本发明公开了一种参数自适应设置及自动调整的雷达辐射源信号分选方法。该方法首先在特征向量的选取中结合脉冲到达角的同时引入脉内特征——对称Holder系数进行分选，然后方法基于迭代自组织数据分析算法，算法简称为ISODATA，根据特征向量自身的特征，利用搜索直方图峰值统计的方法设置预期类数，同时对ISODATA算法类内各数据分布的标准差的上限和各类中心间最小距离的下限进行初步设定，最后在ISODATA算法运行时对类内各数据分布的标准差的上限和各类中心间最小距离的下限控制设定自适应准则达到准确最终分选的目的，通过这种方式解决信号分选问题。
1.一种参数自适应设置及自动调整的雷达辐射源信号分选方法，其特征在于该方法的步骤如下：①选用雷达辐射源信号脉冲到达角和对称Holder系数构成特征向量，其中脉冲到达角以及信号频谱和三角形信号的对称Holder系数构成搜索直方图峰值统计的特征向量；脉冲到达角以及信号频谱和矩形信号、三角形信号的对称Holder系数构成分选特征向量；
②利用搜索直方图峰值统计的方法确定的预期类数，预期类数为峰值数目的1.5倍；
③预先设置ISODATA算法中的类内各数据分布的标准差的上限θS和各类中心间最小距离的下限θD，具体为首先对样本数据中每一维进行属性归一化：
式中：xij'为归一化后的样本数据，xij为归一化前的样本数据， 为第k维中最大的元素， 为第k维中最小的元素；
由此设置各类中心间最小距离的下限θD的初始值：式中，S为预期类数；
由此设置类内各数据分布的标准差的上限θS的初始值：④根据自适应准则运行ISODATA算法进行分选；
所述的自适应准则，即通过设置类内各数据分布的标准差的上限和各类中心间最小距离的下限的变换准则，达到自动逼近最佳聚类效果的目的，具体为首先计算假设所有样本数据为同一类时的类内距离为设置参数后运行ISODATA算法，
每次聚类的算法结束后，分别计算提取算法结果的类内距离ΘS'和类间距离ΘD'，式中：c'为算法运行产生的分类数，Cp为归类数据的集合，vi为第i类的中心，xn为属于Cp类的数据，vj为与vi不同的类的中心第一次聚类后仅改变θS，设定自适应原则如下
式中：ΔS、ΔD为算法前后连续两次运行结果的类内距离以及类间距离的差值。
2.根据权利要求1所述的雷达辐射源信号分选方法，其特征在于，所述步骤①中的信号频谱具体为：接收到的信号的进行快速傅里叶变换后生成的谱线图。
3.根据权利要求1所述的雷达辐射源信号分选方法，其特征在于，所述步骤①中的三角形信号和矩形信号具体为：选取三角形信号和矩形信号的长度应与信号频谱的长度匹配。
4.根据权利要求1所述的雷达辐射源信号分选方法，其特征在于，所述步骤②中的搜索直方图峰值统计具体为：将一个向量矩阵XN×M中的各个元素在图中用直条的形式描述出来，若向量矩阵的列数为1，得到的直方图就是一个二维图；列数为2，得到的直方图就是一个三维图，进而将直方图推广到向量矩阵列数为M(M≥3)的情况，得到的直方图就是一个M+1的图，进而可以得到区间统计值的直条高度，将每一个划分好区间中统计值与相邻区间进行比较，若该区间的统计值大于其所有相邻区间的统计值，则记该区间为一个峰值区间；最后统计峰值区间的数目即为峰值数目。
一种参数自适应设置及自动调整的雷达辐射源信号分选方法
技术领域
[0001] 本发明涉及一种雷达辐射源信号分选方法。
背景技术
[0002] 随着现代雷达技术的快速发展，尤其是各式新体制雷达的广泛应用，战场电磁环境日益复杂多变，其主要表现为同时同地的辐射源信号严重交错，信号调制形式复杂多样，这使得由基本参数所描述的特征空间边界严重交叠，基于传统五大基本参数的辐射源信号分选基本不能满足实际的需要。
[0003] 脉内特征分析方法为减小特征空间的交叠开辟了新的研究思路，它使得提取新的信号参数以进一步充分表征雷达辐射源信号特征的想法成为现实。
[0004] ISODATA算法的优点在于通过逐步分化的过程可以认识到大部分待分类对象在分类伊始中不太可能显示的本质属性，它是根据样本的差异来自行决定最终的聚类数目，这使得分类更加科学。但是ISODATA算法也有其明显的缺点：传统ISODATA聚类算法参数的预设往往是根据经验设置，而现代战场电磁环境下，雷达辐射源信号种类数量繁多，变幻莫测，根本无法获得先验信息对算法的参数进行准确预设，从而导致聚类的结果差强人意。
[0005] 因此，本发明把脉内特征参数——对称Holder系数补充到分选参数当中，通过自适应调整ISODATA算法的方式，合理地实现雷达辐射源信号的分选。
发明内容
[0006] 为了解决雷达辐射源信号的准确分选问题，本发明公开了一种参数自适应设置及自动调整的雷达辐射源信号分选方法。该方法采用的特征向量是脉冲到达角和对称Holder系数这两个参数，基于迭代自组织数据分析算法，算法简称为ISODATA，首先根据特征向量自身的特征，利用搜索直方图峰值统计的方法设置预期类数，同时对类内各数据分布的标准差的上限和各类中心间最小距离的下限进行初步设定，在算法运行时对类内各数据分布的标准差的上限和各类中心间最小距离的下限控制设定自适应准则，通过这种方式解决信号分选问题。
[0007] 本发明的详细技术措施步骤如下：
[0008] 第一步：特征向量的选取
[0009] 选用雷达辐射源信号脉冲到达角和对称Holder系数构成特征向量。
[0010] (一)雷达辐射源脉冲到达角的提取
[0011] 提取雷达信号脉冲流的脉冲，获取雷达信号脉冲流脉冲描述字中的脉冲到达角。
[0012] (二)对称Holder系数的提取
[0013] 提取雷达信号脉冲流的脉冲，并对提取的信号进行预处理，主要包括对信号频域的转换，带宽和能量的归一化。
[0014] 根据下式，计算脉冲的频谱和矩形信号以及三角形信号的对称Holder系数HU和HT。
[0015] (1)与矩形信号U(k)的对称Holder系数
[0016]
[0017]
[0018] (2)与三角形信号T(k)的对称Holder系数
[0019]
[0020]
[0021] 式中，F(i)为信号的频谱，同时选定p＝5，q＝5。
[0022] 构造特征向量B＝(DOA,HT)和D＝(DOA,HT,HU)，其中B用于搜索直方图峰值统计，D用于最终的辐射源信号分选。
[0023] 第二步：搜索直方图峰值统计的方法来预估聚类的大致数目
[0024] 得到特征向量B后，通过搜索直方图峰值统计的方法设置ISODATA算法的预期类数。
[0025] 记特征向量B＝{Bi}＝{B1,B2,...,BN}(i＝1,2，...,N)，特征向量的维数为2维。
[0026] 划分区间由样本数量决定。设每一维划分区间数为q，
[0027]
[0028] 式中， 表示不超过·的最大整数。
[0029] 记DOAmax，DOAmin，HTmax，HTmin分别为特征向量中DOA和HT的最大值和最小值。
[0030] 则向量DOA维区间宽度DOAΔ和向量HT维区间宽度HTΔ分别为
[0031]
[0032]
[0033] 至此将特征向量B所在的平面区域划分为Q＝q2个小区间，每个小区间可以表示为[0034] {bij＝(DOAi,HTj)|DOAi∈[DOAm,DOAm+1]，HTj∈[HTn,HTn+1]，m，n∈[1，q]} (8)[0035] 式中，DOAm＝DOAmin+(m-1)DOAΔ，HTn＝HTmin+(m-1)HTΔ。
[0036] 然后分别统计落于不同小区间中向量元素的个数，到区间统计值的直条高度。将每一个划分好区间中统计值与相邻区间进行比较，若该区间的统计值大于其所有相邻区间的统计值，则记该区间为一个峰值区间。最后统计峰值区间的数目即为峰值数目S。
[0037] 预设类数设置为直方图峰值的数目即
[0038]
[0039] 式中， 表示超过·的最小整数。
[0040] 第三步：类内各数据分布的标准差的上限和各类中心间最小距离的下限的预先设置
[0041] 得到特征向量D，预先设置类内各数据分布的标准差的上限θS和各类中心间最小距离的下限θD。
[0042] 首先对D中每一维进行属性归一化：
[0043]
[0044] 式中：xij'为归一化后的样本数据，xij为归一化前的样本数据， 为第k维中最大的元素， 为第k维中最小的元素；
[0045]
[0046] 式中：uj为属性归一化样本数据xi'j第j维的中心。
[0047] 继续求取样本数据第j维的分布稀疏性：
[0048]
[0049] λj是样本数据中第j维规范后的标准化偏差。
[0050] 由此设置初始值：
[0051]
[0052] 式中，S为预期类数；
[0053] 然后直接求样本数据自身第j维的方差
[0054]
[0055] 由此设置初始值
[0056]
[0057] 第四步：根据自适应准则运行ISODATA算法进行分选
[0058] 对于整个算法的运行，采用自适应原则，即通过设置类内各数据分布的标准差的上限θS和各类中心间最小距离的下限θD的变换准则，达到自动逼近最佳聚类效果的目的。
[0059] 首先计算假设所有样本数据为同一类时的类内距离
[0060] 设置参数后运行ISODATA算法。
[0061] 每次聚类的算法结束后，分别计算提取结果的类内距离ΘS'和类间距离ΘD'。
[0062]
[0063]
[0064] 式中：c'为算法运行产生的分类数，Cp为归类数据的集合，vi为第i类的中心，xn为属于Cp类的数据，vj为与vi不同的类的中心。
[0065] 第一次聚类后仅改变θS，设定自适应原则如下
[0066]
[0067] 再次运行ISODATA算法
[0068] 并设定自适应的准则如下：
[0069]
[0070]
[0071] 而退出自适应迭代的条件为：
[0072] Δs＝|θs'-θs|＝0 (21)
[0073] ΔD＝|θD'-θD|＝0 (22)
[0074] 式中：ΔS、ΔD为算法前后连续两次运行结果的类内距离以及类间距离的差值。
[0075] 退出自适应迭代后即完成分选，进而统计分选结果。
[0076] 至此，一种参数自适应设置及自动调整的雷达辐射源信号分选方法的整个过程结束。
[0077] 本发明具有如下有益效果：
[0078] ①分选准确率高。本发明中，预期类数设定的相对准确以及自适应准则的设定能够提高准确率，另外，引入对称Holder系数这一脉内特征，大大增加了特征向量的可分性，所以分选效果相对理想。
附图说明
[0079] 图1是基于自适应调整的雷达辐射源信号分选方法的流程图；
[0080] 图2是雷达样本数据的分布图；
[0081] 图3是搜索直方图峰值统计效果图；
[0082] 图4为理想分类图；
[0083] 图5为算法分选效果图。
具体实施方式
[0084] 下面结合附图和实施例对本发明作进一步详细描述。
[0085] 采用图1所示的方法，选取5种不同调制类型的且参数较为接近的雷达辐射源信号进行仿真实验，工作参数变化类型及取值范围如表1所示。
[0086] 表1雷达辐射源信号特征参数表
[0087]
[0088] (1)特征向量的选取
[0089] 对雷达辐射源信号进行特征向量提取，每种类型的雷达产生500个样本数据。
[0090] (2)搜索直方图峰值统计的方法来预估聚类的大致数目
[0091] 根据样本数据数量确定划分数
[0092] 样本数据分布于平面如图2所示，然后经由搜索直方图峰值统计，得到直方图峰值图如图3所示，分析后峰值数目为
[0093] S＝5
[0094] 则预设分类数目
[0095]
[0096] (3)类内各数据分布的标准差的上限和各类中心间最小距离的下限的预先设置[0097]
[0098]
[0099] 继续求取样本数据第j维的分布稀疏性：
[0100]
[0101] 得到
[0102] λ1＝0.2330，λ2＝0.2248，λ3＝0.2596
[0103] 由此设置初始值：
[0104]
[0105] 然后直接求样本数据自身第j维的方差
[0106]
[0107] 得到
[0108] σ1＝1.7908，σ2＝1.9398，σ3＝2.6530
[0109]
[0110] (4)根据自适应原则运行ISODATA算法进行分类
[0111] 1)计算所有样本数据为同一类时的类内距离
[0112]
[0113] 2)设置基本参数
[0114] 每个分类中允许的最少数据个数：θn＝4；
[0115] 迭代时最多可合并的类的对数：L＝2
[0116] 最多允许的迭代运算的次数：I＝70；
[0117] 预期类数：C＝8；
[0118] 类内各数据分布的标准差的上限：θs＝0.35816；
[0119] 不同类中心间最小距离的下限：θD＝1.124。
[0120] 2)运行ISODATA算法
[0121] 得到第一次结果后计算类内距离和类间距离
[0122] Θs＝1067.1
[0123] ΘD＝2.4872
[0124]
[0125] 改变类内各数据分布的标准差的上限后再次运行算法
[0126] Θs＝1067.1
[0127] ΘD＝2.4872
[0128]
[0129]
[0130] 改变参数后再次运行算法
[0131] Θs＝1067.1
[0132] ΘD＝2.4872
[0133] 此时
[0134] Δs＝|θs'-θs|＝0
[0135] ΔD＝|θD'-θD|＝0
[0136] 退出算法，得到分选结果如表2所示。样本数据实际分布如图4所示，方法分类如图5所示，图中不同的标签代表不同的类。
[0137] 表2仿真结果
[0138]
