[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(kāi)（公告）號(hào): CN110751121B
• 公開(kāi)（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

本發(fā)明涉及基于聚類與SOFM的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法，屬于深度學(xué)習(xí)以及雷達(dá)信號(hào)分選技術(shù)領(lǐng)域。所述雷達(dá)信號(hào)分選方法將密度動(dòng)態(tài)聚類與能夠自動(dòng)實(shí)現(xiàn)結(jié)構(gòu)調(diào)整的SOFM神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)造一種密度聚類與SOFM結(jié)合的無(wú)需預(yù)置參數(shù)的無(wú)監(jiān)督雷達(dá)信號(hào)分選；具體為：首先，對(duì)雷達(dá)信號(hào)進(jìn)行密度動(dòng)態(tài)聚類做預(yù)分選處理，得到主分選階段所需要的相關(guān)參數(shù)；其次，用預(yù)分選得到的相關(guān)參數(shù)構(gòu)建能自動(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)做主分選處理，得到最終分選結(jié)果。所述雷達(dá)信號(hào)分選方法無(wú)需預(yù)置初值，實(shí)現(xiàn)雷達(dá)信號(hào)無(wú)監(jiān)督分選，提高雷達(dá)信號(hào)分選的正確率且對(duì)于有參數(shù)重疊的雷達(dá)信號(hào)有較好的處理效果。

技術(shù)領(lǐng)域

本發(fā)明涉及基于聚類與SOFM的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法，屬于深度學(xué)習(xí)以及雷達(dá)信號(hào)分選技術(shù)領(lǐng)域。

背景技術(shù)

雷達(dá)信號(hào)分選是電子戰(zhàn)的關(guān)鍵技術(shù)。現(xiàn)代雷達(dá)偵察系統(tǒng)所面臨的環(huán)境日益復(fù)雜，雷達(dá)信號(hào)的密度增長(zhǎng)，參數(shù)交疊日趨嚴(yán)重，雷達(dá)偵察系統(tǒng)實(shí)時(shí)信號(hào)處理面臨著嚴(yán)峻的挑戰(zhàn)。K-means聚類有簡(jiǎn)單、快速、實(shí)用性好等優(yōu)點(diǎn)，SOFM神經(jīng)網(wǎng)絡(luò)有自組織學(xué)習(xí)特性，適用于高維數(shù)據(jù)聚類等優(yōu)點(diǎn)，都是雷達(dá)信號(hào)分選常用的方法。

雖然這兩種方法都是經(jīng)典的信號(hào)分選方法，但是都有一定的不足：(1)傳統(tǒng)K-means聚類需要事先確定集群數(shù)量，初始聚類中心也需要隨機(jī)選擇，容易陷入局部最優(yōu)解導(dǎo)致聚類結(jié)果不確定，精度不高等問(wèn)題；(2)SOFM神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)規(guī)模難確定，存在多個(gè)類別的樣本可能會(huì)映射到同一輸出神經(jīng)元和一些不對(duì)任何模式興奮的神經(jīng)元的情況，不僅會(huì)浪費(fèi)計(jì)算資源而且對(duì)分選的正確率有很大的影響。(3)對(duì)于存在參數(shù)交疊的雷達(dá)信號(hào)，以上兩種方法的分選正確率均不高。

針對(duì)傳統(tǒng)方法的不足，很多學(xué)者進(jìn)行了研究。有人采用關(guān)系矩陣和維度中心性選擇K個(gè)初始聚類中心，以此來(lái)改進(jìn)傳統(tǒng)K-means聚類，取得了一定的效果。還有人提出了一種SOFM網(wǎng)絡(luò)的二階段聚類法，在一定程度上提高聚類的準(zhǔn)確性。但是它需要兩次聚類。也有一些學(xué)者用K-means與其他神經(jīng)網(wǎng)絡(luò)結(jié)合使用來(lái)進(jìn)行信號(hào)分選。其中比較成功地做法是利用傳統(tǒng)的K-means改進(jìn)徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)進(jìn)行分類識(shí)別,能達(dá)到減小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)對(duì)雷達(dá)信號(hào)有效識(shí)別的效果但需要大規(guī)模的計(jì)算。

本發(fā)明致力于將密度動(dòng)態(tài)聚類與能夠自動(dòng)實(shí)現(xiàn)結(jié)構(gòu)調(diào)整的SOFM神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)造一種密度聚類與SOFM結(jié)合的無(wú)需預(yù)置參數(shù)的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法。實(shí)驗(yàn)證明，該方法在保證相當(dāng)高的正確率的條件下相對(duì)于減小計(jì)算規(guī)模，并對(duì)雷達(dá)參數(shù)交疊情況有較好的分選效果。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決傳統(tǒng)K-means聚類和SOFM神經(jīng)網(wǎng)絡(luò)用于雷達(dá)信號(hào)分選時(shí)預(yù)置參數(shù)對(duì)分選正確率影響較大，容易陷入局部最優(yōu)，網(wǎng)絡(luò)結(jié)構(gòu)固定，以及無(wú)法分選有參數(shù)交疊雷達(dá)信號(hào)的技術(shù)現(xiàn)狀，提出基于聚類與SOFM的無(wú)監(jiān)督雷達(dá)信號(hào)分選方法。

本發(fā)明的目的是通過(guò)下述技術(shù)方案實(shí)現(xiàn)的。

本發(fā)明所述雷達(dá)信號(hào)分選方法包括雷達(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；