一种基于网格划分的数据场联合决策图聚类方法与流程

本发明涉及雷达信号分选领域，具体涉及一种基于网格划分的数据场联合决策图聚类方法。

背景技术：

1、本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

2、电子侦察是电子战的重要组成部分，随着雷达体制的丰富和信号调制样式的多样化，电子侦察所面临的电磁环境日益复杂。如何在复杂多变的电磁环境中有效，精准且快速地对雷达脉冲信号进行分选，则成为了当今雷达信号分选的重点与难点。聚类算法作为雷达信号分选的重要一环，其聚类中心及聚类个数估计精度直接影响到后续分选结果。然而随着雷达脉冲数的急速增加，人们对信号侦查实时性要求的不断提高，使得寻找一种既快速且能自主确定聚类中心个数的聚类方法成为必须。

3、适用于雷达信号分选的聚类算法主要有：基于参数匹配的聚类算法、基于随机搜索的聚类算法、基于数据场聚类算法等；其中，基于参数匹配的聚类算法实现简单，但对参数估计精度有较高要求且可用于分选的参数较少，另外分选误差会逐级累积；基于随机搜索的聚类算法对小数据集合非常有效，但对大的数据集合没有良好的可伸缩性；基于数据场聚类的分选算法，在复杂电磁环境下具有较好的分选结果，但对影响因子的确定需要多次迭代，运算消耗量大。

技术实现思路

1、本发明的目的在于：针对目前适用于雷达信号分选的聚类算法，存在的可用于分选的参数少，运算消耗量大，需要人工干预选取聚类中心个数的问题，提供了一种基于网格划分的数据场联合决策图聚类方法，利用数据场理论思想，将所有分选参数归一化后统一为场强函数，从而规避对分选参数估计精度要求高且分选参数个数的限制；同时结合网格划分的思想，可解决数据场算法中影响因子需通过大量迭代而消耗大量计算资源的问题，最后联合决策图，依据势能距离积的下降率最大原则自动确定聚类中心个数，从而实现无人工干预的快速分选；从而解决了上述问题。

2、本发明的技术方案如下：

3、一种基于网格划分的数据场联合决策图聚类方法，包括：

4、步骤s1：根据pdw数据对象总数n确定各维区间网格划分个数k，并计算网格边长l；

5、步骤s2：根据网格划分稀释数据对象，计算各网格等效数据点和等效质量；

6、步骤s3：根据网格边长设置影响因子σ；

7、步骤s4：根据影响因子σ及等效数据点构建数据场，计算各数据点的势能值；

8、步骤s5：利用网格划分后等效质量计算数据对象局部密度和最近大密度点距离；

9、步骤s6：计算各数据对象的势能距离积，并进行降序排列；

10、步骤s7：计算各数据对象势能距离积的下降率，并选择最大值对应的数据点作为分界线，获取聚类中心个数和各聚类中心；

11、步骤s8：依据聚类中心进行数据对象聚类。

12、进一步地，所述步骤s1，包括：

13、步骤s11：对n个pdw数据对象采用max-min规则进行归一化处理；

14、步骤s12：根据数据总数和pdw参数维度，确定网格划分个数；

15、步骤s13：根据归一化数据计算网格边长l；

16、进一步地，所述归一化处理，包括：

17、

18、式中：

19、pdwm(n)表示pdw中第m维参数的第n个数据；

20、pdwm(all)表示第m维参数的全部数据；

21、所述步骤s12，包括：

22、

23、式中：

24、d表示pdw参数维度；

25、所述步骤s13，包括：

26、l＝1/k。

27、进一步地，所述步骤s2，包括：

28、对于同一网格内的数据求取均值作为该网格内的等效数据点x；将划分到同一个网格(m,n)中的数据对象总数作为该网格的等效质量ρx→(m,n)，没有对应数据对象映射到的网格规定其等效质量为0。

29、进一步地，所述步骤s4，包括：

30、步骤s41：根据高斯函数3σ区间内包含99.74％的数据对象原则，对每个数据的场强函数进行优化，减少计算量；

31、步骤s42：根据优化后的场强函数，计算各数据点的势能值。

32、进一步地，所述步骤s41，包括：

33、

34、式中：

35、fy(x)表示数据对象y对数据对象x的场强函数；

36、d(x,y)表示数据对象x和数据对象y的欧式距离；

37、所述步骤s42，包括：

38、

39、式中：

40、fy表示数据对象y的势能值。

41、进一步地，所述步骤s5，包括：

42、步骤s51：对等效质量进行一次高斯模糊；

43、步骤s52：根据二维高斯模糊核的作用域，确定数据对象局部密度；

44、步骤s53：根据数据对象局部密度确定数据对象的最近大密度点距离。

45、进一步地，所述步骤s52中的二维高斯模糊核为：

46、

47、所述步骤s52，包括：

48、高斯核作用域s为k×k的矩阵，则数据对象x的局部密度为：

49、ρx＝gauss(ρx→(m,n))

50、式中：

51、gauss(·)表示高斯模糊运算；

52、所述步骤s53，包括：

53、数据对象x的最近大密度点距离δx定义为：

54、

55、规定，若在高斯核作用域s内存在等效质量大于数据对象x的数据对象，则在该数据对象集合内找出与数据对象x最小的欧式距离作为最近大密度点距离，否则将整个数据集合中相对于数据对象x最大的欧式距离作为最近大密度点距离。

56、进一步地，所述步骤s6，包括：

57、步骤s61：对各数据对象的势能值和最近大密度点距离进行归一化处理并计算势能距离积；

58、步骤s62：基于计算结果，进行降序排列。

59、进一步地，所述s61，包括：

60、τi＝fnorm(i)·δnorm(i)

61、式中：

62、fnorm(i)表示归一化后数据对象的势能值；

63、δnorm(i)表示归一化后数据对象的最近大密度点距离；

64、所述步骤s7，包括：

65、各数据对象势能距离积的下降率定义为：

66、

67、式中：

68、τ′i表示数据对象i势能距离积的下降率。

69、与现有的技术相比本发明的有益效果是：

70、一种基于网格划分的数据场联合决策图聚类方法，基于网格划分思路，将密集脉冲描述字数据进行稀释，并根据网格的长度快速确定数据场算法中的影响因子，从而避免迭代运算求取影响因子的过程；同时，根据网格划分构建局部密度矩阵，并通过高斯模糊对密度矩阵进行平滑，从而修正因网格划分所引入的局部密度量化误差；最后联合数据场和决策图理论进行联合聚类，利用数据对象的势值和最近大密度点的距离实现聚类中心及聚类中心个数的自动化确定，规避了人工确定聚类中心个数错误的潜在风险；其具有运算速度快，自动化程度高，需人为设置参数少的特点，可快速确定雷达信号分选过程中的聚类中心及聚类个数。