CN106056098A - 一种基于类别合并的脉冲信号聚类分选方法 - Google Patents

Abstract

一种基于类别合并的脉冲信号聚类分选方法，本发明涉及基于类别合并的脉冲信号聚类分选方法。本发明的目的是为了解决现有聚类结果中的类别数正确率低，类并合并后的聚类数目与真实信号数目不符的缺点。一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的：步骤一、确定初始聚类中心和分类距离；步骤二、得到新的聚类中心；步骤三、计算新的聚类中心之间是否满足信号特征；步骤四、将满足信号特征的聚类中心合并，完成类别合并的信号聚类分选。本发明用于信号处理领域。

Description

一种基于类别合并的脉冲信号聚类分选方法

技术领域

本发明涉及基于类别合并的脉冲信号聚类分选方法。

背景技术

经典的信号聚类分选算法是基于K均值聚类算法，而传统的K均值算法是用给定的聚类中心完成信号的分选，那么聚类中心的选取很大程度决定了分类的类数和正确与否。因此信号聚类算法一般采用的是改进的聚类算法，即选取先截获的脉冲信号参数为聚类中心，根据欧几里德定理，判断后续脉冲信号应该单独成为新的聚类中心，还是应该划归到已有的类里。但是存在的问题是这种聚类方法无法根据脉冲信号调制类型的不同而聚类，比如：抖动信号的聚类中心的范围相较于常规信号的聚类中心范围要大，滑变信号的聚类中心应该呈线性变化，导致聚类结果中的类别数正确率低，类并合并后的聚类数目与真实信号数目不符。

发明内容

本发明的目的是为了解决现有聚类结果中的类别数正确率低，类并合并后的聚类数目与真实信号数目不符的缺点，而提出一种基于类别合并的脉冲信号聚类分选方法。

一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的：

步骤一、确定初始聚类中心d₁,d₂…d_n和分类距离D₁,D₂…D_n，d₁为第一个类别的初始聚类中心，d₂为第二个类别的初始聚类中心，d_n为第n个类别的初始聚类中心，D₁为第一个类别的分类距离，D₂为第二个类别的分类距离，D_n为第n个类别的分类距离，n为正整数；

步骤二、将雷达接收机接收到的数据点a₁,a₂…a_m分别依次与初始聚类中心d₁,d₂…d_n计算欧几里德聚类距离，得到|a_i-d_j|，其中，1≤i≤m，1≤j≤n，m为正整数；

如果|a_i-d_j|≤D_j，则将数据点a_i归为第d_j个初始聚类中心，每个聚类中心对应一个类别；

如果|a_i-d_j|>D_j，则数据点a_i不属于第d_j个初始聚类中心，继续与大于d_j并小于等于d_n的初始聚类中心相比较，如果数据点a_i不属于大于d_j并小于等于d_n的初始聚类中心，则将数据点a_i视为一个新的聚类中心；

直到所有数据点a₁,a₂…a_m完成聚类分选，得到新的聚类中心d₁′,d₂′…d_n′；

步骤三、计算新的聚类中心之间是否满足信号特征；

步骤四、将满足信号特征的聚类中心合并，完成类别合并的信号聚类分选。

本发明的有益效果为：

本发明提出一种基于类别合并的脉冲信号聚类分选算法，相比于传统算法，本发明利用类别合并的信号聚类分选算法将正常聚类后的信号进行类别合并，对聚类结束的各个小类的聚类中心进行计算，如果符合一定的规律，则可以合并为同一个类别，这样做的好处是可以提高聚类结果中的类别数正确率，使聚类结果中的类别数正确率从85％提高到95％，从而使实际聚类中小类特点更加符合信号的变化规律，类并合并后的聚类数目与真实信号数目相一致，使实际的聚类数目更接近于信号的真实数目，有利于后续信号的参数提取和处理，解决了可能错误聚类及聚类数目多于实际信号数目的问题。

输入数据为表1中的数据，分别用无合并的多参数聚类和有合并的多参数聚类对其蒙特卡洛仿真，仿真结果如表3所示：仿真中除了本身信号的五对参数外，还混入了12对虚假脉冲，因此理应得到的分类数为17类，考虑到存在噪声干扰和抖动问题，可以将容差扩为16-18类之间。从表3中可以看出有合并的多参数聚类法在1000次仿真中，有849次聚类数目落在16-18之间，而无合并的多参数聚类法却有950次落在20-22之间，与正确类别数相差很多，因此将相关的类别进行合并可以将聚类结果中的类别数正确率有效提高，证明了该发明方法的优越性。

附图说明

图1为本发明流程图；

图2为RF与PW联合聚类分选抖动脉冲信号结果图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的：

步骤一、确定初始聚类中心d₁,d₂…d_n和分类距离D₁,D₂…D_n，d₁为第一个类别的初始聚类中心，d₂为第二个类别的初始聚类中心，d_n为第n个类别的初始聚类中心，D₁为第一个类别的分类距离，D₂为第二个类别的分类距离，D_n为第n个类别的分类距离，n为正整数；

步骤二、将雷达接收机接收到的数据点a₁,a₂…a_m分别依次与初始聚类中心d₁,d₂…d_n计算欧几里德聚类距离，得到|a_i-d_j|，其中，1≤i≤m，1≤j≤n，

如果|a_i-d_j|≤D_j，则将数据点a_i归为第d_j个初始聚类中心，每个聚类中心对应一个类别；

如果|a_i-d_j|>D_j，则数据点a_i不属于第d_j个初始聚类中心，继续与大于d_j并小于等于d_n的初始聚类中心相比较，如果不属于大于d_j并小于等于d_n的初始聚类中心，则将数据点a_i视为一个新的聚类中心，即d_n+1；

直到所有数据点a₁,a₂…a_m完成聚类分选，m为正整数，得到新的聚类中心d₁′,d₂′…d_n′；

步骤三、计算新的聚类中心之间是否满足信号特征；

步骤四、将满足信号特征的聚类中心合并后，最后聚类的数目和范围更加接近真实环境中信号的类别和实际数量，完成类别合并的信号聚类分选。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中其中k为每个聚类中心的数据点个数，a_c为每个聚类中心包含的数据点，1≤c≤k，k为正整数。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于抖动信号，如果新的聚类中心满足关系：|d_i'-d_j'|≤(1+Δδ)D₀，则d_i'、d_j'两个聚类中心应合并为同一类别；

其中，1≤i≤n，1≤j≤n，其中d_i'，d_j'分别为d₁′,d₂′…d_n′中任意两个聚类中心，D₀为阈值参数，Δδ为抖动量取0.01-0.03；阈值参数为人为设置，经验值。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于滑变信号，如果新的聚类中心满足关系：则d_i'、d_j'、d_l'三个聚类中心应该合并为同一类别；

其中，1≤i≤n，1≤j≤n，1≤l≤n，其中d_i'，d_j'，d_l'分别为d₁′,d₂′…d_n′中任意三个聚类中心，λ为任意实数。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于参差信号，如果新的聚类中心满足关系：则d_i'、d_j'两个聚类中心应合并为同一类别；

其中，1≤i≤n，1≤j≤n，d_i'，d_j'分别为d₁′,d₂′…d_n′中任意两个聚类中心，D₁为检测参数，所述检测参数D₁为人为设置，经验值。

其它步骤及参数与具体实施方式一至四之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤制备的：

实验中采用的数据如表1所示：每部雷达二十组数据共一百组数据随机混合在一起，分别对脉冲宽度PW加1.8μs的抖动和射频RF加1.8MHz的抖动量。在此基础上，又在信号加入了多个虚假脉冲信号仿真出真实的信号环境。在最后的雷达脉冲数据上PW值加上均值为0μs，方差为0.8μs的正态分布的测量误差，RF值加上均值为0MHz，方差为0.4MHz的正态分布的测量误差。表2为聚类后参数中心值。

表1雷达参数

步骤一、取雷达数据的头两个数据为初始聚类中心(20，25)和(62，38)以及分类距离15和16，(20，25)是第一个类别的初始聚类中心，(62，38)是第二个类别的初始聚类中心，15为第一个类别的分类距离，16为第二个类别的分类距离；

步骤二、将雷达接收机接收到的数据点分别依次与初始聚类中心(20，25)和(62，38)计算欧几里德聚类距离，得到|a_i-d_j|，其中，3≤i≤112，1≤j≤2，

如果|a_i-d_j|≤D_j，则将数据点a_i归为第d_j个初始聚类中心，每个聚类中心对应一个类别；

如果|a_i-d_j|>D_j，则数据点a_i不属于第d_j个初始聚类中心，继续与大于d_j并小于等于d_n的初始聚类中心相比较，如果不属于大于d_j并小于等于d_n的初始聚类中心，则将数据点a_i视为一个新的聚类中心，即d_n+1，直到所有数据点a₁,a₂…a_m完成聚类分选，m为正整数，得到新的聚类中心d₁′,d₂′…d_n′；

所述其中k为每个聚类中心的数据点个数，a_c为每个聚类中心包含的数据点，1≤c≤k，k为正整数；

步骤四、计算新的聚类中心之间是否满足某种信号特征，

对于抖动信号，如果新的聚类中心满足关系：|d_i'-d_j'|≤(1+Δδ)D₀，1≤i≤n，1≤j≤n，其中Δδ取0.3，D₀取16，其中d_i'，d_j'分别为d₁′,d₂′…d_n′中任意两个聚类中心，则d_i'、d_j'两个聚类中心应该合并为同一类别；

表2聚类后参数中心值

从图2中可以看出脉冲信号大致主要分为五类，‘o’代表脉冲信号，‘+’代表聚类中心，其他的一些是干扰信号和虚假脉冲。对于仿真中的抖动脉冲信号，从图2中可以看出在聚类中心附近脉冲信号有较大的抖动，表2中聚类后的中心值相比于初始聚类中心存在一定的偏差，如果虚假脉冲距离信号距离较近有可能会错分为一类或者信号抖动范围过大导致信号中个别子脉冲被误为另一类，分选结果的精确程度和信号本身的变化形式有关，即信号的调制形式会影响到聚类中心从而影响聚类结果。

输入数据为表1中的数据，分别用无合并的多参数聚类和有合并的多参数聚类对其蒙特卡洛仿真，仿真结果如表3所示：

表3两种聚类方法结果的对比表

仿真分析：仿真中除了本身信号的五对参数外，还混入了12对虚假脉冲，因此理应得到的分类数为17类，考虑到存在噪声干扰和抖动问题，可以将容差扩为16-18类之间。从表3中可以看出有合并的多参数聚类法在1000次仿真中，有849次聚类数目落在16-18之间，而无合并的多参数聚类法却有950次落在20-22之间，与正确类别数相差很多，因此将相关的类别进行合并可以将聚类结果中的类别数正确率有效提高，证明了该发明方法的优越性。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于类别合并的脉冲信号聚类分选方法，其特征在于：一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的：

步骤一、确定初始聚类中心d₁,d₂…d_n和分类距离D₁,D₂…D_n，d₁为第一个类别的初始聚类中心，d₂为第二个类别的初始聚类中心，d_n为第n个类别的初始聚类中心，D₁为第一个类别的分类距离，D₂为第二个类别的分类距离，D_n为第n个类别的分类距离，n为正整数；

步骤二、将雷达接收机接收到的数据点a₁,a₂…a_m分别依次与初始聚类中心d₁，d₂…d_n计算欧几里德聚类距离，得到|a_i-d_j|，其中，1≤i≤m，1≤j≤n，m为正整数；

如果|a_i-d_j|≤D_j，则将数据点a_i归为第d_j个初始聚类中心，每个聚类中心对应一个类别；

如果|a_i-d_j|>D_j，则数据点a_i不属于第d_j个初始聚类中心，继续与大于d_j并小于等于d_n的初始聚类中心相比较，如果数据点a_i不属于大于d_j并小于等于d_n的初始聚类中心，则将数据点a_i视为一个新的聚类中心；

直到所有数据点a₁,a₂…a_m完成聚类分选，得到新的聚类中心d₁′,d₂′…d_n′；

步骤三、计算新的聚类中心之间是否满足信号特征；

步骤四、将满足信号特征的聚类中心合并，完成类别合并的信号聚类分选。

2.根据权利要求1所述一种基于类别合并的脉冲信号聚类分选方法，其特征在于：所述步骤二中其中k为每个聚类中心的数据点个数，a_c为每个聚类中心包含的数据点，1≤c≤k，k为正整数。

3.根据权利要求2所述一种基于类别合并的脉冲信号聚类分选方法，其特征在于：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于抖动信号，如果新的聚类中心满足关系：|d_i'-d_j'|≤(1+Δδ)D₀，则d_i'、d_j'两个聚类中心应合并为同一类别；

其中，1≤i≤n，1≤j≤n，其中d_i'，d_j'分别为d₁′,d₂′…d_n′中任意两个聚类中心，D₀为阈值参数，Δδ为抖动量取0.01-0.03。

4.根据权利要求3所述一种基于类别合并的脉冲信号聚类分选方法，其特征在于：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于滑变信号，如果新的聚类中心满足关系：则d_i'、d_j'、d_l'三个聚类中心应合并为同一类别；

其中，1≤i≤n，1≤j≤n，1≤l≤n，其中d_i'，d_j'，d_l'分别为d₁′,d₂′…d_n′中任意三个聚类中心，λ为任意实数。

5.根据权利要求4所述一种基于类别合并的脉冲信号聚类分选方法，其特征在于：所述步骤三中计算新的聚类中心之间是否满足信号特征；具体过称为：

对于参差信号，如果新的聚类中心满足关系：|d_i'-d_j'|＝D₁，则d_i'、d_j'两个聚类中心应合并为同一类别；

其中，1≤i≤n，1≤j≤n，d_i'，d_j'分别为d₁′,d₂′…d_n′中任意两个聚类中心，D₁为检测参数。