無(wú)監(jiān)督聚類(lèi)算法在輻射源信號(hào)分析中的應(yīng)用.pdf

1、雷達(dá)輻射源信號(hào)識(shí)別是衡量雷達(dá)對(duì)抗設(shè)備技術(shù)先進(jìn)程度的重要標(biāo)志，是現(xiàn)代電子對(duì)抗領(lǐng)域急需解決的難題。然而隨著軍事科技的日益發(fā)展，電磁環(huán)境日益復(fù)雜，傳統(tǒng)的一些分類(lèi)識(shí)別方法已不能滿(mǎn)足要求。
　　 無(wú)監(jiān)督學(xué)習(xí)是解決未知雷達(dá)輻射源信號(hào)識(shí)別的有效方法。支持向量聚類(lèi)算法(Support Vector Clustering)是一種基于支持向量機(jī)的無(wú)監(jiān)督聚類(lèi)方法，它對(duì)樣本集進(jìn)行聚類(lèi)分析時(shí)無(wú)需任何先驗(yàn)知識(shí)，可以獲得任意形狀的聚類(lèi)邊界。SVC算法中的核函

2、數(shù)參數(shù)對(duì)聚類(lèi)的形成起著決定性的作用，并影響著聚類(lèi)的邊界和形狀。如何尋找最優(yōu)的核函數(shù)參數(shù)是SVC算法對(duì)輻射源信號(hào)進(jìn)行準(zhǔn)確識(shí)別的關(guān)鍵之一。SVC算法不僅時(shí)間復(fù)雜度高，而且在處理分布復(fù)雜、不均勻樣本時(shí)，識(shí)別率較低。因此本文對(duì)SVC算法性能進(jìn)行分析研究，在實(shí)現(xiàn)對(duì)SVC核函數(shù)參數(shù)尋優(yōu)的同時(shí)降低SVC算法時(shí)間復(fù)雜度，提高其對(duì)分布復(fù)雜、不均勻樣本的識(shí)別率，以實(shí)現(xiàn)對(duì)雷達(dá)輻射源信號(hào)迅速而準(zhǔn)確的識(shí)別。論文的主要工作及研究成果如下：
　　 1.對(duì)無(wú)監(jiān)

3、督聚類(lèi)算法進(jìn)行了討論，著重介紹了K-均值(K-means)和模糊C-均值(FCM)算法，并進(jìn)行了實(shí)驗(yàn)對(duì)比。
　　 2.將SVC應(yīng)用于雷達(dá)輻射源信號(hào)識(shí)別時(shí)，其結(jié)果表明，SVC不僅時(shí)間復(fù)雜度高，而且在處理分布復(fù)雜、不均勻樣本時(shí)，識(shí)別率很低。
　　 3.引入量子進(jìn)化算法(QEA)對(duì)SVC核函數(shù)參數(shù)進(jìn)行優(yōu)化，給出QEA-SVC算法。利用QEA算法尋找核函數(shù)參數(shù)，使SVC算法對(duì)數(shù)據(jù)樣本分類(lèi)時(shí)得到比較滿(mǎn)意的聚類(lèi)分布。對(duì)算例樣本、ir

4、is數(shù)據(jù)集和雷達(dá)輻射源信號(hào)進(jìn)行聚類(lèi)分析的實(shí)驗(yàn)結(jié)果表明，QEA-SVC算法對(duì)SVC核函數(shù)參數(shù)的尋優(yōu)是有效的。
　　 4.結(jié)合模糊C-均值聚類(lèi)算法和SVC算法的優(yōu)點(diǎn)，給出FC-SVC算法。首先利用模糊C-均值聚類(lèi)算法對(duì)數(shù)據(jù)樣本進(jìn)行初步的線性劃分，將原數(shù)據(jù)樣本劃分為若干個(gè)子樣本。再將這些子樣本分別映射到高維特征空間，用SVC方法去處理非線性問(wèn)題。將此算法用于對(duì)算例樣本和雷達(dá)輻射源信號(hào)樣本的分類(lèi)和識(shí)別，通過(guò)實(shí)驗(yàn)分析可知，此方法能在降低計(jì)