一种自动选择参数的雷达辐射源SVC分选方法

雷达信号分选的容差问题一直是雷达对抗情报处理中的难题,而支持向量聚类法（SVC）是一种能够有效避免容差问题的聚类方法,但现有参数搜索方法不能快速准确地确定SVC最优聚类结构,从而限制了支持向量聚类法的广泛应用。针对这一问题,提出了一种可以自动选择参数的SVC聚类方法。它通过采用一种综合的参数搜索方法,自动选择惩罚因子和核函数宽度两个参数,从而确定最优的聚类结构。仿真实验表明,此方法可在较少的迭代次数下获得最优的聚类结构,提高了雷达信号的分选正确率。     

基于加权SVC和K-Mediods联合聚类的雷达信号分选方法

为了提高复杂体制雷达信号分选的正确率,提出了加权SVC和K-Mediods联合聚类算法,针对雷达参数特点,对SVC算法的核函数内积和K-Mediods算法的欧氏距离进行加权计算,从而避免聚类结果被弱相关的特征所支配.与SVC与K-Means联合聚类算法相比,SVC与K-Mediods联合聚类算法有效降低了"离群点"的影响.结果表明,该算法能够提高复杂体制雷达信号分选的正确率,存在部分"离群点"时分选正确率较高.     

聚类方法在雷达信号分选中的应用

针对参数相近、互相交叠的非常规雷达信号分选所面临的困难,提出一种改进的聚类方法,并将其应用于常规分选方法提取后的剩余雷达信号.通过大量的仿真实验,验证了此分选方法的可行性.     

基于支持向量聚类改进的雷达信号分选方法

在复杂的电磁信号环境下,针对使用支持向量聚类算法进行信号分选时,聚类结果易受核函数参数和惩罚因子的影响,及计算复杂度高和准确率低的问题,提出了一种将支持向量聚类与集对分析相结合的雷达信号分选方法。该方法使用集对分析先对支持向量进行聚类,再用所得的聚类结果对剩余数据进行聚类。仿真结果表明该方法在含有一定数量的噪声信号环境下,能获得较好的分选效果,不仅耗时短,而且还具有较高识别率。     

一种基于改进网格聚类的雷达信号分选算法

将网格聚类算法用于雷达信号分选,针对传统网格聚类算法执行效率不高,聚类精度低等问题,对传统网格聚类算法进行了改进,最后通过仿真实验验证了改进算法有效性和先进性。     

改进的人工鱼群聚类雷达信号分选算法

针对目前复杂多变的雷达电磁信号环境,将人工鱼群聚类算法引入到雷达信号分选中,并将其与传统的K-Means聚类算法相结合进行了改进,对雷达信号分选进行了一种新的探索,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率较高。     

基于改进的蚁群聚类雷达信号分选算法研究

针对新体制、新技术雷达下的雷达侦察接收机,提出一种新的蚁群聚类分析算法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

基于改进K-均值算法的未知雷达信号分选

针对K-均值算法需要事先确定聚类的数目,无法适用于未知雷达信号分选的问题,通过引入脉冲间欧几里德距离和距离阈值TMS2812,完成聚类数目和聚类中心的自动选取,给出一个K-均值的改进算法,改进后的算法既收敛速度快,易于工程化实现,又可自动确定聚类数目和聚类中心。仿真实验表明,该改进算法提高了K-均值算法的适用范围,能够有效适应于未知雷达信号的分选。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

改进的FastICA算法在雷达信号分选中的应用

独立分量分析（ICA）是近几年新出现的一种数据处理方法。对传统的FastICA进行了改进,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分离效果,为雷达信号分选提供了新的思路。     

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。     

基于人工鱼群聚类的雷达信号分选算法

随着科技的不断发展,各种新体制雷达的不断出现,使得电磁环境变得复杂多变,这就对雷达信号的处理提出了新的要求。目前普遍采用的基于直方图统计的信号分选方法已经不能满足当前雷达信号分选的要求。文中将人工鱼群聚类算法引入到雷达信号分选中,并对其进行了改进,对雷达信号分选进行了一种新的探索,该方法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

基于核模糊聚类的雷达信号分选算法

在现代战争中,随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。对核模糊聚类进行了研究分析,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分选效果,为雷达信号分选提供了新的思路。     

基于模糊聚类的雷达信号分选方法

随着新体制、新技术雷达的不断出现，雷达侦察接收机接收到的雷达信号更加密集和复杂，传统的分选方法已不能对其进行有效分选，模糊聚类法能够利用雷达信号的特征参数有效地分选出常规和非常规雷达信号。文中采用了一种新的模糊聚类分析算法一跟踪法，该方法易实现编程，适用于处理大量数据，仿真实验证明分选结果较理想。