CN110531335A - 一种基于并查集的低复杂度相似聚类信号分选方法 - Google Patents
一种基于并查集的低复杂度相似聚类信号分选方法 Download PDFInfo
- Publication number
- CN110531335A CN110531335A CN201910880617.XA CN201910880617A CN110531335A CN 110531335 A CN110531335 A CN 110531335A CN 201910880617 A CN201910880617 A CN 201910880617A CN 110531335 A CN110531335 A CN 110531335A
- Authority
- CN
- China
- Prior art keywords
- union
- pulse
- find sets
- data set
- find
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于并查集的低复杂度相似聚类信号分选方法,属于雷达信号处理领域。该方法包括如下步骤:积累一定数量的信号脉冲描述字构成数据集;利用脉冲参数的载频与脉宽参数对数据集进行移除孤立点预处理操作;对数据集进行标准差变换与极差变换,完成数据集标准化;构造并查集,每个脉冲描述字对应并查集中一个元素;依次计算两脉冲间相似度,若相似度高于阈值,完成对相应元素的归并操作;查询并查集,完成聚类信息的输出。本发明能够在复杂信号环境中完成信号分选,将并查集引入相似聚类分选中,大大降低了方法的复杂度,可证明该方法时间复杂度为O(n2),空间复杂度为O(n),具有复杂度低的优点,易于工程实现。
Description
技术领域
本发明属于雷达信号处理领域,具体涉及一种基于并查集的低复杂度相似聚类信号分选方法。
背景技术
电子对抗发展的初期,辐射源数量少、体制简单,仅使用基于TOA的单参数分选方法可以很好的完成信号分选工作。随着电子技术与雷达技术的发展,现代电子对抗环境中,新体制雷达不断出现,信号形式复杂多变;信号密度以达到数百万脉冲每秒,导致在时域上产生严重的混叠。同时,有学者针对如何提高雷达对抗系统接收到脉冲的丢失率,降低被正确分选的概率展开研究。因此传统的基于TOA的单参数分选方法无法胜任当前复杂信号环境下的信号分选工作。而聚类方法可以充分利用脉冲信号的多维参数信息,且不需要先验信息,因此在复杂信号环境下可以进行有效的分选。
聚类分选方法由于运算量大,很难满足分选的实时性要求,因此实际应用较少。本发明将并查集引入相似聚类分选中,大大降低了方法的复杂度,使得工程应用成为可能。
发明内容
本发明的目的在于提供复杂度低的一种基于并查集的低复杂度相似聚类信号分选方法。
本发明的目的通过以下技术方案来实现:
一种基于并查集的低复杂度相似聚类信号分选方法,包括以下步骤:
步骤1:将雷达信号的脉宽PW、载频CF、到达方向DOA等参数组成脉冲描述字,积累N个脉冲的脉冲描述字构成数据集P={p1,p2,...pi,...,pN},pi为第i个脉冲的脉冲描述字;
步骤2:根据脉冲描述字中载频CF与脉宽PW对数据集P进行移除孤立点预处理操作,得到数据集P′={p1,p2,...pi,...,pM},其中M≤N;
步骤3:对数据集P′进行标准差变换与极差变换,完成对数据集P′的标准化处理;
步骤4:构造长度为M的并查集,其中每个元素对应数据集P′中的一个数据点;
步骤5:依次计算两脉冲间相似度,若相似度高于阈值λ,完成对相应元素的归并操作;
步骤6:查询并查集,完成聚类信息的输出。
本发明还包括这样一些结构特征:
1.步骤1中脉冲描述字使用的参数为脉宽PW、载频CF、到达方向DOA、脉幅PA、脉冲重复周期PRI、调制类型MT、极化方式PT构成的集合或其子集。
2.步骤2具体包括:
步骤2-1:将数据集中载频参数变化范围、脉宽参数变化范围按一定箱宽度分别划分为多个箱,如载频箱宽度取50MHz、脉宽箱宽度取1μs;
步骤2-2:对载频箱、脉宽箱进行直方图统计,将直方图统计值小于一定值(如10)的箱中包含的脉冲当作孤立点剔除。
3.步骤3具体包括:
步骤3-1:标准差变换:
其中m为数据点特征维数,pik为第i个脉冲的第k维数据,与sk分别为数据集P′中第k维数据的平均值与标准差。
步骤3-2:极差变换:
其中max(p′ik)和min(p′ik)分别为p′ik的最大值与最小值。
4.步骤5采用如下方式计算相似度:
步骤5-1:计算在第k维参数上第i个数据点与第j个数据点之间的距离dk(xi,xj);
步骤5-2:计算第i个数据点与第j个数据点之间的距离:
其中wk是pi=(pi1,pi2,...,pim)(i=1,2,...,M)的第k维参数的权重,满足w1+w2+...+wm=1;
步骤5-3:计算第i个数据点与第j个数据点之间的相似度:
rij=1-d(xi,xj)。
5.特征4中所述的距离计算方式可使用:欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、夹角余弦、汉明距离、杰卡德距离、相关距离等方式计算得到。
6.并查集使用路径压缩以及按秩归并的优化策略,且按秩归并可使用按树高归并或按规模归并。
7.步骤6具体包括:
步骤6-1:遍历并查集,找到其中的代表元素,对其分配类别号;
步骤6-2:遍历并查集,各元素类别号与其所在集合代表元素相同。
本发明的有益效果在于:本发明使用的并查集可以快速的完成信号集合的查询与归并,且空间复杂度低。结合并查集与相似聚类可大大降低聚类方法的复杂度。
本发明的有益效果在于:
首次提出将并查集与相似聚类结合;极大地简化了相似聚类分选方法,该方法具有低复杂度的优点,时间复杂度为O(n2),空间复杂度为O(n),该方法易于工程实现。
附图说明
图1是本发明的流程图;
图2为初始数据点;
图3为初始化的并查集;
图4为连通代表脉冲1与脉冲4的节点;
图5为归并脉冲1与脉冲4所在的集合;
图6为分类结果对应的无向图;
图7为分类结果对应的并查集;
图8为算法复杂度表;
图9为时间复杂度表。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
一种基于并查集的低复杂度相似聚类信号分选方法,包括以下步骤:
步骤1:将雷达信号的脉宽PW、载频CF、到达方向DOA等参数组成脉冲描述字,积累N个脉冲的脉冲描述字构成数据集P={p1,p2,...pi,...,pN},pi为第i个脉冲的脉冲描述字。假设此时积累到10个脉冲,构成数据集P;
步骤2:根据脉冲描述字中载频CF与脉宽PW对数据集P进行移除孤立点预处理操作,得到数据集P′={p1,p2,...pi,...,pM},其中M≤N。假设数据集P中包含3个孤立点,经过下述步骤,得到数据集P′:
步骤2-1:将数据集中载频参数变化范围、脉宽参数变化范围按一定箱宽度分别划分为多个箱,如载频箱宽度取50MHz、脉宽箱宽度取1μs;
步骤2-2:对载频箱、脉宽箱进行直方图统计,将直方图统计值小于一定值(如2)的箱中包含的脉冲当作孤立点剔除。
步骤3:对数据集P′进行标准差变换与极差变换,完成对数据集P′的标准化处理。对数据集P′按如下步骤进行标准化:
步骤3-1:标准差变换:
其中m为数据点特征维数,pik为第i个脉冲的第k维数据,与sk分别为数据集P′中第k维数据的平均值与标准差。
步骤3-2:极差变换:
其中max(p′ik)和min(p′ik)分别为p′ik的最大值与最小值。
步骤4:构造长度为M的并查集,其中每个元素对应数据集P′中的一个数据点。此时数据集P′中仅有7个数据点,将每个数据点均看作脉冲集合。如图2所示,以无向图的形式表示数据点,当两脉冲属于同一集合时,将其连通,图3所示为其对应的并查集;
步骤5:依次计算两脉冲间相似度,若相似度高于阈值λ,完成对相应元素的归并操作。按照如下步骤计算脉冲间相似度:
步骤5-1:计算在第k维参数上第i个数据点与第j个数据点之间的距离dk(xi,xj);
步骤5-2:计算第i个数据点与第j个数据点之间的距离:
其中wk是pi=(pi1,pi2,...,pim)(i=1,2,...,M)的第k维参数的权重,满足w1+w2+...+wm=1;
步骤5-3:计算第i个数据点与第j个数据点之间的相似度:
距离计算方式可采用:欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、夹角余弦、汉明距离、杰卡德距离、相关距离等。
假设经计算,脉冲1与脉冲4之间相似度高于阈值λ,则对应的图形表示及其并查集如图4、图5所示;假设脉冲1、4、7为一类,脉冲2、3、5、6为一类,则此步骤完成时得到的分类结果与并查集如图6、图7所示;
步骤6:查询并查集,完成聚类信息的输出。按如下步骤完成对并查集的查询并进行聚类结果的输出:
步骤6-1:遍历并查集,找到其中的代表元素,对其分配类别号;
步骤6-2:遍历并查集,各元素类别号与其所在集合代表元素相同。
并查集使用路径压缩以及按秩归并的优化策略,且按秩归并可使用按树高归并或按规模归并。
对图7所示的并查集进行查询并进行聚类信息输出得:类别1:脉冲1、4、7,类别2:脉冲2、3、5、6。
使用本方法在PC(i7-7700K+16GB RAM,Win10+VS2019)上对5840个脉冲进行分选,运行时间与内存消耗结果,即算法复杂度见图8。
使用本方法在PC(i7-7700K+16GB RAM,Win10+VS2019)上对不同数量脉冲进行分选,运行时间,即时间复杂度见图9。
使用本方法在DSP开发板(TMS320C6678,单核心,1GHz,4M RAM)上对5840个脉冲进行分选,运行时间1.10s。
上述为本发明特举之实施例,并非用以限定本发明。本发明不仅适用于雷达信号参数分选,同时也适用于类似的使用目标的多维参数对目标进行聚类的情况。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于,包括以下步骤:
步骤1:将雷达信号的参数组成脉冲描述字,积累N个脉冲的脉冲描述字构成数据集P={p1,p2,...pi,...,pN},pi为第i个脉冲的脉冲描述字;
步骤2:根据脉冲描述字中载频CF与脉宽PW对数据集P进行移除孤立点预处理操作,得到数据集P′={p1,p2,...pi,...,pM},其中M≤N;
步骤3:对数据集P′进行标准差变换与极差变换,完成对数据集P′的标准化处理;
步骤4:构造长度为M的并查集,其中每个元素对应数据集P′中的一个数据点;
步骤5:依次计算两脉冲间相似度,若相似度高于阈值λ,完成对相应元素的归并操作;
步骤6:查询并查集,完成聚类信息的输出。
2.根据权利要求1所述的一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于:步骤1中脉冲描述字使用的参数为脉宽PW、载频CF、到达方向DOA、脉幅PA、脉冲重复周期PRI、调制类型MT、极化方式PT构成的集合或其子集。
3.根据权利要求1所述的一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于:步骤2具体包括:
步骤2-1:将数据集中载频参数变化范围、脉宽参数变化范围按一定箱宽度分别划分为多个箱;
步骤2-2:对载频箱、脉宽箱进行直方图统计,将直方图统计值小于一定值的箱中包含的脉冲当作孤立点剔除。
4.根据权利要求1所述的一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于:步骤3具体包括:
步骤3-1:标准差变换,
其中m为数据点特征维数,pik为第i个脉冲的第k维数据,与sk分别为数据集P′中第k维数据的平均值与标准差;
步骤3-2:极差变换,
其中max(p′ik)和min(p′ik)分别为p′ik的最大值与最小值。
5.根据权利要求1所述的一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于:步骤5采用如下方式计算相似度:
步骤5-1:计算在第k维参数上第i个数据点与第j个数据点之间的距离dk(xi,xj);
步骤5-2:计算第i个数据点与第j个数据点之间的距离:
其中wk是pi=(pi1,pi2,...,pim)(i=1,2,...,M)的第k维参数的权重,满足w1+w2+...+wm=1;
步骤5-3:计算第i个数据点与第j个数据点之间的相似度:
rij=1-d(xi,xj)。
6.根据权利要求1所述的一种基于并查集的低复杂度相似聚类信号分选方法,其特征在于:步骤6具体包括:
步骤6-1:遍历并查集,找到其中的代表元素,对其分配类别号;
步骤6-2:遍历并查集,各元素类别号与其所在集合代表元素相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880617.XA CN110531335A (zh) | 2019-09-18 | 2019-09-18 | 一种基于并查集的低复杂度相似聚类信号分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880617.XA CN110531335A (zh) | 2019-09-18 | 2019-09-18 | 一种基于并查集的低复杂度相似聚类信号分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110531335A true CN110531335A (zh) | 2019-12-03 |
Family
ID=68668995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910880617.XA Pending CN110531335A (zh) | 2019-09-18 | 2019-09-18 | 一种基于并查集的低复杂度相似聚类信号分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531335A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111722188A (zh) * | 2020-05-18 | 2020-09-29 | 中国人民解放军63892部队 | 基于stft预分选的pri变换雷达信号分选方法 |
CN113625242A (zh) * | 2021-07-23 | 2021-11-09 | 哈尔滨工程大学 | 一种基于势距图联合pca与改进云模型的雷达信号分选方法 |
CN117056978A (zh) * | 2023-08-30 | 2023-11-14 | 西安电子科技大学 | 一种基于算术共享的安全并查集方法及其运算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103968781A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于构造边的高精度快速相位解缠方法 |
CN105005029A (zh) * | 2015-07-17 | 2015-10-28 | 哈尔滨工程大学 | 一种基于数据场层次聚类的多模雷达信号分选方法 |
US20160034329A1 (en) * | 2014-07-31 | 2016-02-04 | Western Integrated Technologies, Inc. | Correlation and prediction analysis of collected data |
CN109270497A (zh) * | 2018-10-28 | 2019-01-25 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 雷达脉冲信号的多维参数预分选方法 |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
-
2019
- 2019-09-18 CN CN201910880617.XA patent/CN110531335A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103968781A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于构造边的高精度快速相位解缠方法 |
US20160034329A1 (en) * | 2014-07-31 | 2016-02-04 | Western Integrated Technologies, Inc. | Correlation and prediction analysis of collected data |
CN105005029A (zh) * | 2015-07-17 | 2015-10-28 | 哈尔滨工程大学 | 一种基于数据场层次聚类的多模雷达信号分选方法 |
CN109697451A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 相似图像聚类方法及装置、存储介质、电子设备 |
CN109270497A (zh) * | 2018-10-28 | 2019-01-25 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 雷达脉冲信号的多维参数预分选方法 |
Non-Patent Citations (5)
Title |
---|
GAN LAI等: "Computationally Efficient CPHD Fusion based on Generalized Covariance Intersection", 《2019 IEEE RADAR CONFERENCE (RADARCONF)》 * |
刘旭波 等: "基于改进的模糊聚类的雷达信号分选", 《弹箭与制导学报》 * |
大鲨鱼冲鸭: ""并查集优化——按秩归并、路径压缩"", 《HTTPS://BLOG.CSDN.NET/INVOKAR/ARTICLE/DETAILS/80149787》 * |
宋柱 等: "分区基于密度的聚类算法在激光雷达行人检测系统中的应用", 《科学技术与工程》 * |
申冰等: "一种信号分选和特征提取联合处理的雷达信号分析方法研究", 《火控雷达技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111722188A (zh) * | 2020-05-18 | 2020-09-29 | 中国人民解放军63892部队 | 基于stft预分选的pri变换雷达信号分选方法 |
CN111722188B (zh) * | 2020-05-18 | 2024-03-15 | 中国人民解放军63892部队 | 基于stft预分选的pri变换雷达信号分选方法 |
CN113625242A (zh) * | 2021-07-23 | 2021-11-09 | 哈尔滨工程大学 | 一种基于势距图联合pca与改进云模型的雷达信号分选方法 |
CN113625242B (zh) * | 2021-07-23 | 2023-09-29 | 哈尔滨工程大学 | 一种基于势距图联合pca与改进云模型的雷达信号分选方法 |
CN117056978A (zh) * | 2023-08-30 | 2023-11-14 | 西安电子科技大学 | 一种基于算术共享的安全并查集方法及其运算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531335A (zh) | 一种基于并查集的低复杂度相似聚类信号分选方法 | |
Bansal et al. | An efficient technique for object recognition using Shi-Tomasi corner detection algorithm | |
Cheng et al. | Scene recognition with objectness | |
Wang et al. | An improved K-Means clustering algorithm | |
Petrov et al. | Radar emitter signals recognition and classification with feedforward networks | |
Jordanov et al. | Classifiers accuracy improvement based on missing data imputation | |
CN113705446B (zh) | 一种面向辐射源个体的开集识别方法 | |
Wang et al. | Research and experiment of radar signal support vector clustering sorting based on feature extraction and feature selection | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及系统 | |
CN107403618B (zh) | 基于堆叠基稀疏表示的音频事件分类方法及计算机设备 | |
Zhu et al. | Deep multi-modal subspace interactive mutual network for specific emitter identification | |
Salarpour et al. | Direction‐based similarity measure to trajectory clustering | |
Wang et al. | Research on radar emitter signal feature extraction method based on fuzzy entropy | |
Matuszewski | Application of clustering methods for recognition of technical objects | |
Sheng et al. | Extract pulse clustering in radar signal sorting | |
Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
CN112836104B (zh) | 一种数据库辅助自主聚类信号分选方法及系统 | |
Sapozhnikova | ART-based neural networks for multi-label classification | |
Wang et al. | Multi-threshold fuzzy clustering sorting algorithm | |
Zhu et al. | Radar emitter recognition based on transfer learning [C] | |
Wang et al. | A PRI estimation and signal deinterleaving method based on density-based clustering | |
Zhou et al. | Mean shift track initiation algorithm based on hough transform | |
Barbuzzi et al. | Learning iterative strategies in multi-expert systems using SVMs for digit recognition |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |