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与流程

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
技术领域
1.本发明涉及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，是一种将一种雷达的不同调制模式分选为不同的雷达，即“增批”问题的解决方法，是属于雷达信号分选领域。


背景技术：

2.现代电子战场上，多模雷达已成为主要雷达，具有多种工作方式和复杂的调制波形。截获的多模雷达信号往往很难分选，因此短时间内很容易将一种雷达不同的工作模式分选为不同的雷达。这对后续雷达信号的识别造成了很大的困扰，从而直接影响了电子战的效果。因此，如何对多模雷达信号进行快速准确的分选一直以来是电子战领域一个非常重要的问题。
3.针对这一问题，近年来常用的方法是在脉内和脉间提取各种特征，基于这些特征对信号进行分选。在利用脉间参数分选方面，主要的特征包括脉冲描述字(pulse deion word，pdw)和脉冲重复间隔(pulse repetition interval，pri)。在分类方法上，主要包括聚类、卷积神经网络和支持向量机(support vector machine，svm)等。以上这些方法可以在低信噪比下实现多模雷达信号的分选。但是在分选过程中，普遍缺少对分选结果的评判过程。因此在短时间内不可避免的会出现将一种雷达的不同调制模式分选为多部雷达的问题。


技术实现要素：

4.本技术发明针对多模雷达信号分选的“增批”问题，提出基于势距图联合pca与改进云模型方法。本发明首先利用势距图对雷达信号进行预分选，信号数据点被聚类成不同的数据簇，再利用pca进行主特征提取和构建，最后对云模型理论进行改进，计算数据簇与数据簇之间的隶属度关系，解决多模雷达信号分选的“增批”问题。
5.本发明的目的是这样实现的，步骤如下：
6.步骤一：构建数据场，利用数据场对密度峰值聚类算法进行改进，解决聚类算法中截断距离r需要人工经验设定的问题；
7.步骤二：利用势能值剔除干扰点；
8.步骤三：利用势距图选择出聚类中心，进而完成雷达信号预分选；
9.步骤四：利用主成分分析(pca)提取主要特征，从而构建出新特征f；
10.步骤五：基于新特征f利用改进的云模型理论分析数据簇与数据簇之间的隶属度关系，解决多模雷达信号分选的“增批”问题。
11.本发明还包括这样一些结构特征：
12.1.步骤一具体为：
13.形成数据场的函数模型如下所示：
[0014][0015]
其中，代表第i个数据在位置x中的势能值；代表位置x处的势能值；m
i
代表每个数据的质量；假定每个数据质量相等，且满足数据质量和为1；σ代表数据场的影响因子。
[0016]
数据场的势能函数和高斯核函数非常相似，只不过前面多了一个数据质量的概念。势能函数中影响因子σ的位置便是密度峰值聚类算法中截断距离r的位置。只要找到一种σ的方法，再通过分析r和σ的关系，那么便确定了r的大小，从而解决r需要人工经验判定的问题。在σ的选择问题上，目前应用最广泛的是求势熵关于影响因子σ的一元函数的最小值，此时求得的σ对应的数据场稳定性最高。具体如下所示：
[0017][0018]
其中，为标准化因子；为每个点处的势能值。
[0019]
通过上式可以找到最佳σ，下面分析σ和r的关系。数据场中场函数的形式为exp(
‑
||x
‑
x
i
||/σ)
k
，当k＝2时，即为高斯核函数形式。根据高斯核函数的“3σ”性质，当函数表现如下式所示时，数值分布在(μ
‑
3σ，μ 3σ)范围内的数据占总数据的99.74％。因此可以判定数据场的势能函数的有效相互作用力的范围为因此，具体截断距离r如下所示：
[0020][0021][0022]
在确定r后，将r带入到形成数据场的函数模型中σ的位置便得到每个点的势能值。
[0023]
2.步骤二具体为：
[0024]
利用数据点势能值将干扰点剔除。干扰点周围由于没有数据，因此势能值相比于数据密集处的势能值低很多。将每个数据点的势能值由大到小排序，干扰点的势能值总是排在最后，且相比于数据密集处的势能值有较大落差。通过比较两个数据势能值之间比值k的变化，在k较大处及之后数据点便是数据干扰点，这样便可以完成离散干扰点的剔除。具体定义如下所示：
[0025][0026]
3.步骤三具体为：
[0027]
在剔除干扰点并获得各个数据点的势能值之后，便可以根据势能值的大小来定义每个数据点的距离属性。在数据集(x1,x2,
…
x
k
)中，数据点的距离定义为比x
i
势能大的点到x
i
距离的最小值；如果点x
i
是数据集中势能最大的点，该点的距离属性定义为数据集中其它点x
j
(j≠i)到x
i
距离的最大值。具体见下式所示：
[0028][0029]
其中，代表雷达信号数据点的势能值；d
ij
代表两个脉冲数据点的距离；d
j
代表第j个数据的距离属性。
[0030]
在定义了距离属性后，为了消除势能和距离两个属性量纲的影响，需要首先进行归一化处理，以便在同一个数量级形成势距图。本文以势能为横坐标，距离为纵坐标来构建势距图，从而自动选出聚类中心。在势距图中，势能和距离都比较大的点会脱离其它点成为聚类中心，从而完成聚类中心的选择。在获取雷达信号样本数据簇的中心点之后，通过计算其他数据点到中心点的欧式距离，将剩余的数据点划分到距离最近的中心点，便完成了最后的预分选。
[0031]
4.步骤四具体为：
[0032]
在预分选后，将各个类的三维特征参数doa、pw和rf导入spss作pca分析，抽取特征值采用默认设置λ＞1得到成分矩阵和解释的总方差。由于脉间参数特征只有3个，因此利用pca降维后提取的新特征只有1个或者2个。在得到成分矩阵和解释的总方差矩阵后，便可以计算出下式的系数得到主成分f1和f2，f1和f2之间互不相关。下式的系数为成分矩阵中的数据除以主成分相对应的特征值开平方根。主成分相对应的特征值可以从解释的总方差表中得到，之后便构造出了最后的新特征f。f表了脉间特征参数的绝大多数有用信息。经过pca降维后降低了后续的计算量，为随后利用改进云模型理论进行隶属度判别，建立统一的阈值参数打下了基础。
[0033]
f1＝k
11
x
pw
k
12
x
rf
k
13
x
doa f2＝k
21
x
pw
k
22
x
rf
k
23
x
doa
[0034][0035]
5.步骤五具体为：
[0036]
首先获取预分选完成后各个数据簇的期望(expectation，ex)、熵(entropy，en)和类超熵(similar hyper entropy，se)，如下式所示：
[0037][0038][0039]
其中其中，x
pq
表示第p个类簇中的第q个参数样本；s为数据簇总数；l为第p个类簇中的云滴总数(p＝1,2,
…
,s；q＝1,2,
…
,l)。
[0040]
在计算出数据簇的(ex,en,se)之后，依据正向云发生器工作原理，以en为均值，se2为方差，在新参数特征维度上生成随机数r之后，定义某个样本对某一数据簇的隶属度如下式所示。在获得了单个样本对某一数据簇隶属度后，便可以计算整个数据簇对某一数
据簇的隶属度。基于新特征f对数据簇的隶属度进行t次计算，然后求取均值，具体如下所示：
[0041]
其中r＝norm(en,se2)
[0042][0043]
在利用改进的云模型获得了数据簇与数据簇之间的隶属度关系后，创建的分类评价标准如下所示：
[0044]
(1)基于新特征f取各个数据簇的数字特征ex、en、se；
[0045]
(2)设置隶属度门限μ；
[0046]
(3)如果两类数据簇之间的隶属度均值则判定两类雷达信号数据属于同一部雷达的不同工作模式，反之，则判定两类雷达信号数据属于不同的雷达。
[0047]
与现有技术相比，本发明的有益效果是：本发明的核心技术内容在于：根据多模雷达信号发射的特点，发明了一种基于势距图的雷达信号预分选方法，该方法可以提高多模雷达信号预分选的准确率和效率；再利用主成分分析(pca)提取预分选后的主要特征，利用改进的云模型理论基于提取的主特征进行数据簇与数据簇之间的隶属度分析，来解决多模雷达信号分选的“增批”问题。
[0048]
本发明申请的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能够有效提高多模雷达信号分选的正确率，提高分选效率，可以较好的解决多模雷达信号分选的“增批”问题。本发明适用于较为复杂电磁环境下多模雷达信号的分选情况。
[0049]
本发明主要研究了多模雷达信号分选中“增批”问题的解决方法，所述方法包括：基于数据场来解决密度峰值聚类算法中截断距离需要人工经验设定的问题，进而构建出二维势距图选择出聚类中心，从而完成多模雷达信号预分选。其次，利用pca进行主特征提取来降低后续的计算量。在获得主特征后，利用改进的云模型理论基于主特征来分析数据簇与数据簇之间的隶属度关系，解决了多模雷达信号分选中的“增批”问题。本技术方法能够提高多模雷达信号分选的准确率，分选效果相比于其他算法更加稳定成熟，具备更好的分选效果。
附图说明
[0050]
图1是基于势距图联合pca与改进云模型的雷达信号分选方法原理框图；
[0051]
图2是多模雷达信号的三维分布图；
[0052]
图3是势熵随影响因子的变换曲线图；
[0053]
图4是剔除数据干扰点的示意图；
[0054]
图5是最终形成的势距图选择聚类中心的示意图；
[0055]
图6是设置的多模雷达信号的分选结果。
具体实施方式
[0056]
下面结合附图与具体实施方式对本发明作进一步详细描述。
[0057]
本发明的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，具体包括：
[0058]
(1.1)为了对多模式雷达信号更好的分选，提出了一种基于势距图的雷达信号预分选算法，以提高分选的准确率，降低算法复杂度；
[0059]
(1.2)运用pca与改进云模型对预分选后的雷达信号进行隶属度分析，实现多模雷达信号的分选。
[0060]
所述方法特征(1.1)包括：
[0061]
(2.1)假设有4部雷达，包括两部综合体制雷达和两部单一体制雷达。两部综合体制雷达都具有3种工作模式。4部雷达一共有8种模式的数据簇。提取的特征维度包括到达角(doa)、载频(rf)、脉宽(pw),首先对雷达信号数据点的三个特征参数进行归一化处理，归一化方法如下所示：
[0062][0063]
将雷达信号的范围归一化到
‑
1到 1后，按照如下公式求最佳的影响因子σ，即求势熵h关于影响因子σ的最小值，此时对应的σ便是最佳影响因子。
[0064]
其中
[0065]
在确定了影响因子σ后，便可以计算得出确定截断距离r，从而得到每个数据点的势能值，其中：
[0066][0067]
此时，每个数据点的势能值如下所示：
[0068][0069]
依据上式便获得了数据点的势能值，该势能值属性可以代表数据点密度的大小，势能值体现了数据场中数据点相互作用，相互联系的影响，可以很好的反应数据点的密集程度。
[0070]
(2.2)由于在实际工程应用中，截获的雷达脉冲参数往往会受到噪声、干扰和其它因素的影响，这就不可避免的会出现一些脱离数据集群的单个的干扰点。在获得了数据点的势能值后，就可以依据势能值对干扰点进行剔除。单个干扰点周围由于没有数据，因此势能值相比于数据较密集处的势能值低很多。将每个数据点的势能值由大到小排序后，单个数据点的势能值总是排在最后，且相比于数据密集处的势能值有较大落差。通过比较两个数据势能值之间比值k的变化，在k较大处及之后数据点便是数据干扰点。具体如下所示：
[0071][0072]
剔除干扰点后为后续的分类降低了一些难度，有利于多模雷达信号的分选。
[0073]
(2.3)在剔除了干扰点后，根据势能值的大小来定义每个数据点的距离属性。具体为在数据集(x1,x2,
…
x
k
)，每个数据点的距离定义为所有比势能大的点x
i
距离的最小值；如果点x
i
是数据集中势能最大的点，该点的距离属性定义为数据集中其它点x
j
(j≠i)到x
i
距
离的最大值，公式表示如下所示：
[0074][0075]
在确定了数据点的距离属性后，对势能和距离两个属性值进行归一化处理，以便在同一个数量级形成势距图。具体方法如下所示：
[0076][0077]
在势距图中，势能和距离两个要素都比较大的点会脱离其它点独立出来成为聚类中心。而只有较大的势能或者较大的距离则不能成为聚类中心。
[0078]
(2.4)在获取雷达信号样本数据簇的中心点之后，通过计算其他数据点到中心点的欧式距离，将剩余的数据点划分到距离最近的中心点，便完成了最后的雷达信号的预分选。
[0079]
所述方法特征(1.2)包括：
[0080]
(3.1)在基于势距图得到预分选结果后，将各个类的三维特征参数doa、pw和rf导入spss作主成分分析，抽取特征值采用默认设置λ＞1，得到成分矩阵和解释的总方差。由于脉间参数特征只有3个，因此利用pca降维后提取的新特征只有1个或者2个。具体如下所示：
[0081]
f1＝k
11
x
pw
k
12
x
rf
k
13
x
doa
[0082]
f2＝k
21
x
pw
k
22
x
rf
k
23
x
doa
[0083][0084]
上式中，f1和f2中的系数为成分矩阵中的数据除以主成分相对应的特征值开平方根，主成分相对应的特征值可以从spss分析出的解释的总方差表中得到。f代表了原始脉间特征参数的绝大多数有用信息，因此可以代表原始聚类结果进行后续类与类的判别。
[0085]
(3.2)在基于预分选结果获取了雷达信号数据簇的新特征f后，通过代表各个数据簇绝大多数有效信息的新特征获取各个数据簇的期望(expectation，ex)、熵(entropy，en)和类超熵(similar hyper entropy，se)，如下式所示：
[0086][0087][0088]
其中
[0089]
在计算出数据簇的(ex,en,se)之后，依据正向云发生器工作原理，以en为均值，se2为方差，在新参数特征维度上生成随机数r之后，定义某个样本对某一数据簇的隶属度如下式所示。在获得了单个样本对某一数据簇隶属度后，便可以计算整个数据簇对某一数
据簇的隶属度。基于新特征f对数据簇的隶属度进行t次计算，然后求取均值，具体如下所示：
[0090]
其中r＝norm(en,se2)
[0091][0092]
这样便依据pca提取的新特征f获得了数据簇之间的隶属度隶属度反应了数据簇之间的相似性程度，同一部雷达不同模式数据簇之间相似性程度肯定高，不同雷达的数据簇之间相似程度肯定差。依据上述改进云模型理论便可以获得雷达信号不同数据簇之间的隶属度关系。
[0093]
(3.3)在获得了雷达信号不同数据簇之间的隶属度后，需要设置合适的隶属度门限值μ来区分雷达信号数据簇是否属于同一部雷达的数据。根据云模型的3en规则，位于[ex
‑
3e
n
,ex 3e
n
]之外的数据属于小概率事件。而位于[ex
‑
e
n
,ex e
n
]区间的“基本元素”的贡献占总贡献的最大。由于同一雷达辐射源的不同调制模式之间具有较强的相似性，会位于另外一个调制模式形成的数据簇的“基本元素”内。因此设置x＝ex en为新特征维度上的基准参数，具体隶属度门限设置如下所示：
[0094][0095]
(3.4)在确定了隶属度门限值μ后，创建最后的分类评价标准如下所示：
[0096]
(1)基于新特征f获取各个数据簇的数字特征ex、en、se。
[0097]
(2)设置隶属度判别门限μ。
[0098]
(3)如果则判定两类雷达信号数据属于同一部雷达的不同工作模式。
[0099]
(4)如果则判定两类雷达信号数据属于不同的雷达。
[0100]
为更加清晰的说明所申请方法，本技术实施例通过仿真实验进行流程说明以及效果展示，但不限制本技术实施例的范围。实验条件为：4部雷达，包括两部综合体制雷达和两部单一体制雷达。两部综合体制雷达都具有3种工作模式。在仿真过程过，为了模拟随机噪声、干扰等其他外部因素的影响，加入了一定数量的干扰点。
[0101]
图1是本发明所述方法的总的原理框图，该方法包括：
[0102]
s110提取雷达信号的doa、pw、rf，雷达信号参数特征的三维分布图如图2所示。确定形成数据场的场函数模式如下所示：
[0103][0104]
其中，代表第i个数据在位置x中的势能值；代表位置x处的势能值；m
i
代表每个数据的质量；假定每个数据质量相等，且满足数据质量和为1；σ代表数据场的影响因子。
[0105]
s111在影响因子的选择问题上，目前应用最广泛的是求势熵关于影响因子σ的一元函数的最小值，此时势熵h最小时对应的σ构成的数据场稳定性最高。具体如下所示：
[0106][0107]
其中，为标准化因子；为每个点处的势能值。
[0108]
s112在确定了σ后，分析σ和r的关系。数据场中场函数的形式为exp(
‑
||x
‑
x
i
||/σ)
k
，当k＝2时，即为高斯核函数形式。根据高斯核函数的“3σ”性质，当函数表现如下式所示时，数值分布在(μ
‑
3σ，μ 3σ)范围内的数据占总数据的99.74％。可以判定数据场的势能函数的有效相互作用力的范围为因此，具体截断距离r如下所示：
[0109][0110][0111]
在确定r后，将r带入到形成数据场的函数模型中σ的位置便得到每个点的势能值。最终数据点的势能属性便如下式所示：
[0112]
其中
[0113]
这样便获得了数据点的势能值。
[0114]
s120在获得数据点的势能值后，依据势能值对干扰点进行剔除。单个干扰点周围由于没有数据，因此势能值相比于数据较密集处的势能值低很多。将每个数据点的势能值由大到小排序后，单个数据点的势能值总是排在最后，且相比于数据密集处的势能值有较大落差。通过比较两个数据势能值之间比值k的变化，在k较大处及之后数据点便是数据干扰点。具体如下所示：
[0115][0116]
s130依据获取的数据点的势能值按照以下公式获取数据点的距离属性：
[0117][0118]
其中，代表雷达信号数据点的势能值；d
ij
代表两个脉冲数据点的距离；d
j
代表第j个数据的距离属性。
[0119]
这样便获得了数据点的距离属性，然后对数据点的势能和距离按照下式所示做归一化处理。
[0120][0121]
在势距图中，势能和距离两个要素都比较大的点会脱离其它点独立出来成为聚类中心。而只有较大的势能或者较大的距离则不能成为聚类中心。
[0122]
s140将各个类的三维特征参数doa、pw和rf导入spss作主成分分析，抽取特征值采用默认设置λ＞1，得到成分矩阵和解释的总方差。由于脉间参数特征只有3个，因此利用pca降维后提取的新特征只有1个或者2个。具体如下所示：
[0123]
f1＝k
11
x
pw
k
12
x
rf
k
13
x
doa
[0124]
f2＝k
21
x
pw
k
22
x
rf
k
23
x
doa
[0125][0126]
上式中，f1和f2中的系数为成分矩阵中的数据除以主成分相对应的特征值开平方根，主成分相对应的特征值可以从spss分析出的解释的总方差表中得到。这样便获取了最后的新特征f。
[0127]
s141基于新特征f获取各个数据簇的期望(expectation，ex)、熵(entropy，en)和类超熵(similar hyper entropy，se)，如下式所示：
[0128][0129][0130]
其中其中，x
pq
表示第p个类簇中的第q个参数样本；s为数据簇总数；l为第p个类簇中的云滴总数(p＝1,2,
…
,s；q＝1,2,
…
,l)。
[0131]
s142在计算出数据簇的(ex,en,se)之后，依据正向云发生器工作原理，以en为均值，se2为方差，在新参数特征维度上生成随机数r之后，定义某个样本对某一数据簇的隶属度如下式所示。在获得了单个样本对某一数据簇隶属度后，便可以计算整个数据簇对某一数据簇的隶属度。基于新特征f对数据簇的隶属度进行t次计算，然后求取均值，具体如下所示：
[0132]
其中r＝norm(en,se2)
[0133][0134]
s143在获得了数据簇之间的隶属度后，创建最后的分类评价标准如下所示：
[0135]
(1)基于新特征f获取各个数据簇的数字特征ex、en、se。
[0136]
(2)设置隶属度判别门限μ。
[0137]
(3)如果则判定两类雷达信号数据属于同一部雷达的不同工作模式。
[0138]
(4)如果则判定两类雷达信号数据属于不同的雷达。
[0139]
其中，隶属度判别门限μ如下所示：
[0140]
[0141]
图2为设置的雷达信号样本分布图。图3为势熵随影响因子的变化曲线，由图可知：在势熵最小时，对应的影响因子σ为0.06，此时计算的截断距离r＝0.127。图4为剔除干扰点的示例图，设定的干扰点剔除界限为1.5。图5为最终形成的势距图，由图可以看出雷达信号被分成了8个数据簇。图6为最终的多模雷达信号分选结果。可以发现本发明所提方法对于多模式雷达具有良好的分选效果，所以本发明方法能够保证在较为复杂的环境下实现多模雷达信号的正确分选，解决多模雷达信号的“增批”问题。
[0142]
综上，本发明主要研究了多模雷达信号分选中“增批”问题的解决方法，即将一种雷达的不同调制模式分选为多部雷达的问题。本实施例的方法能够根据多模雷达信号的分布特点，提出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。所申请方法通过利用势距图完成雷达信号的预分选，利用pca提取雷达信号的主特征，基于改进的云模型理论对预分选后的数据簇之间的隶属度进行计算进而完成多模雷达信号的分选。所申请方法可以提高多模雷达信号的分选准确率，解决多模雷达信号分选中存在的“增批”问题，并在一定程度上提高了多模雷达信号分选的效率。
[0143]
本领域技术人员可以理解，在本技术具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本技术具体实施方式的实施过程构成任何限定。
[0144]
最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。