CN111709457B - 一种基于双谱特征的电磁目标智能化聚类方法 - Google Patents

一种基于双谱特征的电磁目标智能化聚类方法 Download PDF

Info

Publication number
CN111709457B
CN111709457B CN202010447985.8A CN202010447985A CN111709457B CN 111709457 B CN111709457 B CN 111709457B CN 202010447985 A CN202010447985 A CN 202010447985A CN 111709457 B CN111709457 B CN 111709457B
Authority
CN
China
Prior art keywords
sequence
bispectrum
data
intermediate frequency
pulse signal
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.)
Active
Application number
CN202010447985.8A
Other languages
English (en)
Other versions
CN111709457A (zh
Inventor
马巍
王杰
李晓
李锐洋
旷生玉
徐晶
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202010447985.8A priority Critical patent/CN111709457B/zh
Publication of CN111709457A publication Critical patent/CN111709457A/zh
Application granted granted Critical
Publication of CN111709457B publication Critical patent/CN111709457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

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

本发明涉及电磁目标智能化聚类技术领域，公开了一种基于双谱特征的电磁目标智能化聚类方法，利用接收到的辐射源中频数据进行逐脉冲去直流、降噪、能量归一化的预处理，继而逐个提取预单脉冲数据的双谱(三阶累积量)特征，通过计算各单脉冲双谱序列的欧氏距离，利用Kmeans方法进行聚类计算，完成对目标的智能化聚类。本发明利用脉冲信号双谱特征不易受高斯白噪声污染特性，以及参数相似的不同辐射源仍然存在的双谱特征差异，直接从采集的中频数据出发，无需提取目标的脉内及脉间参数，同时对辐射源参数相似性不敏感，可提高复杂环境下对参数相似辐射源的信号聚类能力。

Description

一种基于双谱特征的电磁目标智能化聚类方法
技术领域
本发明涉及电磁目标智能化聚类技术领域，尤其涉及一种基于双谱特征的电磁目标智能化聚类方法。
背景技术
传统的电磁目标聚类技术是利用对目标进行测量得到的脉冲描述字(包括信号的幅度、频率、脉宽、方位角、脉冲重复周期)和信号脉内调制信息(频率调制类型及调制参数、相位调制类型及调制参数等)进行特征提取和规律挖掘，通过设置合适的判别准则，将特征规律相近的脉冲群归为同一类，将特征规律具有差异的脉冲群归为不同类，从而完成对目标的聚类。传统方法中目标信号聚类效果较依赖信号脉内、脉间参数的特征相似性，对辐射参数相近的多目标可能会出现聚类效果严重下降的情况，进而影响后续的目标识别等应用。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供了一种利用信号双谱(信号的三阶累积量)特征对空间电磁目标信号进行聚类的方法，解决当前电磁目标信号聚类方法在多目标辐射参数相似环境下，目标区分度不明显，影响目标聚类效果的问题，实现在多目标辐射参数相似情况下对目标信号的高精度聚类，提升辐射源聚类性能的目的。
本发明采用的技术方案如下：一种基于双谱特征的电磁目标智能化聚类方法，包括：
步骤1：对接收到的待聚类目标中频数据进行数据预处理得到中频数据序列；
步骤2：对中频数据序列进行双谱特征提取，得到脉冲信号双谱特征序列；
步骤3：以脉冲信号双谱特征序列为输入，利用Kmeans方法完成对脉冲信号的智能化聚类。
进一步的，所述步骤1具体包括：
步骤11：首先对接收到的待聚类目标中频数据进行数据清洗，通过设定合适的信噪比门限，剔除信噪比低以及采集不完整的脉冲样本，得到清洗后的数据样本集xstep1(n)；
步骤12：对清洗后的N点中频数据xstep1(n)＝[x1,x2,…xN],n＝1,2,…N进行加和得到序列和值
Figure BDA0002506639820000021
然后将这个和除以数据总数得到数据均值
Figure BDA0002506639820000022
最后用中频数据序列减去此均值完成去直流，得到去直流后数据
Figure BDA0002506639820000023
步骤13：对数据序列xstep2(n)取最大值xmax＝max[xstep2(n)]，其中max(·)表示对序列取最大值操作；
对序列xstep2(n)中的每个元素做最大值归一化操作得到
Figure BDA0002506639820000024
序列xstep3(n)即为归一化后的中频数据序列。
进一步的，所述步骤2中得到的脉冲信号双谱特征序列为B(ωi,ωj,n)，简记为B(n),n＝1,2,…N；
其中，脉冲信号双谱特征序列的计算方法如下：
B(ω1,ω2)＝F(ω1)·F(ω2)·F*(ω1+ω2)；
其中，F(ω)、F*(ω)分别为序列xstep3(n)的傅里叶变换及其共轭，ω1、ω2为弧度表示的频率变量。
进一步的，所述步骤3中聚类计算流程包括以下内容：
步骤31：随机选取脉冲信号双谱特征序列中的K个点作为K个初始类质心；
步骤32：计算脉冲信号双谱特征序列中其他点到这K个质心的距离，如果脉冲信号双谱特征序列中某个点距离第m个质心更近，则该点被划入第m类，m∈[1,K]；
步骤33：计算同一类中所有点的平均值，以此平均值作为该类新的质心；
步骤34：迭代执行步骤32、步骤33，直至所有类的质心都不变化为止，最终形成的类即为对脉冲信号的智能化聚类结果。
进一步的，所述步骤32中的距离的计算方式采用欧式距离度量法。
进一步的，在所述脉冲信号双谱特征序列中任意取i，j两点，欧式距离表示如下：
Figure BDA0002506639820000031
其中，(xk,yk,zk),k＝i,j分别表示脉冲信号双谱特征序列中i，j两点的三维坐标值。
与现有技术相比，采用上述技术方案的有益效果为：本发明采用的基于高阶累积量特征的电磁目标智能化聚类方法，通过对接收的中频数据进行预处理，提取信号双谱特征。利用脉冲信号双谱特征不易受高斯白噪声污染特性，有效提升了低信噪比环境下的处理能力；利用参数相似的不同辐射源仍然存在的双谱特征差异，对参数相似的多目标信号进行区分，有效改善了对参数相近多辐射源的处理性能；以双谱特征作为数据输入利用Kmeans方法进行智能化聚类，有效提高辐射参数相近条件下的多辐射源聚类准确率。
附图说明
图1是本发明方法的流程示意图。
图2为对5类目标进行聚类的效果图，其横坐标为聚类后的类编号，纵坐标为聚类准确率。
图3为进行100次独立的蒙特卡洛试验验证不同信噪比条件下对电磁目标识别的成功概率示意图，其横坐标为信噪比，纵坐标为聚类正确的概率。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示，本发明提供一种基于双谱特征的电磁目标智能化聚类方法，具体流程如下：
1、数据预处理：对接收到的待聚类目标中频数据进行数据清洗、去直流、归一化的预处理。
数据清洗：首先对中频数据进行数据清洗，通过设定合适的信噪比门限，剔除信噪比较低、采集不完整的脉冲样本，得到清洗后的数据样本集xstep1(n)。
数据去直流：对清洗后的N点中频数据xstep1(n)＝[x1,x2,…xN],n＝1,2,…N进行加和得到序列和值
Figure BDA0002506639820000041
然后将这个和除以数据总数得到数据均值
Figure BDA0002506639820000042
最后用中频数据序列减去此均值完成去直流，得到去直流后数据
Figure BDA0002506639820000043
数据归一化：数据序列最大值xmax＝max[xstep2(n)]，其中max(·)表示对序列取最大值操作。对序列xstep2(n)中的每个元素做最大值归一化操作得到
Figure BDA0002506639820000044
序列xstep3(n)即为归一化后的中频数据序列。
2、脉冲信号双谱特征提取：对预处理后得到的中频数据序列xstep3(n)进行双谱提取处理，得到脉冲信号双谱特征序列B(ωi,ωj,n)，简记为B(n),n＝1,2,…N。双谱的计算方法为：B(ω1,ω2)＝F(ω1)·F(ω2)·F*(ω1+ω2)，其中F(ω)、F*(ω)分别为序列xstep3(n)的傅里叶变换及其共轭，ω1、ω2为弧度表示的频率变量。
3、基于双谱特征的电磁目标智能化聚类：以脉冲双谱序列B(n)，n＝1,2,…N为输入，利用Kmeans方法完成对脉冲信号的智能化聚类。
聚类计算过程如下：
(1)随机选取B(n)中的K个点作为K个初始类质心；
(2)计算B(n)中其他点到这K个质心的距离，其中距离计算采用欧氏距离度量法。对于脉冲双谱序列B(n)中的任意两点B(i)、B(j)而言，欧氏距离可以表示为：
Figure BDA0002506639820000051
其中(xk,yk,zk),k＝i,j分别表示双谱序列中B(i)、B(j)的三维坐标值。如果序列中某个点B(p),p∈[1,N]距离第m(m∈[1,K])个质心更近，则该点被划入第m类；
(3)计算同一类中所有点的平均值，以此平均值作为该类新的质心；
(4)迭代执行步骤(2)(3)，直至所有类的质心都不变化为止，最终形成的类即为对脉冲信号的智能化聚类结果。
下面对本方法进行数值仿真实验，按照上述流程进行处理。
仿真采用常见电磁目标信号，预设5类目标，其中频率固定目标3个，载频分别为5000MHz、5200MHz、5400MHz，脉宽均为10μs，脉冲重复间隔分别为重复间隔固定，参数值为20μs、重复间隔抖动，参数值为20μs上下抖动10％、重复间隔二组变，参数值分别为20μs、22μs；线性调频目标2个，中心频率分别为4800MHz、5200MHz，调频带宽100MHz，脉宽均为10μs，脉冲重复间隔分别为重复间隔二参差，参数值分别为18μs、22μs；重复间隔滑变，参数值由18μs单调递增至22μs；所有目标到达角均为30°。每个目标均采集100个脉冲，信噪比20dB，仿真条件如表1所示。
表1数值仿真试验基本条件
Figure BDA0002506639820000052
Figure BDA0002506639820000061
如图2所示为本发明所提出的方法对辐射参数相近的多个辐射源目标可进行准确的聚类；图3所示，随着信噪比的不断提高，本方法聚类准确率不断提高，在-5dB信噪比的条件下已有高于70％的成功概率，在信噪比5dB时，估计的成功概率接近90％，即可在较低信噪比条件下完成对目标的聚类。图3中聚类正确率定义为正确聚成某类的脉冲个数占该类中总脉冲数的比率。
根据上述仿真实验可知，本发明所提出的方法，可以在辐射参数相近环境下实现对多辐射源目标的有效聚类，证明了发明的有效性。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (3)

1.一种基于双谱特征的电磁目标智能化聚类方法，其特征在于，包括：
步骤1：对接收到的待聚类目标中频数据进行数据预处理得到中频数据序列；
步骤2：对中频数据序列进行双谱特征提取，得到脉冲信号双谱特征序列；
步骤3：以脉冲信号双谱特征序列为输入，利用Kmeans方法完成对脉冲信号的智能化聚类；
所述步骤1具体包括：
步骤11：首先对接收到的待聚类目标中频数据进行数据清洗，通过设定合适的信噪比门限，剔除信噪比低以及采集不完整的脉冲样本，得到清洗后的数据样本集xstep1(n)；
步骤12：对清洗后的N点中频数据xstep1(n)＝[x1,x2,…xN],n＝1,2,…N进行加和得到序列和值
Figure FDA0003734411600000011
然后将这个和除以数据总数得到数据均值
Figure FDA0003734411600000012
最后用中频数据序列减去此均值完成去直流，得到去直流后数据
Figure FDA0003734411600000013
步骤13：对数据序列xstep2(n)取最大值xmax＝max[xstep2(n)]，其中max(·)表示对序列取最大值操作；
对序列xstep2(n)中的每个元素做最大值归一化操作得到
Figure FDA0003734411600000014
序列xstep3(n)即为归一化后的中频数据序列；
所述步骤2中得到的脉冲信号双谱特征序列为B(ωi,ωj,n)，简记为B(n),n＝1,2,…N；
其中，脉冲信号双谱特征序列的计算方法如下：
B(ω1,ω2)＝F(ω1)·F(ω2)·F*(ω1+ω2)；
其中，F(ω)、F*(ω)分别为序列xstep3(n)的傅里叶变换及其共轭，ω1、ω2为弧度表示的频率变量；
所述步骤3中聚类计算流程包括以下内容：
步骤31：随机选取脉冲信号双谱特征序列中的K个点作为K个初始类质心；
步骤32：计算脉冲信号双谱特征序列中其他点到这K个质心的距离，如果脉冲信号双谱特征序列中某个点距离第m个质心更近，则该点被划入第m类，m∈[1,K]；
步骤33：计算同一类中所有点的平均值，以此平均值作为该类新的质心；
步骤34：迭代执行步骤32、步骤33，直至所有类的质心都不变化为止，最终形成的类即为对脉冲信号的智能化聚类结果。
2.根据权利要求1所述的一种基于双谱特征的电磁目标智能化聚类方法，其特征在于，所述步骤32中的距离的计算方式采用欧式距离度量法。
3.根据权利要求2所述的一种基于双谱特征的电磁目标智能化聚类方法，其特征在于，在所述脉冲信号双谱特征序列中任意取i，j两点，欧式距离表示如下：
Figure FDA0003734411600000021
其中，(xk,yk,zk),k＝i,j分别表示脉冲信号双谱特征序列中i，j两点的三维坐标值。
CN202010447985.8A 2020-05-25 2020-05-25 一种基于双谱特征的电磁目标智能化聚类方法 Active CN111709457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010447985.8A CN111709457B (zh) 2020-05-25 2020-05-25 一种基于双谱特征的电磁目标智能化聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010447985.8A CN111709457B (zh) 2020-05-25 2020-05-25 一种基于双谱特征的电磁目标智能化聚类方法

Publications (2)

Publication Number Publication Date
CN111709457A CN111709457A (zh) 2020-09-25
CN111709457B true CN111709457B (zh) 2022-08-26

Family

ID=72537451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010447985.8A Active CN111709457B (zh) 2020-05-25 2020-05-25 一种基于双谱特征的电磁目标智能化聚类方法

Country Status (1)

Country Link
CN (1) CN111709457B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466947B (zh) * 2021-06-18 2024-04-16 嘉兴微磁超导科技有限公司 一种应用于超导瞬变电磁的坏点自动去除方法
CN114089285B (zh) * 2022-01-24 2022-05-31 安徽京淮健锐电子科技有限公司 一种基于一阶脉冲重复间隔pri的信号分选方法
CN116400302B (zh) * 2023-06-05 2023-08-22 成都实时技术股份有限公司 一种雷达信号接收处理方法
CN117310636B (zh) * 2023-11-29 2024-02-06 成都工业学院 一种固定脉冲重复间隔测量方法、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9886559B1 (en) * 2012-02-24 2018-02-06 Cerner Innovation, Inc. Assessing fitness by entropy and bispectral analysis
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979842B (zh) * 2017-11-28 2019-11-19 电子科技大学 一种基于双谱特征和深度学习的手机个体识别方法
CN109886116B (zh) * 2019-01-21 2021-03-09 中国人民解放军战略支援部队信息工程大学 基于ads-b的辐射源个体识别方法及装置
CN110188647A (zh) * 2019-05-23 2019-08-30 西安电子科技大学 一种基于变分模态分解雷达辐射源特征提取及其分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9886559B1 (en) * 2012-02-24 2018-02-06 Cerner Innovation, Inc. Assessing fitness by entropy and bispectral analysis
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cosmology from clustering of Lyα galaxies: breaking non-gravitational Lyα radiative transfer degeneracies using the bispectrum;Bradley Greig 等;《Monthly Notices of the Royal Astronomical Society》;20130531;第431卷(第2期);1777-1794 *
Fault diagnose for rolling bearing based on higher order spectrum;Yan Gao 等;《2016 13th International Conference on Ubiquitous Robots and Ambient Intelligence (URAI)》;20161107;913-920 *

Also Published As

Publication number Publication date
CN111709457A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111709457B (zh) 一种基于双谱特征的电磁目标智能化聚类方法
CN113721219B (zh) 一种基于多参数聚类的雷达信号分选方法和系统
CN104537673B (zh) 基于多阈值和自适应模糊聚类的红外图像分割方法
CN110334591A (zh) 一种基于聚类分析的无人机跳频信号检测及识别方法
CN111310833B (zh) 一种基于贝叶斯神经网络的出行方式识别方法
CN111079859B (zh) 一种无源多站多目标测向交叉定位与虚假点去除方法
CN111062425B (zh) 基于c-k-smote算法的不平衡数据集处理方法
CN114019505A (zh) 一种基于pri区间信息的雷达信号分选方法及系统
CN112986925B (zh) 一种基于图像特征的雷达脉冲序列分选方法
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN114089285B (zh) 一种基于一阶脉冲重复间隔pri的信号分选方法
CN111060878B (zh) 适用于单脉冲的lfm雷达工作模式实时分类方法及装置
CN103678949A (zh) 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法
CN115166678B (zh) 复杂场景雷达辐射源脉冲信号分选与认知对抗系统
CN110907908A (zh) 基于包络分析的导航雷达信号分选方法
Song et al. Pulse repetition interval modulation recognition using symbolization
CN110988856B (zh) 一种基于密度聚类的目标检测点迹凝聚算法
CN111680737A (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
CN111813222A (zh) 一种基于太赫兹雷达的精细动态手势识别方法
CN112462343A (zh) 一种通过频域变换处理提取雷达信号脉内特征参数的方法
CN113177520B (zh) 一种基于集成学习的智能辐射源识别方法
CN113128584B (zh) 一种多功能雷达脉冲序列的模式级无监督分选方法
CN110542897B (zh) 一种基于希尔排序的距离差分多扩展目标点迹凝聚方法
CN113075637A (zh) 基于脉冲描述字数据压缩的机载pd雷达信号分选方法
CN116381611A (zh) 一种基于区间扩展合并的雷达点迹凝聚方法

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
GR01 Patent grant
GR01 Patent grant