CN109782273A - 一种基于长时聚类关联的辐射源编批方法 - Google Patents
一种基于长时聚类关联的辐射源编批方法 Download PDFInfo
- Publication number
- CN109782273A CN109782273A CN201910025592.5A CN201910025592A CN109782273A CN 109782273 A CN109782273 A CN 109782273A CN 201910025592 A CN201910025592 A CN 201910025592A CN 109782273 A CN109782273 A CN 109782273A
- Authority
- CN
- China
- Prior art keywords
- edw
- class
- carrier frequency
- clu
- clunew
- 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.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于长时聚类关联的辐射源编批方法。本发明针对雷达被动探测系统,主要解决辐射源编批时EDW关联不准确以及辐射源非连续截获所导致的编批准确率下降的问题;其实现步骤是:1.设置聚类间隔TL,对TL内所有生成的EDW数据利用DBSCAN算法进行载频和重复周期二维聚类,生成的所有EDW类的集合用ClusterNew表示;2.将ClusterNew中的EDW类CluNewi与已有EDW类集合ClusterOld中的EDW类CluOldj进行类的关联,满足关联条件则更新CluOldj,否则将CluNewi加入到ClusterOld中;3.对关联后的EDW类集合ClusterOld中的所有EDW类进行类的合并,输出合并后的EDW类集合ClusterOld,该集合中的每个EDW类即对应一个辐射源编批目标;本发明有利于提高辐射源编批准确率。
Description
技术领域
本发明属于雷达数据处理及信号分选技术领域。
背景技术
辐射源编批是指将多个时间间隔内由信号分选生成的所有辐射源描述字(Emitter Descriptor Word,EDW)按照一定的规则进行关联、融合及更新,以生成最终的目标EDW,每个目标EDW都赋予一个唯一的批号。
当前辐射源信号调制形式日益复杂,辐射源参数在频域、时域可能具有较大变化范围,且可能具有多种特征形式,例如频域捷变以及时域固定、参差、抖动、滑变等。辐射源具有的参数变化范围大、调制特征多样的上述特性,导致其在不同时刻截获并通过分选生成的EDW可能具有不同的参数,进而导致同一个辐射源可能被识别为多个不同的辐射源,极大地增加了辐射源编批难度。现有的辐射源编批算法在对不同时间间隔生成的EDW进行关联时,通常采用基于阈值的方式计算关联概率,然而阈值选取的方式无法适应不同的辐射源参数分布特征。
另一方面,现有辐射源编批算法较少考虑辐射源的非连续截获所带来的影响。现有编批算法通常采用M/N滑窗准则,即N个周期内截获M个周期即判定辐射源存在。实际情形下,受制于辐射源天线和截获接收机天线不同的扫描方式、扫描周期等原因,对某个辐射源的截获可能并不是连续的,即辐射源目标存在时有时无的情形。现有编批算法的观察时间维度通常在几十秒,一旦超过该时间,某个目标被删除后,即使再次被截获并判定存在,也会被赋予一个不同的批号,导致同一个辐射源不同时刻具有不同批号,影响了辐射源编批的准确率。
为此,亟需充分利用机器学习中的聚类技术,实现基于长时聚类关联的辐射源编批,通过设置较长的聚类间隔,对聚类间隔内积累的EDW数据进行频率、重复周期等多维度聚类,在此基础上将不同聚类间隔的EDW聚类结果进行准确关联,建立较为稳定的EDW类缓存,缓存中的每个EDW类对应于一个辐射源目标,从而提高辐射源编批准确率。
发明内容
本发明的目的在于提供一种基于长时聚类关联的辐射源编批方法,利用DBSCAN算法对聚类间隔TL内的所有EDW进行载频和重复周期二维聚类,然后将多个TL内的EDW聚类结果进行准确关联、合并和更新,建立与辐射源目标相对应的稳定EDW类缓存,提高辐射源编批准确率。
为实现上述技术目的,本发明采用如下技术方案予以实现。
一种基于长时聚类关联的辐射源编批方法,包括以下步骤:
步骤1,对当前聚类间隔TL内所有生成的EDW数据,构建矩阵X=[RF PRI]作为DBSCAN算法的输入进行聚类,其中载频向量RF表示了所有EDW的载频值,重复周期向量PRI表示了所有EDW的重复周期值,将生成的所有EDW类的集合用ClusterNew表示;
步骤2,将ClusterNew中的EDW类CluNewi与已有EDW类集合ClusterOld中的EDW类CluOldj进行类的关联,满足关联条件则认为关联成功,更新CluOldj,否则将CluNewi加入到ClusterOld中;
步骤3,对关联后的EDW类集合ClusterOld中的所有EDW类进行类的合并,满足合并条件则进行合并;输出合并后的集合ClusterOld,其中的每个EDW类即对应一个辐射源编批目标,并将ClusterOld作为下一次聚类开始时的已有EDW类集合。
本发明的有益效果为:针对辐射源编批时EDW关联不准确以及辐射源非连续截获所导致的编批准确率下降的问题,利用DBSCAN算法对聚类间隔TL内的所有EDW进行载频和重复周期二维聚类,然后将多个TL内的EDW聚类结果进行准确关联、合并和更新,建立与辐射源目标相对应的稳定EDW类缓存,提高辐射源编批准确率。
附图说明
图1为本发明的一种基于长时聚类关联的辐射源编批方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
参照图1,为本发明的一种基于长时聚类关联的辐射源编批方法的流程图;该基于长时聚类关联的辐射源编批方法包括以下步骤:
步骤1,对当前聚类间隔TL内所有生成的EDW数据,构建矩阵X=[RF PRI]作为DBSCAN算法的输入进行聚类,其中载频向量RF表示了所有EDW的载频值,重复周期向量PRI表示了所有EDW的重复周期值,将生成的所有EDW类的集合用ClusterNew表示;;
(1.1)设当前聚类间隔内的EDW个数为N1,构建矩阵X=[RF PRI],其中RF是所有EDW的载频向量,PRI是所有EDW的重复周期向量,
(1.2)将X=[RF PRI]作为DBSCAN算法的输入,并设置邻域参数eps和密度参数pts,运行DBSCAN算法进行载频和重复周期的二维密度聚类;
(1.3)输出EDW聚类结果集合,用ClusterNew表示;
步骤2,将ClusterNew中的EDW类CluNewi与已有EDW类集合ClusterOld中的EDW类CluOldj进行类的关联,满足关联条件则认为关联成功,更新CluOldj,否则将CluNewi加入到ClusterOld中;
(2.1)循环遍历集合ClusterOld和ClusterNew,对于ClusterOld中的EDW类CluOldj和ClusterNew中的EDW类CluNewi,若满足公式(1)和公式(2)表示的载频关联条件的任意一个,则进入步骤2.2;否则,进入步骤2.3;
其中CluOld_RF_Minj和CluOld_RF_Maxj分别表示类CluOldj包含的所有EDW的载频最小值和载频最大值;CluNew_RF_Mini和CluNew_RF_Maxi分别表示类CluNewi包含的所有EDW的载频最小值和载频最大值;RF_thre是预设载频阈值;
(2.2)判断类CluOldj和类CluNewi是否满足公式(3)所示的重复周期关联条件,若满足,则认为关联成功,否则认为关联不成功;
其中CluOld_PRI_Minj和CluOld_PRI_Maxj分别表示类CluOldj包含的所有EDW的重复周期最小值和载频最大值;CluNew_PRI_Mini和CluNew_PRI_Maxi分别表示类CluNewi包含的所有EDW的重复周期最小值和载频最大值;
(2.3)若关联成功,将CluNewi置为无效,按照公式(4)更新CluOldj,并将CluNewi中包含的所有EDW的类标识更改为CluOldj对应的类标识;若关联不成功,将CluNewi加入到ClusterOld中;
步骤3,对关联后的EDW类集合ClusterOld中的所有EDW类进行类的合并,满足合并条件则进行合并;输出合并后的集合ClusterOld,其中的每个EDW类即对应一个辐射源编批目标,并将ClusterOld作为下一次聚类开始时的已有EDW类集合;
(3.1)对于ClusterOld中的任意两个EDW类Clui和Cluj(i<j),判断是否满足EDW类合并条件,若两个类的载频满足公式(5)和(6)所示两个条件的任意一个,进入步骤3.2;若两个类的重复周期满足公式(7)所示的条件,进入步骤3.3;
其中Clu_RF_Mini、Clu_RF_Maxi、Clu_PRI_Mini以及Clu_PRI_Maxi分别表示类Clui包含的所有EDW的载频最小值、载频最大值、重复周期最小值和重复周期最大值;Clu_RF_Minj、Clu_RF_Maxj、Clu_PRI_Minj和Clu_PRI_Maxj分别表示类Cluj包含的所有EDW的载频最小值、载频最大值、重复周期最小值和重复周期最大值;RF_thre是预设载频阈值;PRI_thre是预设重复周期阈值;
(3.2)进一步判断两个类的重复周期是否满足公式(8)所示的条件,若是,则认为满足EDW类合并条件,进入步骤3.4;
(3.3)进一步判断两个类的载频是否满足公式(9)所示的条件,若是,则认为满足EDW类合并条件,进入步骤3.4;
(3.4)若类Clui和Cluj满足EDW类合并条件,将Cluj置为无效,按照公式(10)更新Clui,并将Cluj中包含的所有EDW的类标识更改为Clui对应的类标识;
Claims (3)
1.一种基于长时聚类关联的辐射源编批方法,其特征在于包括以下步骤:
步骤1:对当前聚类间隔TL内所有生成的EDW数据,构建矩阵X=[RF PRI]作为DBSCAN算法的输入进行聚类,其中载频向量RF表示了所有EDW的载频值,重复周期向量PRI表示了所有EDW的重复周期值,将生成的所有EDW类的集合用ClusterNew表示;
步骤2:将ClusterNew中的EDW类CluNewi与已有EDW类集合ClusterOld中的EDW类CluOldj进行类的关联,满足关联条件则认为关联成功,更新CluOldj,否则将CluNewi加入到ClusterOld中;
步骤3:对关联后的EDW类集合ClusterOld中的所有EDW类进行类的合并,满足合并条件则进行合并;输出合并后的集合ClusterOld,其中的每个EDW类即对应一个辐射源编批目标,并将ClusterOld作为下一次聚类开始时的已有EDW类集合。
2.根据权利要求1所述的一种基于长时聚类关联的辐射源编批方法,其特征在于所述步骤2中:
步骤2.1:循环遍历集合ClusterOld和ClusterNew,对于ClusterOld中的EDW类CluOldj和ClusterNew中的EDW类CluNewi,若满足公式(1)和公式(2)表示的载频关联条件的任意一个,则进入步骤2.2;否则,进入步骤2.3;
其中CluOld_RF_Minj和CluOld_RF_Maxj分别表示类CluOldj包含的所有EDW的载频最小值和载频最大值;CluNew_RF_Mini和CluNew_RF_Maxi分别表示类CluNewi包含的所有EDW的载频最小值和载频最大值,RF_thre是预设载频阈值;
步骤2.2:判断类CluOldj和类CluNewi是否满足公式(3)所示的重复周期关联条件,若满足,则认为关联成功,否则认为关联不成功;
其中CluOld_PRI_Minj和CluOld_PRI_Maxj分别表示类CluOldj包含的所有EDW的重复周期最小值和载频最大值;CluNew_PRI_Mini和CluNew_PRI_Maxi分别表示类CluNewi包含的所有EDW的重复周期最小值和载频最大值;
步骤2.3:若关联成功,将CluNewi置为无效,按照公式(4)更新CluOldj,并将CluNewi中包含的所有EDW的类标识更改为CluOldj对应的类标识;若关联不成功,将CluNewi加入到ClusterOld中;
3.根据权利要求1所述的一种基于长时聚类关联的辐射源编批方法,其特征在于所述步骤3中:
步骤3.1:对于ClusterOld中的任意两个类查Clui和Cluj,其中i<j,判断是否满足EDW类合并条件:若两个类的载频满足公式(5)和(6)所示两个条件的任意一个,进入步骤3.2;若两个类的重复周期满足公式(7)所示的条件,进入步骤3.3;
其中Clu_RF_Mini、Clu_RF_Maxi、Clu_PRI_Mini以及Clu_PRI_Maxi分别表示类Clui包含的所有EDW的载频最小值、载频最大值、重复周期最小值和重复周期最大值;Clu_RF_Minj、Clu_RF_Maxj、Clu_PRI_Minj和Clu_PRI_Maxj分别表示类Cluj包含的所有EDW的载频最小值、载频最大值、重复周期最小值和重复周期最大值;RF_thre是预设载频阈值;PRI_thre是预设重复周期阈值;
步骤3.2:进一步判断两个类的重复周期是否满足公式(8)所示的条件,若是,则认为满足EDW类合并条件,进入步骤3.4;
步骤3.3:进一步判断两个类的载频是否满足公式(9)所示的条件,若是,则认为满足EDW类合并条件,进入步骤3.4;
步骤3.4:若类Clui和Cluj满足EDW类合并条件,将Cluj置为无效,按照公式(10)更新Clui,并将Cluj中包含的所有EDW的类标识更改为Clui对应的类标识;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910025592.5A CN109782273B (zh) | 2019-01-11 | 2019-01-11 | 一种基于长时聚类关联的辐射源编批方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910025592.5A CN109782273B (zh) | 2019-01-11 | 2019-01-11 | 一种基于长时聚类关联的辐射源编批方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782273A true CN109782273A (zh) | 2019-05-21 |
CN109782273B CN109782273B (zh) | 2021-05-04 |
Family
ID=66499339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910025592.5A Active CN109782273B (zh) | 2019-01-11 | 2019-01-11 | 一种基于长时聚类关联的辐射源编批方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782273B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020451B (zh) * | 2014-06-03 | 2017-02-15 | 西安电子科技大学 | 基于聚类的外辐射源雷达目标航迹处理方法 |
CN105787081B (zh) * | 2016-03-03 | 2019-02-15 | 电子科技大学 | 一种基于辐射源空间位置的辐射平台关联方法 |
CN106597365B (zh) * | 2016-11-18 | 2019-04-30 | 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 |
CN107576942B (zh) * | 2017-07-27 | 2020-05-01 | 中国船舶重工集团公司第七二四研究所 | 一种基于信号聚类的辐射源扫描周期实时估计方法 |
-
2019
- 2019-01-11 CN CN201910025592.5A patent/CN109782273B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109782273B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776368B2 (en) | Selective intrusion detection systems | |
CN109683143A (zh) | 雷达信号分选方法、装置、计算机设备及可存储介质 | |
CN110245496A (zh) | 一种源代码漏洞检测方法及检测器和其训练方法及系统 | |
CN105282758A (zh) | WiFi室内定位系统指纹数据库自适应动态构建方法 | |
CN108694390A (zh) | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 | |
CN105471882A (zh) | 一种基于行为特征的网络攻击检测方法及装置 | |
CN103281341A (zh) | 网络事件处理方法及装置 | |
CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
CN110084094A (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
CN107561530B (zh) | 一种基于协同被动探测多维信息的目标识别方法 | |
Wang et al. | Collaborative penalized Gaussian mixture PHD tracker for close target tracking | |
CN114697128B (zh) | 通过人工智能决策的大数据去噪方法及大数据采集系统 | |
CN107133607A (zh) | 基于视频监控的人群统计方法及系统 | |
CN111294819A (zh) | 一种网络优化方法及装置 | |
CN109657147A (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
CN109992969A (zh) | 一种恶意文件检测方法、装置及检测平台 | |
CN109726859A (zh) | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 | |
CN109815085A (zh) | 告警数据的分类方法、装置和电子设备及存储介质 | |
CN108880712A (zh) | 一种两步协作随机共振能量检测算法 | |
CN105976403B (zh) | 一种基于核函数质心漂移的红外成像目标跟踪方法 | |
CN109782273A (zh) | 一种基于长时聚类关联的辐射源编批方法 | |
CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 | |
US11432111B2 (en) | Information processing device | |
Lin | Application of feature extraction method based on support vector machine in internet of things | |
Stavropoulos et al. | Optimizing complex event forecasting |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |