρ≤τk为一部分，ρ＞τk为另一部分。以载频聚类为例，如果聚类结果为分成N组，则说明找到的极小值点为N-1。

Claims (1)

1.一种基于直方图极小值点的脉冲描述字自适应聚类方法，其特征在于：对脉冲描述字进行频率和脉宽两维聚类，频率聚类和脉宽聚类的方法是做直方图统计，并在统计结果中搜索直方图中的极小值点作为脉冲描述字分组的分界点，其中直方图极小值点定义为如果某个直方图矩形高度小于等于其左侧直方图矩形的高度、并且小于其右侧直方图矩形的高度，则该直方图矩形的右边界就为直方图极小值点。
CN201711292964.8A 2017-12-08 2017-12-08 一种基于直方图极小值点的脉冲描述字自适应聚类方法 Pending CN107967490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711292964.8A CN107967490A (zh) 2017-12-08 2017-12-08 一种基于直方图极小值点的脉冲描述字自适应聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711292964.8A CN107967490A (zh) 2017-12-08 2017-12-08 一种基于直方图极小值点的脉冲描述字自适应聚类方法

Publications (1)

Publication Number Publication Date
CN107967490A true CN107967490A (zh) 2018-04-27

Family

ID=61998012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711292964.8A Pending CN107967490A (zh) 2017-12-08 2017-12-08 一种基于直方图极小值点的脉冲描述字自适应聚类方法

Country Status (1)

Country Link
CN (1) CN107967490A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613486A (zh) * 2018-12-03 2019-04-12 中国人民解放军空军工程大学 一种基于核簇支持向量聚类的雷达信号分选方法
CN109886098A (zh) * 2019-01-11 2019-06-14 中国船舶重工集团公司第七二四研究所 一种跨分选间隔的aesa雷达捷变频模式挖掘方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008005408A2 (en) * 2006-06-29 2008-01-10 Vassol Inc. Sub-voxel motion correction for phase-contrast magnetic resonance imaging
US7408907B2 (en) * 2002-09-11 2008-08-05 Cisco Technology, Inc. System and method for management of a shared frequency band using client-specific management techniques
CN105424718A (zh) * 2015-11-02 2016-03-23 东华大学 一种基于双工位的车镜瑕疵在线自动检测装置与方法
CN106597365A (zh) * 2016-11-18 2017-04-26 中国船舶重工集团公司第七二四研究所 一种基于时域聚类的复杂电子信号时差定位方法
CN107238817A (zh) * 2017-07-04 2017-10-10 中国人民解放军海军航空工程学院 一种参数自适应设置及自动调整的雷达辐射源信号分选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7408907B2 (en) * 2002-09-11 2008-08-05 Cisco Technology, Inc. System and method for management of a shared frequency band using client-specific management techniques
WO2008005408A2 (en) * 2006-06-29 2008-01-10 Vassol Inc. Sub-voxel motion correction for phase-contrast magnetic resonance imaging
CN105424718A (zh) * 2015-11-02 2016-03-23 东华大学 一种基于双工位的车镜瑕疵在线自动检测装置与方法
CN106597365A (zh) * 2016-11-18 2017-04-26 中国船舶重工集团公司第七二四研究所 一种基于时域聚类的复杂电子信号时差定位方法
CN107238817A (zh) * 2017-07-04 2017-10-10 中国人民解放军海军航空工程学院 一种参数自适应设置及自动调整的雷达辐射源信号分选方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张强 等: "基于滤波器的聚类算法", 《天津大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613486A (zh) * 2018-12-03 2019-04-12 中国人民解放军空军工程大学 一种基于核簇支持向量聚类的雷达信号分选方法
CN109613486B (zh) * 2018-12-03 2023-06-23 中国人民解放军空军工程大学 一种基于核簇支持向量聚类的雷达信号分选方法
CN109886098A (zh) * 2019-01-11 2019-06-14 中国船舶重工集团公司第七二四研究所 一种跨分选间隔的aesa雷达捷变频模式挖掘方法

Similar Documents

Publication Publication Date Title
Li et al. Toward convolutional neural networks on pulse repetition interval modulation recognition
US9430688B1 (en) Overlapping multi-signal classification
CN106405518A (zh) 一种复杂体制雷达信号等级关联聚类分选方法
CN109683143A (zh) 雷达信号分选方法、装置、计算机设备及可存储介质
CN104052701B (zh) 一种基于fpga实现的脉内调制特征实时提取与分类系统
KR101632167B1 (ko) 수집 레이더 신호의 클러스터링 방법
CN109270497A (zh) 雷达脉冲信号的多维参数预分选方法
CN109799494B (zh) 一种星载光子计数激光雷达数据快速去噪滤波方法
CN106483514B (zh) 一种基于eemd和支持向量机的飞机运动模式识别方法
CN109839619B (zh) 基于自适应分桶的雷达信号粗分选方法、系统及存储介质
CN102749616B (zh) 一种基于模糊聚类的宙斯盾系统信号分选方法
CN108919193A (zh) 一种基于序列片段挖掘的参数捷变雷达信号分选方法
CN110751121B (zh) 基于聚类与sofm的无监督雷达信号分选方法
CN107967490A (zh) 一种基于直方图极小值点的脉冲描述字自适应聚类方法
Singh et al. Adaptive clustering procedure for continuous gravitational wave searches
Chunjie et al. Synthetic algorithm for deinterleaving radar signals in a complex environment
Da San Martino et al. QCRI at SemEval-2016 Task 4: Probabilistic methods for binary and ordinal quantification
CN109886098A (zh) 一种跨分选间隔的aesa雷达捷变频模式挖掘方法
Ehrnsperger et al. Real-time gesture detection based on machine learning classification of continuous wave radar signals
Keshavarzi et al. A new method for detection of complex pulse repetition interval modulations
KR102208105B1 (ko) 이중 클러스터링 장치 및 방법
CN110988856A (zh) 一种基于密度聚类的目标检测点迹凝聚算法
Socheleau et al. Testing the energy of random signals in a known subspace: An optimal invariant approach
CN109239677B (zh) 一种环境自适应恒虚警检测门限确定方法
US11461372B1 (en) Data clustering in logic devices using unsupervised learning

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: 20180427

WD01 Invention patent application deemed withdrawn after publication