顾军华 田 喆 苏 鸣 张亚娟

(河北工业大学人工智能与数据科学学院 天津 300401)(河北省大数据计算重点实验室 天津 300401)

0 引 言

雷达分选是雷达信号处理中的重要一环，只有从交叠的雷达数据中分解出每个雷达的数据，才能对雷达数据进行准确分析，因此雷达分选的准确性直接影响了雷达的性能。随着雷达的广泛应用，雷达所处的电磁环境日益复杂[1]，单纯依靠脉冲重复周期(PRI)的分选系统已经无法满足人们对雷达分选准确度的需求。近年来，有学者提出基于聚类的雷达分选系统[2]，这类方法无须先验信息，可以处理严重重叠的雷达数据。针对雷达分选系统的实时性要求，实际应用中常采用数据流聚类算法进行分选。

CluStream算法是最早出现的数据流聚类算法，该算法包含在线和离线两个阶段，这种高效的框架成为了数据流聚类的主流框架。CluStream算法存在只能发掘球状类、不能识别噪声点等问题，为了解决上述问题，提出基于网格的数据流聚类算法(D-Stream算法)，该算法通过将数据点映射到网格，提升了算法效率。此后，出现了大量对D-Stream算法的改进[3]，其中ExCC算法[4]按照每个维度的特性分配各个维度的粒度来划分网格，并且在线阶段考虑了数据流流速，具有很好的效率。但是上述基于网格的数据流聚类算法，存在着容易丢失聚类的边界和容易将距离较近类合并的问题。

针对上述两个问题，本文提出了基于网格密度峰值的数据流聚类算法(GDP-Stream)。该算法首先于在线阶段采用一种新的双重网格划分方式来建立概要数据结构，极大地减少了聚类边界丢失的概率。……