【深度】基于数字信道化接收机的聚类分选算法(上)

2022-01-03 15:18:19

今日荐文

今日荐文的作者为西安电子科技大学，专家张勇强，汤建龙。本篇节选自论文《基于数字信道化接收机的聚类分选算法》，发表于《中国电子科学研究院学报》第12卷第2期。本文为论文的第一部分。

摘要：提出了一种适合数字信道化接收机的未知雷达辐射源聚类分选算法。该算法通过对数字信道化接收机产生的脉冲描述字（PDW）流融合预处理，对预处理后的PDW流进行网格密度聚类，获得雷达辐射源的初始分类结果后，利用累计差直方图法（CDIF）最优门限对虚警辐射源进行剔除，再合并处理生成辐射源描述字（EDW）。仿真结果表明，该算法能有效的用于数字信道化接收机的雷达信号分选。

关键词: 雷达信号分选；数字信道化接收机；网格密度聚类

引言

雷达辐射源信号分选是电子侦察处理的关键技术，信号分选的效果直接影响着雷达侦察系统的整体作战效能。随着雷达技术的快速发展，雷达体制趋于多样化、复杂化、综合化，电子对抗所面临的电磁环境越来越复杂。目前雷达辐射源信号分选的准确性、实时性及可靠性均面临着严峻的挑战。

聚类分析实现脉冲序列去交错一直是雷达信号处理的重要方法，是一种无监督的学习方法。通过将数据集中的样本按一定的相似性度量和评价准则进行归并分类，聚类方法可发现数据集的内在组织结构，以便于人们更好地理解数据。

聚类算法一般分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法以及基于模型的方法等。基于网格的聚类算法具有处理速度快，对数据对象的数目和输入顺序不敏感，可以处理任意类型的数据等优点，因此非常适合实时性要求高并且处理数据量大的雷达信号分选。

目前基于网格密度聚类的雷达信号分选存在的主要问题：

（1）网格密度聚类算法数据源是利用设定的辐射源参数按一定的虚警率和漏警率直接生成PDW，未采用实际接收机所产生PDW，缺乏工程应用背景。

（2）由于线性调频信号PDW的复杂性，聚类分选算法并没有将它到考虑其中。针对以上问题，本文提出了一种改进的基于网格密度聚类的分选算法，以数字信道化接收机所产生PDW流为源数据，充分利用载频（RF）、到达时间（TOA）、结束时间（TOE）、能量（E）等特征参数进行聚类，完成未知雷达辐射源的分选。该算法无需人为设定聚类数目，实现自动聚类，对聚类结果准确提取雷达辐射源EDW的各特征参数，算法复杂度低，抗噪声干扰能力强，聚类精度高，适合处理大规模的雷达侦察数据。

1 改进的网格密度聚类分选算法

1.1 数据的融合预处理

单频信号经过数字信道化会使其频谱扩展，会在其频率两侧信道上产生PDW。线性调频信号经过数字信道化会使其频谱所在的多个连续的信道上产生PDW。因此，在聚类之前有必要进行数据融合。融合预处理流程图如图1所示。

图1 融合预处理流程图

其中，时间是否相继，信道是否相邻，均在一定容差范围内满足条件即可。LFM代表线性调频信号。

数字信道化接收机所产生PDW包含{载频（RF）、到达时间（TOA）、结束时间（TOE）、能量（E）}四个特征参数。由于信道特性不理想，对于单载频信号，会出现多信道同时检测，融合准则为：

（1）单信道检测：直接输出PDW。

（2）同时两信道检测：RF进行插值处理，实现对信号频谱谱峰的精确定位，降低测频误差。插值公式：

其中，rf为频率估计值，k₀和k₁为同时检测的两信道，X₀和X₁为各信道对应的的谱峰，f_s为采样率，N为FFT宽度。

对于线性调频信号，多个相邻信道相继检测，相继检测指下一PDW的脉冲前沿时间小于当前PDW的脉冲结束时间，利用该特征合并PDW，记录其最低频率和最高频率。

融合预处理后，PDW格式{RF0、RF1、PW、TOA、FLAG、E}，增加了一维特征参数标志位（FLAG），FLAG=1表示为单载频，FLAG=2表示为LFM。PW为脉冲宽度。RF0和RF1为线性调频信号的起始频率和截止频率，对于单载频信号，RF0=RF1。

1.2 网格密度聚类算法

1.2.1 网格密度结构

给定s维（s表示空间的维数，如二维空间，三维空间）空间S中的一个点，其属性(S₁,S₂...,S_s)都是有界的，设第i维空间的值在区间[l_i,h_i] 中，其中i=1,2,...,s，则 S=[l₁,h₁]*[l₂,h₂]*...*[l_s,h_s]。将空间S的第i维空间平均划分为k_i个长度相等的区间段，每一维都被这样划分，这样空间S被划分为k₁*k₂*...*k_s个网格单元。如果两个网格单元共有边界或者顶点，则称这两个网格为邻居网格。网格密度是落入每个网格单元的数据点的个数。一个网格单元的密度大于或者等于密度阈值（Minpts）时，称该网格单元为高密度网格，否则称为低密度网格。一个聚类是高密度网格单元及其低密度邻居网格的集合。如果一个低密度网格单元的所有邻居都是低密度网格单元或者空白网格，那么该网格中的点为噪声点。

1.2.2 网格划分数k_i和密度阈值Minpts

网格划分决定了网格尺寸，对聚类结果的准确性有重要影响。如果网格的尺寸太大，影响聚类准确性，如果网格的尺寸太小，网格单元数过多，会提高算法复杂度。采用网格划分的方式处理数据本质上是数据压缩，每一维划分数k_i就代表了数据压缩的程度。本文对第i维选择一个固定的分辨率res_i及最小值Min_i和最大值Max_i，则每一维的划分数K_i的选择：

密度阈值的作用是滤除混合在雷达脉冲信号中的噪声，减少噪声干扰。现有的网格聚类算法要求用户输入密度阈值来判定网格是否为高密度单元，密度阈值的不同可能会导致的聚类结果的不同。本文借鉴平均密度思想，计算得到Minpts。

其中，G为生成的网格单元数目，den_i为每个网格单元的网格密度，Max_den为生成的相交网格中的最大网格密度。

1.2.3 网格密度聚类主要步骤

预处理后数据作为待分选数据。对于单载频PDW集，选取特征参数：脉宽PW，载频RF，信道重复周期CRI构成三维待分选数据集S1，S1为若干个格式为{PW，RF，CRI}的单载频型PDW集合；对于线性调频PDW集，选取特征参数：脉宽PW，载频RF0，载频RF1构成三维待分选数据集S2，S2为若干个格式为{PW，RF0，RF1}的线性调频型PDW集合。对PDW集合S1和S2进行网格密度聚类。网格密度聚类算法流程图如图2 所示。