國(guó) 強(qiáng)，宋文明，南普龍，萬(wàn) 建

（哈爾濱工程大學(xué)信息與通信工程學(xué)院，150001哈爾濱）

基于數(shù)據(jù)場(chǎng)與云模型的多模雷達(dá)信號(hào)分選算法

國(guó) 強(qiáng)，宋文明，南普龍，萬(wàn) 建

（哈爾濱工程大學(xué)信息與通信工程學(xué)院，150001哈爾濱）

針對(duì)傳統(tǒng)分選算法處理多模雷達(dá)信號(hào)效果較差的問(wèn)題，提出一種基于數(shù)據(jù)場(chǎng)的層次聚類信號(hào)分選算法，以克服多模雷達(dá)信號(hào)分選時(shí)存在的“增批”問(wèn)題.將數(shù)據(jù)場(chǎng)理論應(yīng)用于多模雷達(dá)輻射源信號(hào)的分選，利用數(shù)據(jù)場(chǎng)勢(shì)函數(shù)劃分輻射源信號(hào)數(shù)據(jù)的層次，通過(guò)等勢(shì)圖的繪制完成數(shù)據(jù)的自組織層次聚類.提出一種基于云模型的分選結(jié)果有效性評(píng)估算法，可在脫離雷達(dá)輻射源庫(kù)的情況下驗(yàn)證信號(hào)分選結(jié)果的有效性.仿真實(shí)驗(yàn)驗(yàn)證了提出算法的有效性.

多模雷達(dá)；數(shù)據(jù)場(chǎng)；云模型；信號(hào)分選

多模雷達(dá)是指集多種體制雷達(dá)功能于一身，具備多種工作模式，可以同時(shí)完成多種作戰(zhàn)任務(wù)的新型雷達(dá)［1］.為提高工作性能并滿足抗干擾的需求，多模雷達(dá)多采用復(fù)雜多變的波形設(shè)計(jì)，雷達(dá)發(fā)射脈沖的頻率、時(shí)域參數(shù)都進(jìn)行復(fù)雜的變化，其雷達(dá)信號(hào)特征參數(shù)空間復(fù)雜多變、不具備明顯的相關(guān)性和規(guī)律性.隨著電子對(duì)抗設(shè)備的日益先進(jìn)和脈沖密度的迅猛增加，電子偵察設(shè)備接收到的雷達(dá)信號(hào)及雷達(dá)輻射源數(shù)據(jù)庫(kù)常呈現(xiàn)出明顯的隨機(jī)性和模糊性.因此在對(duì)多模雷達(dá)信號(hào)分選時(shí)，往往會(huì)將一個(gè)輻射源的不同模式分選為多個(gè)輻射源，造成“增批”現(xiàn)象［2］.

從數(shù)據(jù)挖掘的角度來(lái)看，領(lǐng)域內(nèi)提出的多模雷達(dá)信號(hào)分選算法分為分類算法和聚類算法.典型的分類方法主要包括基于神經(jīng)網(wǎng)絡(luò)［3］和基于支持向量機(jī)［4］的分選方法.此類方法在處理未知信息過(guò)多、樣本集過(guò)于復(fù)雜、樣本隨機(jī)性與模糊性較高的雷達(dá)信號(hào)時(shí)，會(huì)產(chǎn)生大量不可預(yù)測(cè)結(jié)果.聚類算法相比于分類算法在處理高密度、具有隨機(jī)性和模糊性、數(shù)據(jù)成分復(fù)雜的雷達(dá)信號(hào)更有優(yōu)勢(shì).具有代表性的聚類分選算法法有K-means算法［5］以及網(wǎng)格密度聚類算法［6］.當(dāng)前應(yīng)用于雷達(dá)信號(hào)分選的聚類算法存在以下問(wèn)題：抗噪能力和發(fā)現(xiàn)任意形狀、大小聚類的能力較弱，處理離散數(shù)據(jù)效果較差.

本文受數(shù)據(jù)挖掘理論［7］啟發(fā)，提出一種基于數(shù)據(jù)場(chǎng)與云模型的多模雷達(dá)信號(hào)分選算法.為驗(yàn)證算法分選結(jié)果的有效性，提出一種基于云模型理論的多模雷達(dá)信號(hào)分選結(jié)果評(píng)估算法，將每個(gè)預(yù)分選算法得到的聚類結(jié)果歸納為一個(gè)云模型，根據(jù)提出的評(píng)價(jià)判定準(zhǔn)則比較、處理不同云模型間的隸屬度，從而驗(yàn)證分選結(jié)果的有效性并進(jìn)一步提高分選正確率.

1 基于數(shù)據(jù)場(chǎng)的層次聚類分選算法

由于層次聚類具有通過(guò)層次構(gòu)架模式遞歸地對(duì)數(shù)據(jù)進(jìn)行合并或分裂，形成一種嵌套的類層次結(jié)構(gòu)或類譜系圖的特點(diǎn)，可將一部多模雷達(dá)的不同模式雷達(dá)信號(hào)歸納為同一譜系，適用于多模雷達(dá)信號(hào)的分選.考慮到當(dāng)前復(fù)雜密集電磁環(huán)境中截獲到的雷達(dá)信號(hào)存在大量噪聲與離群數(shù)據(jù)，且由于雷達(dá)信號(hào)先驗(yàn)信息的缺失，層次聚類的參數(shù)無(wú)法進(jìn)行設(shè)定.因此本文引入數(shù)據(jù)場(chǎng)理論，利用數(shù)據(jù)場(chǎng)構(gòu)建輻射源信號(hào)的等勢(shì)線劃分，采用削除勢(shì)心法確定信號(hào)樣本的勢(shì)心作為層次聚類的聚類中心，通過(guò)勢(shì)場(chǎng)的建立完成數(shù)據(jù)的自組織層次聚類.

1.1 數(shù)據(jù)場(chǎng)理論

數(shù)據(jù)場(chǎng)理論借用物理中場(chǎng)的概念，將數(shù)據(jù)空間中每個(gè)數(shù)據(jù)點(diǎn)視為多維數(shù)據(jù)空間中具有一定質(zhì)量的粒子，每個(gè)粒子周?chē)嬖谝粋€(gè)虛擬作用場(chǎng)，數(shù)據(jù)空間中其他數(shù)據(jù)點(diǎn)將受到該點(diǎn)場(chǎng)力的作用，同時(shí)該粒子也會(huì)受到其他粒子場(chǎng)力的作用.設(shè)已知空間Ω中包含n個(gè)對(duì)象的數(shù)據(jù)集D=｛x1，x2，…，xn｝，數(shù)據(jù)空間中任一點(diǎn)的勢(shì)是數(shù)據(jù)空間其他點(diǎn)到該點(diǎn)的勢(shì)值加和［8］，即

式中：‖x-xi‖為數(shù)據(jù)點(diǎn)數(shù)據(jù)對(duì)象x到空間任意點(diǎn)xi的歐式空間距離；σ是影響因子，用于控制對(duì)象間的相互作用力．

這里需要指出，由于雷達(dá)樣本信號(hào)不同特征參數(shù)的數(shù)值差異很大，在利用式（1）求取數(shù)據(jù)空間某一點(diǎn)的數(shù)值前，須對(duì)雷達(dá)信號(hào)各參數(shù)進(jìn)行歸一化處理：雷達(dá)某一特征參數(shù)向量A=［a1，a2，…，an］歸一化后得到A′=［a1′，a2′，…，an′］，其中ai′=-1+2×（ai-amin）／（amax-amin）．?dāng)?shù)據(jù)的歸一化處理可以簡(jiǎn)化數(shù)據(jù)場(chǎng)的構(gòu)建，更有效地表現(xiàn)數(shù)據(jù)的密集程度．為了更好地對(duì)勢(shì)場(chǎng)進(jìn)行量化分析，將勢(shì)值相同的點(diǎn)連接起來(lái)構(gòu)成等勢(shì)線．等勢(shì)線是數(shù)據(jù)空間中所有數(shù)據(jù)形成的數(shù)據(jù)場(chǎng)疊加而形成的嵌套模型，可以定量描述數(shù)據(jù)空間中數(shù)據(jù)點(diǎn)的分布．圖1是數(shù)據(jù)場(chǎng)等勢(shì)線分布示意圖，可見(jiàn)等勢(shì)線密度與數(shù)據(jù)點(diǎn)的密集程度成正比．圖1中等勢(shì)線圍繞的位置為勢(shì)心，是勢(shì)場(chǎng)中勢(shì)值的極大值點(diǎn)．勢(shì)心由代表數(shù)據(jù)點(diǎn)的某個(gè)或多個(gè)特征參數(shù)的空間分布情況決定，可以最大程度代表該勢(shì)心附近所有點(diǎn)的空間特征．當(dāng)將數(shù)據(jù)場(chǎng)應(yīng)用于聚類算法中時(shí)，可將勢(shì)心作為數(shù)據(jù)空間中特征參數(shù)聚類分選算法的聚類中心．

圖1 數(shù)據(jù)場(chǎng)等勢(shì)線分布圖

1.2 改進(jìn)的影響因子選取方法

根據(jù)式（1）可知，數(shù)據(jù)對(duì)象的作用距離與σ值的大小成正比．圖2給出當(dāng)σ取不同值時(shí)勢(shì)場(chǎng)的分布情況．若σ值足夠大，整個(gè)數(shù)據(jù)場(chǎng)可以理解為只有一個(gè)勢(shì)心的數(shù)據(jù)集合，如圖2（c）所示．此時(shí)的數(shù)據(jù)場(chǎng)顯然不能準(zhǔn)確反映數(shù)據(jù)點(diǎn)的分布情況，因此一個(gè)合適的影響因子值對(duì)數(shù)據(jù)場(chǎng)的構(gòu)建至關(guān)重要．本文提出一種改進(jìn)的影響因子選擇方法，以克服數(shù)據(jù)挖掘算法需要用戶仔細(xì)選擇參數(shù)的問(wèn)題．

圖2 影響因子σ對(duì)數(shù)據(jù)勢(shì)場(chǎng)分布的影響

基于信息論中表征系統(tǒng)不確定性的熵的概念，引入勢(shì)熵來(lái)衡量不同影響因子對(duì)構(gòu)成勢(shì)場(chǎng)的影響.

令數(shù)據(jù)點(diǎn)x1，x2，…，xn的勢(shì)值分別為Ψ1，Ψ2，…，Ψn，則勢(shì)熵可以定義為

圖3 勢(shì)熵H與σ間的關(guān)系曲線

根據(jù)上述分析，σ的選擇可以轉(zhuǎn)化為尋找勢(shì)熵最小值的過(guò)程．該改進(jìn)算法可以在不需要人工選擇的情況下自動(dòng)選擇最佳的影響因子．

1.3 基于數(shù)據(jù)場(chǎng)的層次聚類算法實(shí)現(xiàn)步驟

已知樣本空間Ω?R3中n個(gè)輸入多模雷達(dá)信號(hào)樣本集D=｛x1，x2，…，xn｝，每個(gè)樣本由特征參數(shù)DOA、PW、RF構(gòu)成．基于數(shù)據(jù)場(chǎng)的層次聚類多模雷達(dá)信號(hào)分選的具體步驟為：

1）從信號(hào)樣本集D中隨機(jī)抽取nsample?n雷達(dá)信號(hào)，對(duì)信號(hào)各參數(shù)進(jìn)行歸一化處理，采用影響因子優(yōu)化選取算法確定影響因子σ．

3）對(duì)劃分后的網(wǎng)格空間進(jìn)行數(shù)據(jù)場(chǎng)勢(shì)值計(jì)算，并繪制等勢(shì)線．

4）采用削除勢(shì)心法找到數(shù)據(jù)空間中的勢(shì)心值．

5）將數(shù)據(jù)空間中的所有勢(shì)心值作為層次聚類的聚類中心，按照等勢(shì)線所形成的嵌套結(jié)構(gòu)進(jìn)行層次劃分，完成多模雷達(dá)信號(hào)的分選．

1.4 仿真實(shí)驗(yàn)分析

為驗(yàn)證基于數(shù)據(jù)場(chǎng)的層次聚類算法處理多模雷達(dá)信號(hào)的有效性，利用表1中的多模雷達(dá)信號(hào)脈沖仿真數(shù)據(jù)對(duì)該分選算法進(jìn)行仿真實(shí)驗(yàn).

表1中雷達(dá)1與雷達(dá)4分別為具有3種工作模式的先進(jìn)體制多模雷達(dá)信號(hào)，圖4為表1中雷達(dá)信號(hào)的和二維仿真圖.如圖4所示，雷達(dá)1與雷達(dá)4的信號(hào)不同工作模式間參數(shù)差異性明顯，采用傳統(tǒng)模糊聚類分選算法［9］進(jìn)行分選，結(jié)果如圖5所示，此時(shí)會(huì)出現(xiàn)將雷達(dá)信號(hào)的某一工作模式分選為其他輻射源的情況，出現(xiàn)“增批”現(xiàn)象.

表1 雷達(dá)脈沖參數(shù)仿真數(shù)據(jù)

圖4 雷達(dá)信號(hào)脈沖數(shù)據(jù)二維顯示圖

圖5 模糊聚類處理信號(hào)樣本的分選結(jié)果

采用基于數(shù)據(jù)場(chǎng)的層次聚類算法對(duì)雷達(dá)信號(hào)樣本進(jìn)行處理，歸一化各組特征參數(shù)數(shù)值，確定最優(yōu)影響因子值，計(jì)算信號(hào)樣本的勢(shì)值，進(jìn)而生成數(shù)據(jù)場(chǎng)繪制等勢(shì)線，結(jié)果如圖6所示.

圖6 數(shù)據(jù)場(chǎng)算法處理信號(hào)樣本生成的數(shù)據(jù)場(chǎng)等勢(shì)線二維圖

利用圖6中生成的等勢(shì)線分布和削除勢(shì)心法得到的聚類中心值與聚類數(shù)目，對(duì)信號(hào)樣本進(jìn)行層次聚類分選，結(jié)果如表2所示.

表2 基于數(shù)據(jù)場(chǎng)的層次聚類算法分選結(jié)果

將基于數(shù)據(jù)場(chǎng)的層次聚類算法分選結(jié)果與表3中傳統(tǒng)模糊聚類分選結(jié)果比較，可以發(fā)現(xiàn)本文所提出方法可以較好處理多模雷達(dá)信號(hào)，分選性能優(yōu)于傳統(tǒng)聚類算法.但從表2中可以發(fā)現(xiàn)，雷達(dá)1與雷達(dá)4仍有部分信號(hào)被誤分選為普通雷達(dá)信號(hào).

表3 基于Kohonen網(wǎng)絡(luò)模型的聚類算法分選結(jié)果

2 基于云模型的分選結(jié)果有效性評(píng)估算法

由于雷達(dá)輻射源都存在固有參數(shù)，對(duì)多模雷達(dá)信號(hào)進(jìn)行分選時(shí)同一部雷達(dá)的脈沖序列相比于不同輻射源的脈沖序列相似性更高.因此，在利用基于數(shù)據(jù)場(chǎng)的層次聚類對(duì)多模雷達(dá)信號(hào)進(jìn)行處理后，引入云模型來(lái)對(duì)分選結(jié)果進(jìn)行分析，可對(duì)處于一部雷達(dá)的多種工作模式下的雷達(dá)信號(hào)進(jìn)行相似度判定［10］，根據(jù)提出的評(píng)估確定是否將其歸為一部雷達(dá)輻射源.

2.1 云的基本概念

云模型是一種可以描述自然語(yǔ)言和數(shù)據(jù)挖掘領(lǐng)域中未知概念的模糊性和隨機(jī)性的數(shù)學(xué)工具［11］.設(shè)U是一個(gè)用精確數(shù)值表示的論域（可以是一維的、二維的或多維的），C是U上的定性概念，U中的元素x對(duì)于T所表達(dá)的定性概念是一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)，x在論域上的分布稱為隸屬云，簡(jiǎn)稱為云．U在［0，1］取值，云是從論域U到區(qū)間［0，1］的映射，其中每一個(gè)x稱為每一個(gè)云滴［3］．

云的數(shù)字特征包括期望Ex，熵En和超熵He三種特征參量，它們反映了定性概念在整體上的定量特征.期望Ex在數(shù)域中代表所有數(shù)據(jù)的重心位置，可以認(rèn)為它是一個(gè)定性的概念點(diǎn).熵En在數(shù)域中可以理解為可接受的數(shù)值散度的范圍，代表了數(shù)域中定性概念的不確定性.超熵He是熵En的熵，在數(shù)域中代表數(shù)據(jù)的凝聚性，是定性概念的不確定性度量［3］.

2.2 基于云模型的分選結(jié)果評(píng)估算法

2.2.1 云模型隸屬度計(jì)算

求取云模型隸屬度作為相似度判定參數(shù).云模型隸屬度計(jì)算的基本思想為：首先對(duì)基于數(shù)據(jù)場(chǎng)的層次聚類分選后的每個(gè)聚類分別根據(jù)逆向云模型發(fā)生器建立云模型，然后根據(jù)正向云模型發(fā)生器分別求取其他聚類對(duì)該云模型的穩(wěn)定傾向度，即隸屬度.

將聚類分選結(jié)果中的每個(gè)輻射源都看作一個(gè)定性概念，設(shè)第i個(gè)聚類的信號(hào)樣本為xijk，i=1，2，…，m，j=1，2，…n，k=1，2，3，其中m是分選結(jié)果中雷達(dá)輻射源的數(shù)目，n為每個(gè)雷達(dá)輻射源中信號(hào)樣本的數(shù)目，k代表每個(gè)信號(hào)樣本的特征參數(shù)個(gè)數(shù)．選取RF、PW、DOA三參數(shù)作為分選向量，因此k=3．設(shè)xij1為載頻樣本，xij2為脈寬樣本，xij3為脈沖到達(dá)方向樣本．根據(jù)涉及的不需要確定度信息的逆向云發(fā)生器算法［12］，求取構(gòu)成多維云模型各維度的特征參數(shù)Exk、Enk和Hek：

根據(jù)正向云模型發(fā)生器原理［11］，生成針對(duì)其雷達(dá)輻射源信號(hào)的多維云模型.以Enk為期望，以為方差生成正態(tài)隨機(jī)數(shù)為

進(jìn)而生成三維云模型

式中：μi（xjl）代表分選結(jié)果中的第j個(gè)聚類結(jié)果中第l個(gè)信號(hào)樣本對(duì)第i個(gè)聚類結(jié)果構(gòu)成的云模型的隸屬度，xjlk是第j個(gè)聚類結(jié)果中第l個(gè)信號(hào)樣本，n是第j個(gè)聚類結(jié)果中信號(hào)樣本的個(gè)數(shù)，Exik表示第i個(gè)聚類結(jié)果中第k維特征的期望值．

式（3）可以表征其他聚類結(jié)果中信號(hào)樣本對(duì)某聚類結(jié)果構(gòu)成的多維云模型的相似度．從云模型理論分析，該式表征的是信號(hào)樣本對(duì)某聚類結(jié)果抽象成的定向概念的隸屬度．利用式（3）求取每個(gè)聚類結(jié)果中所有信號(hào)樣本對(duì)其他聚類結(jié)果的隸屬度均值Eμij：

2.2.2 分選結(jié)果評(píng)估準(zhǔn)則

當(dāng)多模雷達(dá)信號(hào)分選時(shí)，在得到不同聚類結(jié)果之間的隸屬度均值后，設(shè)定分選結(jié)果判定規(guī)則：

1）利用第i個(gè)聚類與第j個(gè)聚類的云模型數(shù)字特征（Exi，Eni，Hei），（Exj，Enj，Hej），采用自適應(yīng)閾值生成方法［13］確定閾值εμ．

2）當(dāng)?shù)趇個(gè)聚類與第j個(gè)聚類的隸屬度均值Eμij大于閾值εμ時(shí)，比較兩個(gè)聚類結(jié)果的ExDOA的差值Δ=｜ExDOA（i）-ExDOA（j）｜，若差值Δ小于設(shè)定閾值εdoa，則認(rèn)定這兩個(gè)聚類為同一雷達(dá)輻射源信號(hào)的不同工作模式．

3）若第i個(gè)聚類與第j個(gè)聚類的隸屬度均值Eμij大于閾值εμ，且DOA均值的差值Δ大于設(shè)定閾值εdoa，說(shuō)明該兩個(gè)聚類并不來(lái)自同一輻射源，卻具有較大的聚類相似度，則雷達(dá)信號(hào)多參數(shù)分選過(guò)程中的參數(shù)設(shè)定不是最優(yōu)，將該隸屬度均值反饋到多參數(shù)信號(hào)分選環(huán)節(jié)，用于聚類分選的參數(shù)優(yōu)化．

4）若第i個(gè)聚類與第j個(gè)聚類的隸屬度均值Eμij小于閾值εμ，則雷達(dá)信號(hào)得到了正確度較高的多參數(shù)分選，可將分選結(jié)果直接傳輸?shù)嚼走_(dá)信號(hào)識(shí)別環(huán)節(jié)和威脅等級(jí)判定環(huán)節(jié)．

具體實(shí)現(xiàn)的流程圖如圖7所示.

圖7 分選結(jié)果有效性評(píng)估準(zhǔn)則

2.3 仿真實(shí)驗(yàn)分析

為驗(yàn)證基于云模型的分選結(jié)果評(píng)估算法的有效性，利用基于數(shù)據(jù)場(chǎng)的層次聚類算法分選結(jié)果進(jìn)行仿真實(shí)驗(yàn).

從表2中分選結(jié)果可知，雷達(dá)1和雷達(dá)4的一部分多模雷達(dá)信號(hào)被誤分選為雷達(dá)2與雷達(dá)3的輻射源信號(hào).在采用分選結(jié)果評(píng)估算法進(jìn)行處理后，雷達(dá)2與雷達(dá)3的聚類結(jié)果不符合分選有效性評(píng)估準(zhǔn)則，將分選結(jié)果反饋到了層次聚類環(huán)節(jié)，對(duì)層次聚類的參數(shù)進(jìn)行了修改，重新進(jìn)行了計(jì)算，分選結(jié)果如圖8所示.

圖8 經(jīng)分選結(jié)果評(píng)估算法反饋優(yōu)化參數(shù)后分選處理結(jié)果二維顯示圖

經(jīng)基于云模型的分選結(jié)果有效性評(píng)估算法反饋優(yōu)化層次聚類參數(shù)后，分選結(jié)果出現(xiàn)了較大改進(jìn)，如表4所示.

表4 經(jīng)分選結(jié)果評(píng)估算法優(yōu)化參數(shù)后基于數(shù)據(jù)場(chǎng)的層次聚類算法分選結(jié)果

基于云模型的分選結(jié)果有效性評(píng)估算法可準(zhǔn)確有效評(píng)估多參數(shù)信號(hào)分選結(jié)果，并可反饋優(yōu)化多參數(shù)分選算法的參數(shù).應(yīng)用于多模雷達(dá)信號(hào)分選中時(shí)，可判別聚類結(jié)果是否屬于同一輻射源的不同工作模式，避免“增批”現(xiàn)象的出現(xiàn)，大幅度提高了雷達(dá)信號(hào)分選過(guò)程的準(zhǔn)確性和分選結(jié)果的可靠性，具有較高的實(shí)用價(jià)值.

3 結(jié) 論

1）針對(duì)傳統(tǒng)分選算法不能有效處理多模雷達(dá)信號(hào)問(wèn)題，提出基于數(shù)據(jù)場(chǎng)的層次聚類多參數(shù)分選算法，利用數(shù)據(jù)場(chǎng)勢(shì)函數(shù)的構(gòu)建描述雷達(dá)信號(hào)數(shù)據(jù)的空間分布，通過(guò)等勢(shì)線的繪制完成信號(hào)的自組織層次聚類.

2）針對(duì)聚類算法類間分離能力較差的問(wèn)題，提出基于云模型的雷達(dá)信號(hào)分選有效性評(píng)估體制，利用云模型可以從小數(shù)據(jù)樣本總結(jié)出帶有不確定性定性概念的特點(diǎn)，將多參數(shù)分選結(jié)果中的每個(gè)聚類看作定性概念，采用逆向云模型發(fā)生算法生成云模型，計(jì)算每個(gè)聚類與其他聚類的平均隸屬度值，根據(jù)分選結(jié)果評(píng)價(jià)規(guī)則處理分選結(jié)果.

3）仿真實(shí)驗(yàn)證明，提出的分選結(jié)果評(píng)價(jià)算法可有效減少多模雷達(dá)信號(hào)分選過(guò)程中“增批”現(xiàn)象的出現(xiàn)，并能有效對(duì)信號(hào)分選參數(shù)進(jìn)行優(yōu)化，進(jìn)而增加了信號(hào)分選準(zhǔn)確率.

［1］何明浩.雷達(dá)對(duì)抗信息處理［M］.北京：清華大學(xué)出版社，2010：4-100.

［2］趙玉，陸志宏.一種多模雷達(dá)信號(hào)分選方法的研究［J］.現(xiàn)代電子技術(shù)，2010，33（13）：99-102.

［3］曲衛(wèi)，劉孝剛，潘顯俊.神經(jīng)網(wǎng)絡(luò)在電子對(duì)抗與反對(duì)抗中的應(yīng)用［J］.計(jì)算機(jī)與網(wǎng)絡(luò)，2011（34）：271-272.

［4］國(guó)強(qiáng)，王常虹，李崢.支持向量聚類聯(lián)合類型熵識(shí)別的雷達(dá)信號(hào)分選方法［J］.西安交通大學(xué)學(xué)報(bào)，2010，44（8）：63-67.

［5］聶曉偉.基于K-Means算法的雷達(dá)信號(hào)預(yù)分選方法［J］.電子科技，2013，26（11）：55-58.

［6］王軍，張冰.基于動(dòng)態(tài)網(wǎng)格密度聚類的雷達(dá)信號(hào)分選算法［J］.現(xiàn)代電子技術(shù)，2013，36（21）：1-4.

［7］李德毅，杜鹢.不確定性人工智能［M］.北京：國(guó)防工業(yè)出版社2005：190-210.

［8］王樹(shù)良.基于數(shù)據(jù)場(chǎng)與云模型的空間數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)［D］.武漢：武漢大學(xué)，2002.

［9］郭杰，陳軍文.一種處理未知雷達(dá)信號(hào)的聚類分選方法［J］.系統(tǒng)工程與電子技術(shù)，2006，25（6）：853-856.

［10］李海林，郭崇慧，邱望仁.正態(tài)云模型相似度計(jì)算方法［J］.電子學(xué)報(bào)，2011，39（11）：2561-2567.

［11］李德毅，劉常昱.論正態(tài)云模型的普適性［J］.中國(guó)工程科學(xué)，2004，6（8）：28-34.

［12］李德毅，知識(shí)表示中的不確定性［J］.中國(guó)工程科學(xué)，2000，2（10）：73-79.

［13］張家精，王煥寶，倪友聰，等.云模型的隸屬概念判定中閾值生成［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（24）：125-128.

（編輯王小唯）

The research of sorting method for multimode radar signal based on data field and cloud model

GUO Qiang，SONGWenming，NAN Pulong，WAN Jian
（College of Information and Communication Engineering，Harbin Engineering University，150001 Harbin，China）

To solve the problem that traditional sorting methods can not effectively deal with multimode radar signals，a new signal sorting method based on date field and hierarchical clustering is proposed to avoid the appearance of increasing-batch phenomenon when sortingmultimode radar signals，and then a new algorithm based on cloud model used to evaluate the effectiveness of sorting results without database of radar radiation source is presented.The proposed algorithm is verified by simulations.

multimode radar；data field；cloud model；radar signal sorting

TN974

：A

：0367-6234（2015）11-0076-06

10.11918／j.issn.0367-6234.2015.11.013

2014-03-25.

國(guó)家自然科學(xué)基金（61371172，61240007）；黑龍江省科技攻關(guān)（GC13A307）；黑龍江省博士后科研啟動(dòng)金資助（LBH-Q12122）；海洋工程國(guó)家重點(diǎn)實(shí)驗(yàn)室基金（1213）；哈爾濱市應(yīng)用技術(shù)與開(kāi)發(fā)（2013RFJGJ009）.

國(guó) 強(qiáng)（1972—），男，博士，教授.

南普龍，npl1108＠163.com.