基于多维聚类和迁移学习的雷达信号分选研究.pdf

基于多维聚类和迁移学习的雷达信号分选研究

摘要

随着世界局势的不断变化，各国都加大了对电子战的研究投入。雷达信号分选是电

子战中情报侦察的基础，而随着技术的发展，由于相控阵、捷变频雷达等新体制雷达出

现的原因导致当今的电磁环境正面临着脉冲流越来越密集、雷达调制形式越来越复杂、

干扰信号增多等难题。为了解决这些难题，本文以雷达预分选稀释脉冲流和雷达主分选

去交错为基础研究了基于多维聚类和迁移学习的雷达信号分选算法，以下是本文主要的

工作内容和创新成果：

1.针对传统聚类算法需要预设参数和无法适应多密度的雷达数据环境等问题提出

了Auto-mean-shift算法，算法对比Mean-shift算法实现了带宽的自适应更新，使用积分

均方差来衡量误差并通过插入规则法计算全局最优带宽，依据全局最优带宽计算出局部

最优带宽实现对不同密度的数据自适应带宽更新。Auto-mean-shift算法还通过核函数和

权重的概念来增加数据集的线性可分性并改进了漂移向量计算使其实现以概率密度为

目标的自适应步长的梯度上升优化加快了算法的收敛速度。实验上，设置了与传统聚类

算法K-Means、DBSCAN在高脉冲数量、低脉冲数量、脉冲丢失环境下的对比实验，得

出了Auto-mean-shift算法对比传统算法在分选正确率上更优的结论。

2.针对目前成熟应用的动态聚类算法的过度分割和错分选现象提出了有序动态聚

类算法。有序动态聚类算法对比动态聚类算法主要增加了脉冲排序、脉冲筛选和簇类合

并三个步骤。算法需要预设门限值因此设置了两种算法在步进门限下的对比实验，在不

同的门限下定量评价了两种算法的错分选、过度分割的簇类个数。实验证明有序动态聚

类算法的脉冲排序环节可以有效减少动态聚类算法的错分选、过度分割现象；脉冲筛选

主要是立足于解决实际工程中被通讯信号等脉冲干扰导致难以分选的部分，通过直接挖

去此部分来减少对分选正确率的影响；簇类合并环节是为了进一步解决过度分割现象，

通过设置评判标准对疑似过度分割的簇类挑选出来进行扩大门限的分选来达到减少过

度分割的目的。最后比较了Auto-mean-shift算法和有序动态聚类算法两种多维聚类算法

在同一数据集下的分选效果并展望其未来优化方向。

3.针对传统的有监督式深度学习模型泛化能力不佳的问题，本文提出了基于迁移学

习网络模型的雷达信号分选算法，引入迁移学习思想提升模型的泛化能力以应对复杂多

变的新型雷达体制，并理论推导了迁移学习的泛化边界。分选方案上使用DTOA频次矩

阵将一维的雷达TOA序列映射为二维图像，采用图像语义分割的概念进行图像像素级

哈尔滨工程大学硕士学位论文

训练和分选。迁移学习网络模型选择了嵌入了注意力机制的Vgg-Unet网络模型，评价

指标使用per_Accuracy和Focalloss来实现对单部雷达在图像语义分割训练中的正确率

评价和对不平衡样本的损失值优化计算。最后，实验设置上使用了低信噪比环境的模拟

雷达数据集并设置了与其它算法的对比实验，并验证了其在脉冲丢失和PRI复杂变化的

实采雷达数据集和不平衡样本数据集上具有良好的实验结果。

Auto-mean-shift

关键词：雷达信号分选；图像语义分割；算法；有序动态聚类算法；迁

移学习

基于多维聚类和迁移学习的雷达信号分选研究

ABSTRACT

Withtheconstantchangeoftheworldsituation,allcountrieshaveincreasedtheirresearch

investmentinelectronicwarfare.Radarsortingisthebasisofin