王易丽,杨宇明

(电子科技大学 数学科学学院,成都 611731)

0 引 言

雷达信号分选是指从随机交叠的脉冲流中分离出每一部雷达脉冲列的过程。分选是雷达信号处理的第一步,是后续工作如融合、定位等处理的重要基础,也是雷达工作模式识别和态势分析最重要的步骤。准确地分离雷达信号对电子情报系统具有极大的指导作用,能为电子战提供重要的情报信息。

比较典型的雷达信号脉间参数分选方法由预分选加主分选构成。预分选是基于脉冲描述字(Pulse Description Word,PDW)的多参数分选方法,起到初步实现信号去交错、降低信号密度的作用,然后再根据脉冲重复间隔(Pulse Repetition Interval,PRI)的交错进行主分选。传统预分选算法一般采用小盒算法[1],但面对日益复杂的电磁环境,小盒算法中容差参数选取变得困难,制约着分选效率。

随着机器学习的发展,无监督学习中聚类方法在预分选方法中得到了有效应用。最常见的是K-均值算法,因其计算速度快和实现简单,在信号分选中应用广泛。文献[2-4]针对聚类数和初始聚类中心进行改进,文献[5]通过对模糊C均值算法对阈值进行改进提高了分选效果,但模糊C均值和K-均值算法在分布不均的数据集上聚类效果均不好。基于密度的DBSCAN算法[6-7]有处理不规则数据集的优势,但仍受阈值参数设置的限制。基于图论的聚类算法能有效识别形状复杂簇,但遇到大规模数据,计算效率不高[8],并且预先设定的聚类数对分选效果有着直接影响。

为了克服上述缺陷,本文在基于地标稀疏表示的谱聚类基础上,联合数据场理论和网格密度划分算法,提出一种新的雷达信号预分选算法。……