[發(fā)明專利]基于聚類與SOFM的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911029050.1
• 申請(qǐng)日: 2019-10-28
• 公開（公告）號(hào): CN110751121B
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 傅雄軍;蘇順啟;蔣文;尹先晗;楊婧芳;叢培羽;趙聰霞
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京正陽(yáng)理工知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11639
• 代理人: 王民盛

1.基于聚類與SOFM的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法，其特征在于：包括雷達(dá)信號(hào)預(yù)分選及主分選兩個(gè)階段：

其中，雷達(dá)信號(hào)預(yù)分選即對(duì)雷達(dá)信號(hào)進(jìn)行密度動(dòng)態(tài)聚類處理；雷達(dá)信號(hào)的主分選即構(gòu)建自動(dòng)實(shí)現(xiàn)結(jié)構(gòu)調(diào)整SOFM網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)進(jìn)行分選；

雷達(dá)信號(hào)的預(yù)分選，具體包括如下步驟：

步驟1.1輸入數(shù)據(jù)樣本集D₁，數(shù)據(jù)樣本集D₁中包含N₁個(gè)數(shù)據(jù)樣本，歸一化N₁個(gè)數(shù)據(jù)樣本并計(jì)算歸一化后N₁個(gè)數(shù)據(jù)樣本兩兩間的歐氏距離，得到類合并的臨界距離及計(jì)算密度所用半徑、聚類中心的最小臨界距離；

其中，類合并的臨界距離及計(jì)算密度所用半徑，記為d₁，聚類中心的最小臨界距離，記為d₂，且d₂＞d₁；

參數(shù)d₁需要使得到的鄰域密度的分布盡可能均勻，分布范圍盡可能廣，且介于所有數(shù)據(jù)樣本間歐氏距離的最小值與最大值之間，即min(Dist)≤d₁≤max(Dist)，參數(shù)d₁由下式(1)來(lái)確定：

其中，Dist為計(jì)算所有數(shù)據(jù)樣本間歐氏距離得到的距離矩陣，mean(Dist)為所有數(shù)據(jù)樣本間歐氏距離的平均值；N₁為數(shù)據(jù)樣本的個(gè)數(shù)，coef為鄰域半徑調(diào)節(jié)系數(shù)；

步驟1.2確定初始聚類數(shù)目及初始聚類中心；

步驟1.2.1計(jì)算所有數(shù)據(jù)樣本的密度；

步驟1.2.2將數(shù)據(jù)樣本按照其密度做降序排列，得到N₁個(gè)密度從大到小的數(shù)據(jù)樣本；

步驟1.2.3選擇密度最大的數(shù)據(jù)樣本作為初始聚類中心集的第一個(gè)聚類中心；

步驟1.2.4選擇密度其次大的數(shù)據(jù)樣本，若該數(shù)據(jù)樣本與之前選擇的聚類中心的歐氏距離大于d₂，添加此數(shù)據(jù)樣本進(jìn)入初始聚類中心集；

其中，步驟1.2.4中所述之前是指：在初次循環(huán)時(shí)，為步驟1.2.3中第一個(gè)聚類中心，在后續(xù)循環(huán)執(zhí)行時(shí)，為前面所有循環(huán)中選擇的所有初始聚類中心；

步驟1.2.5循環(huán)執(zhí)行步驟1.2.4，直至選擇出有m個(gè)初始聚類中心的初始聚類中心集C₀，每一個(gè)聚類中心代表一個(gè)類；

步驟1.3計(jì)算剩余的N₁-m個(gè)數(shù)據(jù)樣本與步驟1.2.5得到的m個(gè)初始聚類中心的歐氏距離，將N₁-m個(gè)數(shù)據(jù)樣本分別并入與該數(shù)據(jù)樣本的歐氏距離最小的聚類中心所代表的類，每并入一個(gè)數(shù)據(jù)樣本，計(jì)算該數(shù)據(jù)樣本所在類的所有數(shù)據(jù)樣本的平均值，并以此值代替原來(lái)的聚類中心，得到新的聚類中心集C₁；

步驟1.4設(shè)循環(huán)變量t1＝1；

步驟1.5計(jì)算聚類中心集C_t1中聚類中心兩兩之間的歐氏距離，如果存在兩個(gè)聚類中心之間的歐式距離小于d₁，則這兩個(gè)聚類中心對(duì)應(yīng)的兩個(gè)類合并為一個(gè)類，并計(jì)算合并形成的類中所有數(shù)據(jù)樣本的平均值作為聚類中心，得到新的聚類中心集C_t1+1；

步驟1.6令循環(huán)變量t1＝t1+1；

步驟1.7循環(huán)執(zhí)行步驟1.5至步驟1.6，直至聚類中心集C_t1中聚類中心兩兩之間的歐氏距離間的距離都不小于d₁；

步驟1.8以步驟1.7中形成的每個(gè)聚類中心代表一類，按距離最近原則對(duì)全部N₁個(gè)數(shù)據(jù)樣本重新聚類，直至聚類完成，并記錄聚類完成后的聚類個(gè)數(shù)，記為m'，聚類中心與聚類中心之間的最小歐氏距離，記為d_Th，最小類包含數(shù)據(jù)樣本的個(gè)數(shù)以及最大類包含數(shù)據(jù)樣本的個(gè)數(shù)，分別記為c1_Th和c2_Th；

其中，距離最近原則是指將N₁個(gè)數(shù)據(jù)樣本分別并入與該數(shù)據(jù)樣本的歐氏距離最小的聚類中心所代表的類；

雷達(dá)信號(hào)的主分選階段包括如下步驟：

步驟2.1輸入數(shù)據(jù)將本集D₂，數(shù)據(jù)樣本集D₂中包含N₂個(gè)數(shù)據(jù)樣本；

步驟2.2構(gòu)造初始SOFM網(wǎng)絡(luò)，具體過(guò)程為：

選擇一個(gè)輸出層的輸出神經(jīng)元數(shù)量為M，輸入層的輸入神經(jīng)元數(shù)量為n的SOFM網(wǎng)絡(luò)，分別為每一個(gè)輸出神經(jīng)元i設(shè)定兩個(gè)統(tǒng)計(jì)計(jì)數(shù)器C1(i)和C2(i)，i＝1,2,…,M，并將C1(i)和C2(i)初始化為0；

其中，M為初始SOFM網(wǎng)絡(luò)中輸出神經(jīng)元的數(shù)目，且M＝m'，m'是由步驟1.8確定的，n是輸入的數(shù)據(jù)樣本集D₂中的數(shù)據(jù)樣本的維數(shù)，C1(i)為SOFM網(wǎng)絡(luò)中輸出神經(jīng)元i競(jìng)爭(zhēng)獲勝的次數(shù)，C2(i)為SOFM網(wǎng)絡(luò)中輸出神經(jīng)元i競(jìng)爭(zhēng)獲勝，且輸入數(shù)據(jù)樣本與神經(jīng)元i的歐氏距離大于D_Th的次數(shù)，D_Th為輸出神經(jīng)元之間歐氏距離的最小值，且D_Th＝d_Th，d_Th是由步驟1.8確定的；

步驟2.3對(duì)步驟2.2構(gòu)建的SOFM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如下述步驟2.3.1至步驟2.3.4所示，使該SOFM網(wǎng)絡(luò)達(dá)到一個(gè)有序的映射；

步驟2.3.1初始化網(wǎng)絡(luò)參數(shù)，即隨機(jī)初始化W_ij為[0,1]區(qū)間中的任意值，令循環(huán)變量t＝0，初始化N_g(t)的值為N_g(0)；

其中，W_ij,i＝1,2,...,n,j＝1,2,...,M，W_ij為SOFM網(wǎng)絡(luò)輸出神經(jīng)元的權(quán)值向量，N_g(t)為各個(gè)輸出神經(jīng)元的鄰域半徑，0≤t≤T,T為最大循環(huán)次數(shù)；

步驟2.3.2接收輸入?yún)?shù)，即輸入一個(gè)數(shù)據(jù)樣本X_k＝x_k1,x_k2,…x_kn，k＝1,2,…N₂，并對(duì)其做歸一化處理；

其中，X_k表示第k個(gè)數(shù)據(jù)樣本；x_k1,x_k2,....,x_kn分別表示第k個(gè)數(shù)據(jù)樣本X_k中的第1,第2以及第n個(gè)元素；

步驟2.3.3尋找第t次循環(huán)中獲勝的輸出神經(jīng)元g，具體為：根據(jù)公式(2)計(jì)算輸入數(shù)據(jù)樣本X_k與所有輸出神經(jīng)元之間的歐氏距離，從中選出最小歐氏距離所對(duì)應(yīng)的神經(jīng)元，即為獲勝的神經(jīng)元；

其中，為第t次循環(huán)中歸一化的SOFM網(wǎng)絡(luò)輸出神經(jīng)元的權(quán)值向量，為歸一化的數(shù)據(jù)樣本，|| ||為向量取模運(yùn)算，D_j(t)為第t次循環(huán)中輸入數(shù)據(jù)樣本X_k與所有輸出神經(jīng)元之間歐氏距離的集合，D_g(t)為第t次循環(huán)中最小歐式距離，g為第t次循環(huán)中最小歐氏距離對(duì)應(yīng)的輸出神經(jīng)元，即獲勝神經(jīng)元；

步驟2.3.4根據(jù)公式(3)調(diào)整SOFM網(wǎng)絡(luò)輸出神經(jīng)元的權(quán)值向量，具體為：對(duì)步驟2.3.3中的獲勝輸出神經(jīng)元g的鄰域N_g(t)內(nèi)的所有神經(jīng)元進(jìn)行調(diào)整；

其中，W_j(t)，0≤t≤T，W_j(t)為第t次循環(huán)中SOFM網(wǎng)絡(luò)輸出神經(jīng)元的權(quán)值向量，為歸一化的W_j(t)，η(t)，0≤t≤T，η(t)為學(xué)習(xí)速率因子，是隨著時(shí)間t的遞減函數(shù)，且η(t)∈(0,1)，保證收斂性；

步驟2.4對(duì)所有的輸出層神經(jīng)元進(jìn)行檢測(cè)，如果存在神經(jīng)元滿足步驟2.4.1“生長(zhǎng)”、步驟2.4.2“刪除”以及步驟2.4.3“合并”中的任一情況，則進(jìn)行相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，并修正對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)，具體為：

步驟2.4.1生長(zhǎng)神經(jīng)元：若某一輸出神經(jīng)元i的競(jìng)爭(zhēng)獲勝次數(shù)C2(i)大于輸出層神經(jīng)元競(jìng)爭(zhēng)獲勝的次數(shù)上限C2_Th，則對(duì)神經(jīng)元i進(jìn)行一次生長(zhǎng)，否則跳至步驟2.4.2；

其中，C2_Th為輸出神經(jīng)元競(jìng)爭(zhēng)獲勝的次數(shù)上限，且C2_Th＝c2_Th，c2_Th是由步驟1.8確定的；神經(jīng)元的生長(zhǎng)過(guò)程如下：從神經(jīng)元i周圍位置緊鄰的神經(jīng)元中找出與其權(quán)值之間的歐氏距離最近的神經(jīng)元j，在神經(jīng)元i與j之間生長(zhǎng)出一個(gè)新的神經(jīng)元(M+1)，新神經(jīng)元(M+1)的權(quán)值初始化為下式(4)；

步驟2.4.2合并神經(jīng)元：若在輸出層存在相鄰兩個(gè)神經(jīng)元i和j的權(quán)值之間的歐氏距離小于權(quán)值距離門限D(zhuǎn)_Th，則將神經(jīng)元i和j合并得到一個(gè)新的神經(jīng)元l，否則跳至步驟2.4.3；

其中，神經(jīng)元的合并過(guò)程如下：將神經(jīng)元i和j合并得到一個(gè)新的神經(jīng)元l，把沿從i到j(luò)方向的所有的神經(jīng)元都向i的方向移動(dòng)一個(gè)單元位置，新的神經(jīng)元l的權(quán)值初始化為下式(5)；

步驟2.4.3刪除神經(jīng)元：若某一輸出神經(jīng)元i的競(jìng)爭(zhēng)獲勝次數(shù)C1(i)小于輸出層神經(jīng)元競(jìng)爭(zhēng)獲勝的次數(shù)下限C1_Th，則將該神經(jīng)元i刪除，否則跳至步驟2.5；其中，C1_Th為輸出神經(jīng)元競(jìng)爭(zhēng)獲勝的次數(shù)下限，且C1_Th＝c1_Th，c1_Th是由步驟1.8確定的；神經(jīng)元的合并過(guò)程如下：刪除神經(jīng)元i，即直接刪除神經(jīng)元i的權(quán)值，并將與神經(jīng)元i距離最近的神經(jīng)元j填充神經(jīng)元i的位置，并將由i至j方向上的神經(jīng)元依j→i方向順次移動(dòng)一個(gè)網(wǎng)絡(luò)位置；

步驟2.5令t＝t+1，判斷t是否等于T，若是，跳至步驟2.6，否則，返回步驟2.3.2；

步驟2.6輸出分選結(jié)果，即統(tǒng)計(jì)分選正確率以及SOFM網(wǎng)絡(luò)的自動(dòng)調(diào)整次數(shù)。