CN107729916B - 一种基于isodata的干扰源分类识别算法 - Google Patents

Abstract

本发明涉及一种基于ISODATA的干扰源分类识别算法及装置，属于电子信息领域，针对空间中未知的干扰源进行分类识别：使用干扰源监测定位设备获得该区域内各信号的PDW，将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算，从特征值数据库中按待检索队列取出一段时间内原始特征值，采用多维ISODATA对其进行聚类分析，实时向用户输出聚类数目及特征聚类中心值，以此作为最可能的干扰信号的有效特征；对干扰源监测定位设备原始监测结果进行准实时的无监督聚类分析，从而将其监测结果中关键信号的特征参数清晰地呈现给用户，灵活性更强，更为合理。

Description

一种基于ISODATA的干扰源分类识别算法

技术领域

本发明涉及一种基于ISODATA的干扰源分类识别算法，属于电子信息领域。

背景技术

随着信息技术的飞速发展和广泛应用，电磁空间已被纳入国家利益的范畴。复杂电磁环境是信息化时代的重要特征，电子信息***中的雷达探测、通信联络、导航识别等电子设备的辐射功率越来越大，频谱越来越宽，设备数量成倍增加，工作频率严重交叠，导致周围电磁环境日趋复杂，使有限空间的电磁环境变得十分恶劣。有鉴于此，行业市场对局部空间内复杂电磁环境进行电磁监测、获取监测区域内的频谱、信号特征、对监测区域内的干扰源进行识别、分类管理和定位定向的需求十分迫切。

在现有成熟产品中，采用相关干涉仪测向体制的干扰源监测定位设备相对占据主流地位，其优点在于其测向灵敏度、测向准确度、最小测量时间相对于其他方法都具备一定优势，且成本相对可控，成熟应用案例较多。然而，在实际应用中，空间环境中存在各种各样的干扰，干扰形式比较复杂，城市环境下信号的多路径效应也无法避免，故使用该类型设备对干扰源进行监测存在原始观测数据较多、真实信号与多路径反射信号混杂、初始参数选择困难等诸多不便，制约干扰源监测定位相关应用的开展。因此，一种具有自适应能力的干扰源分类识别算法将能极大地提高干扰源监测定位设备的用户体验。

目前针对干扰源专用的分类识别算法鲜见于公开发表的刊物，然而参考雷达领域相关研究，现有雷达领域与本专利相关的研究主要围绕电子对抗场景下未知雷达信号的处理而展开，其处理算法对实时性、硬件化、并行化的要求较高。可将本专利与以下几类技术手段类比：

第一类为雷达信号分选技术。目前，传统雷达信号分选方法多数是基于雷达脉冲到达角(AOA)、脉宽(PW)、载频(RF)等做相关处理进行预分选，然后基于脉冲重复间隔(PRI)去交错处理进行主分选。具有代表性的PRI分选算法包括动态关联法、直方图法、PRI变换法等；

第二类为参数滤波技术。该算法首先将特征参数脉冲到达角(AOA)、脉宽(PW)、载频(RF)张成的空间Ω划分为n个分选子空间

然后将PDW(pulse description word，脉冲描述字)在子空间上的投影属于相同子空间的脉冲集合在一起，从而实现分选；

的生成原则主要有矩形均匀划分和矩形非均匀划分两种，具体划分时需要参数分布概率密度函数的先验知识。

发明内容

本发明的目的在于提供一种基于ISODATA的干扰源分类识别算法，用于克服现有技术的不足。

本发明的原理是迭代自组织数据分析算法，ISODATA是Iterative Self-Organizing Data Analysis Technique Algorithm的缩写，意为迭代自组织数据分析技术。这个算法与K均值算法相似，也是以均值迭代确定聚类中心，但它加进了人机对话环节，可以调整参数，并且引入了归并与***的机制，即当某两类别中心间距小于某一阈值时，将它们合并为一类，而在某类样本标准差大于某一阈值时，或其样本数目超过某一阈值时，则将它分为两类，在类别数目少于某一阈值时，也实行***。另外，在某类样本数目少于某阈值时，又需要将其消除。

相关干涉仪测向体制的测向原理是：依据电波在行进中，从不同方向来的电波到达测向天线阵时，在空间上各测向天线单元接收的相位不同，因而相互间的相位差也不同，通过测定来波相位和相位差，即可确定来波方向。在相关干涉仪测向方式中，是直接测量测向天线感应电压的相位，而后求解相位差。

本发明的技术方案包括，针对空间中未知的干扰源，通过以下步骤对其进行分类识别：

步骤1：使用干扰源监测定位设备获得各信号的PDW，根据常规信号设定判决门限值(如-80dBm)，将功率强度大于判决门限值的信号判决为疑似干扰信号，实时监测干扰信号的原始特征值并存入特征值数据库；

步骤2：将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算，将其聚类数目大于3的特征值纳入待检索队列；

步骤3：从特征值数据库中按待检索队列取出任意时间段内的原始特征值(如5分钟，用户可自定义)，采用多维ISODATA对其进行聚类分析，实时向用户输出聚类数目及特征聚类中心值，以此作为最可能的干扰信号的有效特征。

其中，步骤2、步骤3中ISODATA的算法步骤如下：

第一步：对于N个模式样本的集合，确定C个初始聚类中心Z₁，Z₂，……Z_C，C不一定等于K，这些聚类中心可为模式集合中的任意样本；

第二步：对以下六个参数进行初始化，即K，θ_N，θ_S，θ_C，L，I，

其中K：所要求的聚类中心数；

θ_N：一个类别至少应具有的样本数目；

θ_S：一个类别样本标准差阈值；

θ_C：聚类中心之间距离的阈值，即归并系数；

L：在一次迭代中可以归并的类别的最多对数；

I：允许迭代的最多次数；

第三步：将N个样本按最小距离分类，即若

D_j＝min(||x-z_i||，i＝1，2，…C)→x∈f_j；

第四步：若对于某一聚类域f_j，其样本数目N_j＜θ_N则取消该子集f_j和z_j并且C＝C-1，即类别数减少1；

第五步：修正各聚类中心值：

其中N_j为f_j的样本数；

第六步：对每一聚类域f_j，计算其所有样本到其聚类中心的距离的平均值；

第七步：计算所有样本到其相应聚类中心的距离的平均值；

第八步：

①若迭代次数达到I次，置θ_c＝0，转入第十二步，运算结束，

②若C≤K/2，即聚类中心数目等于或不到规定数目的二分之一，则转入第九步，以对现有类别进行***，

③若C≥2K，跳过***，转入第十二步，否则转下，

④若K/2＜C＜2K，当迭代次数是奇数转第九步***，迭代次数为偶数时，转入第十二步合并；

第九步：计算每一类别中样本与聚类中心距离的标准差向量：

σ_j＝(σ_1j，σ_2j，…σ_nj)^t；

其中每一分量为

这里n为模式样本的维数，x_il是第L个样本的第i个分量，z_ij是z_i的第i个分量；

第十步：对每一标准差向量σ_j，j＝1，2，…C，求其中最大分量σ_jmax，

其中

k＝维数，用S记下它是第几分量；

第十一步：在最大分量集{σ_jmax，j＝1，2，…C}中若有σ_jmax＞θ_S并且满足下列条件之一：

即该类中样本到聚类中心的平均距离大于总体距离且该类样本总数超过规定数据两倍，则将z_i***成两个新的聚类中心

且类别数C＝C+1：

的确定方法：对于σ_jmax的z_j的分量即第s分量上加r_j＝Mσ_jmax，0＜M≤1，z_i的第s分量减去r_j，其他分量不变，构成

***完毕，转入第三步。如果没有可***的类别，则继续；

第十二步：计算每两个聚类中心之间的距离：

第十三步：将每一个d_ij的值和θ_c的值进行比较，凡是d_ij＜θ_c的均取出，组成一个集合

这里

且f≤1；

第十四步：从

开始，逐一合并d_ij＜θ_c的类别i，j，每个类别只能合并一次，合并后新类别以新聚类中心为标志：

第十五步：如果是最后一次迭代计算(即第I次)，算法结束：否则，如果需要改变参数则转入第二步，不需要改变参数则转入第三步。

一种基于ISODATA的干扰源分类识别装置，主要包括通过信号线与控制线互相连接的监测测向天线和监测测向主机；

监测测向天线由监测侧向天线阵、开关矩阵、电子罗盘构成，监测测向天线通过天线支架支撑；

监测测向主机由射频模块、中频模块、电源模块构成，

监测测向主机通过供电单元供电；

监测测向主机还通过综合电缆与北斗通信定位设备连接，以及通过网络通信与网络交换机连接；

北斗通信定位设备通过北斗链路与卫星进行通信和上报；

网络交换机还与显控终端连接，并通过网络与卫星进行网络上报和网络通信。

本发明包括以下方法：监测测向天线接收空间中的电磁波信号，开关矩阵完成天线输出信号的切换，电子罗盘提供方向，监测测向接收机接收测向天线的信号，完成对信号的搜索、截获、监视及测向功能；其输出的原始特征值包括干扰中心频点、带宽、功率、制式、方向、持续时间。

本发明具有以下优点，本发明所关注的干扰源监测定位设备的具体应用场景一般对以上特性无迫切需求，尤其在民用领域，用户对算法的简洁性、通用性更加关注，并且成本因素亦为重要考量指标，故本发明提出一种基于ISODATA，即迭代自组织数据分析算法的干扰源分类识别算法，旨在实现对干扰源监测定位设备原始监测结果进行准实时的无监督聚类分析，从而将其监测结果中关键信号的特征参数清晰地呈现给用户，灵活性更强，更为合理。

附图说明

附图1为干扰源监测定位设备原理框图。

附图2为算法流程图。

附图3为原始监测数据图。

附图4为最终实验结果图。

附图5为具体数值图。

具体实施方式

下面结合附图1至2对本发明的优选实施例作进一步说明，干扰源监测定位设备主要包括通过信号线与控制线互相连接的监测测向天线1和监测测向主机2；

监测测向天线1由监测侧向天线阵11、开关矩阵12、电子罗盘13构成，监测测向天线1通过天线支架14支撑；

监测测向主机2由射频模块21、中频模块22、电源模块23构成，

监测测向主机2通过供电单元24供电；

监测测向主机2还通过综合电缆与北斗通信定位设备3连接，以及通过网络通信与网络交换机4连接；

北斗通信定位设备3通过北斗链路与卫星进行通信和上报；

网络交换机4还与显控终端5连接，并通过网络与卫星进行网络上报和网络通信。

干扰源监测定位设备包括以下方法：监测测向天线1接收空间中的电磁波信号，开关矩阵12完成天线输出信号的切换，电子罗盘13提供方向，监测测向主机2接收监测测向天线1的信号，完成对信号的搜索、截获、监视及测向功能；其输出的原始特征值包括干扰中心频点、带宽、功率、制式、方向、持续时间。

针对空间中未知的干扰源，通过以下步骤对其进行分类识别：

步骤1：使用干扰源监测定位设备获得该区域内各信号的PDW，根据常规信号设定判决门限值(如-80dBm)，将功率强度大于判决门限值的信号判决为疑似干扰信号，实时监测干扰信号的原始特征值并存入特征值数据库；

步骤2：将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算，将其聚类数目大于3的特征值纳入待检索队列；

步骤3：从特征值数据库中按待检索队列取出任意时间段内的原始特征值(如5分钟，用户可自定义)，采用多维ISODATA对其进行聚类分析，实时向用户输出聚类数目及特征聚类中心值，以此作为最可能的干扰信号的有效特征。

其中，步骤2、步骤3中ISODATA的算法步骤如下：

第一步：对于N个模式样本的集合，确定C个初始聚类中心Z₁，Z₂，……Z_C，C不一定等于K，这些聚类中心可为模式集合中的任意样本；

第二步：对以下六个参数进行初始化，即K，θ_N，θ_S，θ_C，L，I，

其中K：所要求的聚类中心数；

θ_N：一个类别至少应具有的样本数目；

θ_S：一个类别样本标准差阈值；

θ_C：聚类中心之间距离的阈值，即归并系数；

L：在一次迭代中可以归并的类别的最多对数；

I：允许迭代的最多次数；

第三步：将N个样本按最小距离分类，即若

D_j＝min(||x-z_i||，i＝1，2，…C)→x∈f_j；

第四步：若对于某一聚类域f_j，其样本数目N_j＜θ_N则取消该子集f_j和z_j并且C＝C-1，即类别数减少1；

第五步：修正各聚类中心值：

其中N_j为f_j的样本数；

第六步：对每一聚类域f_j，计算其所有样本到其聚类中心的距离的平均值；

第七步：计算所有样本到其相应聚类中心的距离的平均值；

第八步：

①若迭代次数达到I次，置θ_c＝0，转入第十二步，运算结束，

②若C≤K/2，即聚类中心数目等于或不到规定数目的二分之一，则转入第九步，以对现有类别进行***，

③若C≥2K，跳过***，转入第十二步，否则转下，

④若K/2＜C＜2K，当迭代次数是奇数转第九步***，迭代次数为偶数时，转入第十二步合并；

第九步：计算每一类别中样本与聚类中心距离的标准差向量：

σ_j＝(σ_1j，σ_2j，…σ_nj)^t；

其中每一分量为

这里n为模式样本的维数，x_il是第L个样本的第i个分量，z_ij是z_j的第i个分量；

第十步：对每一标准差向量σ_j，j＝1，2，…C，求其中最大分量σ_jmax，

其中

k＝维数，用S记下它是第几分量；

第十一步：在最大分量集{C_jmax，j＝1，2，…C}中若有σ_jmax＞θ_S并且满足下列条件之一：

即该类中样本到聚类中心的平均距离大于总体距离且该类样本总数超过规定数据两倍，则将z_i***成两个新的聚类中心

且类别数C＝C+1；

的确定方法：对于σ_jmax的z_j的分量即第s分量上加r_j＝Mσ_jmax，0＜M≤1，z_i的第s分量减去r_j，其他分量不变，构成

***完毕，转入第三步。如果没有可***的类别，则继续；

第十二步：计算每两个聚类中心之间的距离：

第十三步：将每一个d_ij的值和θ_c的值进行比较，凡是d_ij＜θ_c的均取出，组成一个集合

这里

且t≤l；

第十四步：从

开始，逐一合并d_ij＜θ_c的类别i，j，每个类别只能合并一次，合并后新类别以新聚类中心为标志：

第十五步：如果是最后一次迭代计算(即第I次)，算法结束；否则，如果需要改变参数则转入第二步，不需要改变参数则转入第三步。

实验采用湖南中森通信有限公司的ZSTX-F21PP型干扰源监测定位设备对1250.1MHz进行监测，针对实际情况，选取干扰功率、干扰方向两组特征值纳入待检索队列，其一分钟内生成的原始监测数据示例如图3所示，实验实际数据采集共持续4分钟，产生132组数据，针对以上原始观测数据，采用在Matlab下编写的ISODATA程序进行计算，其初始参数取值范围如下：

K＝2～10(所要求的聚类中心数)：

(一个类别至少应具有的样本数目)：

一个类别样本标准差阈值：

聚类中心之间距离的阈值，即归并系数；

L＝2～5在一次迭代中可以归并的类别的最多对数；

I＝5～20允许迭代的最多次数。

最终实验结果如图4所示，图中所有特征值被聚合为三组信号(颜色不同)，红色星号点分别表示其对应的聚类中心，也就是最终将呈现给用户的干扰信号特征，其具体数值如图5所示。

经过以上处理，呈现给用户的特征值数据从原始的132组杂乱的原始特征值精简抽象为3组结果，且整个过程完全不需人工干预，极大地提高了数据处理效率并优化用户体验。

Claims (2)

1.一种基于ISODATA的干扰源分类识别算法，其特征在于：针对空间中未知的干扰源，

通过以下步骤对其进行分类识别：

步骤1：使用干扰源监测定位设备获得各信号的PDW，根据常规信号设定判决门限值，将功率强度大于判决门限值的信号判决为疑似干扰信号，实时监测干扰信号的原始特征值并存入特征值数据库；

步骤2：将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算，将其聚类数目大于3的特征值纳入待检索队列；

步骤3：从特征值数据库中按待检索队列取出设定时间段内的原始特征值，采用多维ISODATA对其进行聚类分析，实时向用户输出聚类数目及特征聚类中心值，以此作为最可能的干扰信号的有效特征。

2.根据权利要求1所述的一种基于ISODATA的干扰源分类识别算法，其特征在于，步骤2、步骤3中ISODATA的算法步骤如下：

第一步：对于N个模式样本的集合，确定C个初始聚类中心Z₁，Z₂，……Z_c，C不一定等于K，这些聚类中心可为模式集合中的任意样本；

第二步：对以下六个参数进行初始化，即K，θ_N，θ_s，θ_c，L，I，

其中K：所要求的聚类中心数；

θ_N：一个类别至少应具有的样本数目；

θ_s：一个类别样本标准差阈值；

θ_c：聚类中心之间距离的阈值，即归并系数；

L：在一次迭代中可以归并的类别的最多对数；

I：允许迭代的最多次数；

第三步：将N个样本按最小距离分类，即若

D_j＝min(||x-z_i||，i＝1，2，…C)→x∈f_j；

第四步：若对于某一聚类域f_j，其样本数目N_j＜θ_N则取消该子集f_j和z_j并且C＝C-1，即类别数减少1；

第五步：修正各聚类中心值：

其中N_j为f_j的样本数；

第六步：对每一聚类域f_j，计算其所有样本到其聚类中心的距离的平均值；

第七步：计算所有样本到其相应聚类中心的距离的平均值；

第八步：

①若迭代次数达到I次，置θ_c＝0，转入第十二步，运算结束，

②若C≤K/2，即聚类中心数目等于或不到规定数目的二分之一，则转入第九步，以对现有类别进行***，

③若C≥2K，跳过***，转入第十二步，否则转下，

④若K/2＜C＜2K，当迭代次数是奇数转第九步***，迭代次数为偶数时，转入第十二步合并；

第九步：计算每一类别中样本与聚类中心距离的标准差向量：

σ_j＝(σ_1j，σ_2j，...σ_nj)^t；

其中每一分量为

这里n为模式样本的维数，x_i1是第L个样本的第i个分量，z_ij是z_j的第i个分量；

第十步：对每一标准差向量σ_j，j＝1，2，…C，求其中最大分量σ_jmax，

其中

k＝维数，用S记下它是第几分量；

第十一步：在最大分量集{σ_jmax，j＝1，2，…C}中若有σ_jmax＞θ_S并且满足下列条件之一：

即该类中样本到聚类中心的平均距离大于总体距离且该类样本总数超过规定数据两倍，则将z_j***成两个新的聚类中心

且类别数C＝C+1；

的确定方法：对于σ_jmax的z_j的分量即第s分量上加r_j＝Mσ_jmax，0＜M≤1，z_i的第s分量减去r_j，其他分量不变，构成z_j；

***完毕，转入第三步：如果没有可***的类别，则继续；

第十二步：计算每两个聚类中心之间的距离：

第十三步：将每一个d_ij的值和θ_c的值进行比较，凡是d_ij＜θ_c的均取出，组成一个集合

这里

且t≤1；

第十四步：从

开始，逐一合并d_ij＜θ_c的类别i，j，每个类别只能合并一次，合并后新类别以新聚类中心为标志：

第十五步：如果是最后一次迭代计算, 即第I次，算法结束；否则，如果需要改变参数则转入第二步，不需要改变参数则转入第三步。

Images