【技术实现步骤摘要】
基于动态修正混沌粒子群优化的雷达信号分选方法
[0001]本专利技术涉及基于动态修正混沌粒子群优化的雷达信号分选方法，属于种群进化以及信号分类
技术介绍
[0002]随着电磁环境的日益复杂，稠密而多变的辐射源信号进入数字侦察接收机，交织成为复杂的脉冲流序列。根据截获脉冲的特征参数，到达时间等信息对脉冲流进行分选，将所属同一个辐射源的信号准确划分，进而依照不同辐射源的特征参数识别雷达模型。根据识别结果，获得每个雷达的类型，属性和威胁程度。从上面的分析可以看出，辐射源分选是雷达侦察信号处理的关键链路，它直接影响雷达侦察设备的性能，关系到后续的作战决策。因此，高效准确的信号分选方法是极其重要的。
[0003]信号分选技术主要分为基于脉冲重复间隔(PRI)分析和特征聚类两方面。现代截获系统经常将这两种方法结合使用实现信号分选。然而，PRI捷变和低截获等技术的广泛应用，使得截获信号的TOA出现大幅抖动和丢失，从而破坏了TOA差值的统计特性。这些原因大大增加了基于PRI分析的分选难度。因此，基于雷达特征参数的聚类方法应运而生，并成为辅助脉冲信号的去交织过程不可或缺的任务。
[0004]与传统的聚类分选方法比较，启发式方法是一种群体性方法，通过寻找全局最优来提高分选的性能。然而，PSO方法虽然提供了全局搜索的可能性，但不能保证收敛到全局最优，也存在早熟收敛、寻优能力不足等缺点。目前解决这些问题的主要趋势是增加种群的多样性或者融合其他方法等。例如，有的学者提出了一种基于动态粒子群优化和K
‑>means的方法，通过动态调整惯性权重和加速度系数增强方法的性能。有的学者通过改变适应度函数来改善聚类质心。但它们并没有完全的自适应，聚类结果不能很好地满足雷达系统对信号分选准确度和实时性的要求。
[0005]本申请为了能够从稠密、复杂而多变的截获脉冲流中准确分离各类辐射源信号，提出一种基于动态修正混沌粒子群(Dynamic Modified Chaotic Particle Swarm Optimization for Radar Signal Sorting，DMCPSO)雷达信号分选方法，来改善传统聚类分选方法难分类和PSO寻优的不足，提高分选性能。仿真结果表明，在几种常见的和较新的分选指标下相较于其他几种改进的粒子群优化方法都有着较大优势，其收敛速度，稳定性和鲁棒性也具有更好的分选效果。
技术实现思路
[0006]本专利技术的目的是为了能从稠密、复杂而多变的截获脉冲流中准确分离各类辐射源信号，改善传统聚类分选方法难以正确分类和粒子群优化易早熟收敛，寻优能力不足的技术现状，提出了一种基于动态修正混沌粒子群雷达信号分选方法。
[0007]为达上述目的，本专利技术采取如下技术方案。
[0008]所述雷达信号分选方法，包括以下步骤：
[0009]步骤1、对雷达脉冲PDW流数据进行预处理，构造雷达数据集并生成修订后的待分选数据；
[0010]其中，对雷达脉冲PDW流数据进行预处理，包括构造雷达数据集、采集待分选数据以及修订待分选数据；
[0011]步骤1、具体包括如下子步骤：
[0012]步骤1.1构造雷达数据集；
[0013]其中，构造的雷达数据集的维度为D；
[0014]该雷达数据集包括生成不同种类的雷达信号构成待分选数据，将类数记为M且每种雷达信号为一组PDW流数据；
[0015]步骤1.2从步骤1.1中构造的雷达数据集中采集待分选数据，并将待分选数据总数记为S；
[0016]步骤1.3修订待分选数据，即将待分选数据中的不同脉冲信号数据均变成相同的尺度范围内，生成修订后的待分选数据；
[0017]其中，待分选数据的最大值，记为Mmax，待分选数据的最小值，记为Mmin；
[0018]步骤2、雷达信号分选并产生雷达信号分选的聚类中心，即分选后的结果，具体为：对经过步骤1.3生成的修订后的待分选数据采用基于动态修正的混沌粒子群优化方法寻找全局最优解，该全局最优解即为分选后的数据聚类中心；包括如下子步骤：
[0019]步骤2.1初始化粒子群优化方法的各项参数；
[0020]其中，各项参数包括种群数量、最大迭代次数、粒子速度、粒子的最大运动速度以及粒子的历史最高适应度函数值；
[0021]其中，种群数量记为N，且N的取值范围为10到20；最大迭代次数的取值范围为50到200，记为Tmax；粒子速度为M
×
D
×
N维的速度矩阵，该速度矩阵中的每一个元素为取值在0到1范围内的随机数，且该速度矩阵中的最大值在0.5到1.0之间；粒子的历史最高适应度函数值被初始化为0；
[0022]步骤2.2用Maxmin距离原则对M
×
D维的粒子位置进行初始化，得到种群的初始聚类中心，包括如下子步骤：
[0023]步骤2.2A从构造的雷达数据集中任选取一个样本，作为第一个聚类中心；
[0024]步骤2.2B选取距离第一个聚类中心最远的样本作为第二个聚类中心；
[0025]步骤2.2C选择距离第一个以及第二个聚类中心的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出M个初始类簇中心点，并将其作为种群的初始聚类中心；
[0026]步骤2.3设置迭代循环变量t，初始循环变量设置为t＝1；
[0027]其中，迭代循环变量t代表t时刻；
[0028]步骤2.4计算t时刻的数据集的聚类划分并计算粒子位置，具体为：将数据集中的所有样本按照与粒子位置的欧式距离最小原则进行划分，并按照划分后的结果对每一类簇中的样本计算平均值作为新的粒子位置；
[0029]步骤2.5计算每个粒子的适应度函数值，具体为：
[0030]步骤2.5A计算只有一个簇包含所有的数据样本及其簇形心之间的距离之和，记为E1；
[0031]步骤2.5B计算样本及其簇形心之间的簇内距离之和，记为E；
[0032]步骤2.5C计算样本之间距离的最大值，记为D；
[0033]步骤2.5D用E1除以M、E以及D，即得到t时刻的适应度函数值；
[0034]步骤2.6对每个粒子，根据步骤2.5得到t时刻的适应度函数值，比较该适应度函数值和它经历过的t
‑
1时刻的最优位置的适应度函数值的大小，如果更好，即适应度函数值更大，则更新粒子的最优位置，并对该粒子位置根据重心指数进行修正，得到修正后的粒子位置；如果t时刻的适应度函数值不大于t
‑
1时刻的适应度函数值，则不更新粒子的最优位置，继续保持上一时刻即t
‑
1时刻经历过的最优位置；
[0035]其中，对粒子位置根据重心指数进行修正，包括如下子步骤：
[0036]步骤2.6A计算所有样本点之间的距离总和，记为d；
[0037]步骤2.6B计算样本的邻域半径，记为r，具体为：将步骤2.6A得到的距离总和d与本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于动态修正混沌粒子群雷达信号分选方法，其特征在于：包括以下步骤：步骤1、对雷达脉冲PDW流数据进行预处理，构造雷达数据集并生成修订后的待分选数据；步骤1、具体包括如下子步骤：步骤1.1构造雷达数据集；其中，构造的雷达数据集的维度为D；步骤1.1中的雷达数据集中雷达信号的种类为M类；步骤1.2从步骤1.1中构造的雷达数据集中采集待分选数据，并将待分选数据总数记为S；步骤1.3修订待分选数据，即将待分选数据中的不同脉冲信号数据均变成相同的尺度范围内，生成修订后的待分选数据；其中，待分选数据的最大值，记为Mmax，待分选数据的最小值，记为Mmin；步骤2、雷达信号分选并产生雷达信号分选的聚类中心，即分选后的结果，包括如下子步骤：步骤2.1初始化粒子群优化方法的各项参数；其中，各项参数包括种群数量、最大迭代次数、粒子速度、粒子的最大运动速度以及粒子的历史最高适应度函数值；其中，种群数量记为N，且N的取值范围为10到20；最大迭代次数的取值范围为50到200，记为Tmax；粒子速度为M
×
D
×
N维的速度矩阵，该速度矩阵中的每一个元素为取值在0到1范围内的随机数，且该速度矩阵中的最大值在0.5到1.0之间；粒子的历史最高适应度函数值被初始化为0；步骤2.2用Maxmin距离原则对M
×
D维的粒子位置进行初始化，得到种群的初始聚类中心；步骤2.3设置迭代循环变量t，初始循环变量设置为t＝1；其中，迭代循环变量t代表t时刻；步骤2.4计算t时刻的数据集的聚类划分并计算粒子位置，具体为：将数据集中的所有样本按照与粒子位置的欧式距离最小原则进行划分，并按照划分后的结果对每一类簇中的样本计算平均值作为新的粒子位置；步骤2.5计算每个粒子的适应度函数值；步骤2.6对每个粒子，根据步骤2.5得到t时刻的适应度函数值，比较该适应度函数值和它经历过的t
‑
1时刻的最优位置的适应度函数值的大小，如果更好，即适应度函数值更大，则更新粒子的最优位置，并对该粒子位置根据重心指数进行修正，得到修正后的粒子位置；如果t时刻的适应度函数值不大于t
‑
1时刻的适应度函数值，则不更新粒子的最优位置，继续保持上一时刻即t
‑
1时刻经历过的最优位置；其中，对粒子位置根据重心指数进行修正，包括如下子步骤：步骤2.6A计算所有样本点之间的距离总和，记为d；步骤2.6B计算样本的邻域半径，记为r，具体为：将步骤2.6A得到的距离总和d与S的a次方以及S
‑
1的a次方相除；其中，a的取值范围为0到1；
步骤2.6C计算样本与其相距r的邻居的集合，即得到每个类内样本的重心指数；步骤2.6D比较类内样本包括粒子位置的重心指数值的大小，选取重心指数最大的作为修正后的粒子位置；步骤2.6E对每一个聚类簇内部进行类的分离，具体为：如果两样本之间的距离大于某个阈值，记为g，并且两者的重心指数位于前h内，则将此两者作为新的聚类重心，即为新的粒子位置；其中，g的取值范围为r的2到4倍，h的取值范围为20％到40％；步骤2.6F对步骤2.6E找到的所有的聚类中心进行合并，具体为：如果距离最近的两个聚类中心进行合并，合并之后新的聚类中心为两者的均值；重复步骤2.6F，直到达到M个聚类中心，即为修正后的粒子位置；步骤2.7将数据集中的所有样本按照与得到的修正后的粒子位置的欧式距离最小原则进行划分；步骤2.8执行步骤2.5，重新计算每个修正后的粒子的适应度函数值；步骤2.9计算当前t时刻粒子群的全局最优值gbest，具体为：选取适应度函数值最大的全局最优粒子，其对应的位置为全局最优值gbest；步骤2.10使用Tent混沌搜索对粒子位置进行随机扰动，生成混沌序列，并依据生成的混沌序列产生新的粒子，具体包括如下子步骤：步骤2.10A将步骤2.9得到的全局最优值gbest由优化变量取值区间[Mmin，Mmax]归一化到混沌变量的取值区间[0,1]；步骤2.10B对全局最优值gbest进行J次混沌扰动，生成混沌序列，具体为：当混沌变量的取值小于y时，生成的混沌序列为原来混沌变量的两倍，当混沌变量的取值大于y时，生成的混沌序列为2减去原来混沌变量的两倍；步骤2.10C根据生成的混沌序列产生新的粒子，...
【专利技术属性】
技术研发人员：傅雄军，王晓妍，谢民，马志峰，卢继华，姜嘉环，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。