顧軍華 田 喆 蘇 鳴 張亞娟

(河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院 天津 300401)(河北省大數(shù)據(jù)計(jì)算重點(diǎn)實(shí)驗(yàn)室 天津 300401)

0 引 言

雷達(dá)分選是雷達(dá)信號(hào)處理中的重要一環(huán)，只有從交疊的雷達(dá)數(shù)據(jù)中分解出每個(gè)雷達(dá)的數(shù)據(jù)，才能對(duì)雷達(dá)數(shù)據(jù)進(jìn)行準(zhǔn)確分析，因此雷達(dá)分選的準(zhǔn)確性直接影響了雷達(dá)的性能。隨著雷達(dá)的廣泛應(yīng)用，雷達(dá)所處的電磁環(huán)境日益復(fù)雜[1]，單純依靠脈沖重復(fù)周期(PRI)的分選系統(tǒng)已經(jīng)無法滿足人們對(duì)雷達(dá)分選準(zhǔn)確度的需求。近年來，有學(xué)者提出基于聚類的雷達(dá)分選系統(tǒng)[2]，這類方法無須先驗(yàn)信息，可以處理嚴(yán)重重疊的雷達(dá)數(shù)據(jù)。針對(duì)雷達(dá)分選系統(tǒng)的實(shí)時(shí)性要求，實(shí)際應(yīng)用中常采用數(shù)據(jù)流聚類算法進(jìn)行分選。

CluStream算法是最早出現(xiàn)的數(shù)據(jù)流聚類算法，該算法包含在線和離線兩個(gè)階段，這種高效的框架成為了數(shù)據(jù)流聚類的主流框架。CluStream算法存在只能發(fā)掘球狀類、不能識(shí)別噪聲點(diǎn)等問題，為了解決上述問題，提出基于網(wǎng)格的數(shù)據(jù)流聚類算法(D-Stream算法)，該算法通過將數(shù)據(jù)點(diǎn)映射到網(wǎng)格，提升了算法效率。此后，出現(xiàn)了大量對(duì)D-Stream算法的改進(jìn)[3]，其中ExCC算法[4]按照每個(gè)維度的特性分配各個(gè)維度的粒度來劃分網(wǎng)格，并且在線階段考慮了數(shù)據(jù)流流速，具有很好的效率。但是上述基于網(wǎng)格的數(shù)據(jù)流聚類算法，存在著容易丟失聚類的邊界和容易將距離較近類合并的問題。

針對(duì)上述兩個(gè)問題，本文提出了基于網(wǎng)格密度峰值的數(shù)據(jù)流聚類算法(GDP-Stream)。該算法首先于在線階段采用一種新的雙重網(wǎng)格劃分方式來建立概要數(shù)據(jù)結(jié)構(gòu)，極大地減少了聚類邊界丟失的概率。其次，鑒于密度峰聚類算法(DPC)[5]可以很好地區(qū)分距離較近的類，因此本文算法通過在離線階段融入改進(jìn)的DPC算法，來避免傳統(tǒng)網(wǎng)格合并方法容易將距離較近的類合并的問題。為了證明GDP-Stream算法可以有效地進(jìn)行雷達(dá)分選，本文將GDP-Stream算法、ExCC算法和DP-Stream算法[6]在仿真雷達(dá)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)。其中，DP-Stream算法是一種基于DPC的數(shù)據(jù)流聚類算法。結(jié)果表明，GDP-Stream算法相比于ExCC算法和DP-Stream算法有著更高的準(zhǔn)確度和抗干擾能力。

1 GDP-Stream算法

GDP-Stream算法的框架如圖1所示。

圖1 GDP-Stream算法框架圖

在線階段，不斷接收數(shù)據(jù)流，采用雙重網(wǎng)格劃分生成并維護(hù)概要數(shù)據(jù)結(jié)構(gòu)。當(dāng)收到用戶發(fā)來的聚類請(qǐng)求時(shí)，算法進(jìn)入離線階段，執(zhí)行基于改進(jìn)DPC算法的網(wǎng)格合并，生成聚類結(jié)果。

1.1 在線階段

數(shù)據(jù)流樣本集X={X1,X2，…，Xn}是由n個(gè)有d維屬性的數(shù)據(jù)樣本點(diǎn)Xi={Xi1,Xi2，…，Xij，…Xid}組成的，Xij為X中第i個(gè)樣本點(diǎn)的第j維屬性。數(shù)據(jù)空間的上界M={M1,M2，…，Md}，下界m={m1,m2，…，md}，其中Mi=max(X1i,X2i，…，Xni)，mi=min(X1i,X2i，…，Xni)。

定義1(靜態(tài)網(wǎng)格) 由數(shù)據(jù)空間對(duì)每一維k等分得到。網(wǎng)格邊長(zhǎng)l={l1,l2，…，ld}。靜態(tài)網(wǎng)格Gi的密度DGi為靜態(tài)網(wǎng)格中包含的數(shù)據(jù)點(diǎn)數(shù)量。當(dāng)靜態(tài)網(wǎng)格密度大于用戶設(shè)置的密度閾值DT時(shí)，稱該靜態(tài)網(wǎng)格為高密度靜態(tài)網(wǎng)格，否則稱低密度靜態(tài)網(wǎng)格。

定義2(數(shù)據(jù)樣本點(diǎn)之間的距離) PDW中不同屬性的量綱差別很大[7]，為避免影響聚類準(zhǔn)確性，本文對(duì)歐式距離進(jìn)行min-max歸一化改進(jìn)，數(shù)據(jù)樣本點(diǎn)Xi和Xj的距離如下所示：

(1)

傳統(tǒng)網(wǎng)格聚類算法多采用靜態(tài)網(wǎng)格劃分。網(wǎng)格數(shù)量隨數(shù)據(jù)維數(shù)增長(zhǎng)而激增，降低了算法的效率。并且這種劃分直接丟棄低密度網(wǎng)格中的點(diǎn)，容易丟失聚類的邊界。本文基于文獻(xiàn)[2]進(jìn)行改進(jìn)，提出雙重網(wǎng)格劃分，該方法有效濾除了噪聲點(diǎn)，并在下文的網(wǎng)格合并過程中只對(duì)動(dòng)態(tài)網(wǎng)格進(jìn)行操作，由于動(dòng)態(tài)網(wǎng)格數(shù)量不隨維度一起增長(zhǎng)，提高了效率。

定義3(動(dòng)態(tài)網(wǎng)格) 以Xi點(diǎn)為網(wǎng)格中心，定義1中的網(wǎng)格邊長(zhǎng)l為邊長(zhǎng)創(chuàng)建的網(wǎng)格稱為動(dòng)態(tài)網(wǎng)格。以Xi點(diǎn)為中心的動(dòng)態(tài)網(wǎng)格的密度DXi為動(dòng)態(tài)網(wǎng)格中數(shù)據(jù)點(diǎn)的個(gè)數(shù)。

當(dāng)有數(shù)據(jù)點(diǎn)屬于兩個(gè)動(dòng)態(tài)網(wǎng)格，則稱這兩個(gè)動(dòng)態(tài)網(wǎng)格相交。如圖2所示，求一個(gè)動(dòng)態(tài)網(wǎng)格的相交動(dòng)態(tài)網(wǎng)格時(shí)，只需搜索與該動(dòng)態(tài)網(wǎng)格中心點(diǎn)所在靜態(tài)網(wǎng)格相鄰的靜態(tài)網(wǎng)格即可。

圖2 相交動(dòng)態(tài)網(wǎng)格

對(duì)數(shù)據(jù)流X={X1,X2,…,Xn}執(zhí)行雙重網(wǎng)格劃分，生成并維護(hù)概要數(shù)據(jù)結(jié)構(gòu)的具體步驟如下：

(1) 設(shè)置參數(shù)：噪聲過濾閾值DT、靜態(tài)網(wǎng)格劃分份數(shù)k、數(shù)據(jù)點(diǎn)最大數(shù)量max_X。

(2) 積累一定的數(shù)據(jù)點(diǎn)，計(jì)算X的上界M和下界m，根據(jù)靜態(tài)網(wǎng)格劃分份數(shù)k，計(jì)算網(wǎng)格邊長(zhǎng)l。

(3) 進(jìn)行靜態(tài)網(wǎng)格劃分，將數(shù)據(jù)空間k等分。

(4) 從數(shù)據(jù)流X接收一點(diǎn)Xi，存入X_list。

(5) 若X_list中數(shù)據(jù)點(diǎn)總量達(dá)到max_X，則刪除最早到達(dá)的數(shù)據(jù)點(diǎn)，如果該數(shù)據(jù)點(diǎn)所處的靜態(tài)網(wǎng)格退化為低密度靜態(tài)網(wǎng)格，則刪除該靜態(tài)網(wǎng)格中包含的動(dòng)態(tài)網(wǎng)格。

(6) 求Xi所屬靜態(tài)網(wǎng)格Gi，更新DGj。

(7) 如果DGj由低密度靜態(tài)網(wǎng)格轉(zhuǎn)變?yōu)楦呙芏褥o態(tài)網(wǎng)格，則執(zhí)行(8)，否則執(zhí)行(10)。

(8) 對(duì)Gj中每一個(gè)數(shù)據(jù)點(diǎn)，判斷該點(diǎn)能否落入某個(gè)已存在的動(dòng)態(tài)網(wǎng)格中。若能，則將該點(diǎn)存入該動(dòng)態(tài)網(wǎng)格中；若不能，則以該點(diǎn)為中心，根據(jù)網(wǎng)格邊長(zhǎng)創(chuàng)建一個(gè)新的動(dòng)態(tài)網(wǎng)格。

(9) 判斷與Gj相鄰的低密度靜態(tài)網(wǎng)格中的每個(gè)點(diǎn)能否落入(8)中新創(chuàng)建的動(dòng)態(tài)網(wǎng)格，若能則存入。

(10) 若X中有數(shù)據(jù)點(diǎn)未處理，則執(zhí)行(4)，否則在線階段結(jié)束。在線階段，得到一組靜態(tài)網(wǎng)格和動(dòng)態(tài)網(wǎng)格，作為概要數(shù)據(jù)結(jié)構(gòu)。

如圖3所示，雙重網(wǎng)格劃分可以很好地處理靜態(tài)網(wǎng)格劃分存在的聚類邊界丟失問題。

圖3 網(wǎng)格劃分對(duì)比

1.2 離線階段

離線階段對(duì)在線階段生成的概要數(shù)據(jù)結(jié)構(gòu)(靜態(tài)網(wǎng)格和動(dòng)態(tài)網(wǎng)格)執(zhí)行網(wǎng)格合并。

按照傳統(tǒng)的網(wǎng)格合并思路，直接合并相交的動(dòng)態(tài)網(wǎng)格，可以高效地處理復(fù)雜形狀類，如圖4所示。

圖4 傳統(tǒng)網(wǎng)格合并

但是這種合并方式只考慮了局部信息，缺乏對(duì)數(shù)據(jù)空間的整體考量，如果兩個(gè)類距離較近，很可能被合并為一類，如圖5所示。

文獻(xiàn)[5]提出DPC算法，該算法的思想是首先求出密度峰作為聚類中心，密度峰為本身局部密度大并且與其他局部密度更大數(shù)據(jù)點(diǎn)的距離較大的點(diǎn)；然后將其他數(shù)據(jù)點(diǎn)歸類到相應(yīng)的密度峰。DPC算法對(duì)聚類中心的挖掘，考慮了數(shù)據(jù)空間的整體特性，可以很好地區(qū)分距離較近的類[8-10]。參考DPC算法中密度峰的定義，密度峰動(dòng)態(tài)網(wǎng)格的定義如下：

定義4(密度峰動(dòng)態(tài)網(wǎng)格) 當(dāng)動(dòng)態(tài)網(wǎng)格擁有較高密度，且與其他密度更大的動(dòng)態(tài)網(wǎng)格之間的距離較大，稱其為密度峰動(dòng)態(tài)網(wǎng)格。本算法采用文獻(xiàn)[11]中的密度峰指標(biāo)ZXi如下：

(2)

式中：dmXi為以Xi為中心的動(dòng)態(tài)網(wǎng)格與更高密度動(dòng)態(tài)網(wǎng)格之間的最小距離：

ZXi=DXi×dmXi

(3)

首先計(jì)算所有動(dòng)態(tài)網(wǎng)格的ZXi，排除ZXi最大的動(dòng)態(tài)網(wǎng)格，對(duì)于剩下動(dòng)態(tài)網(wǎng)格排序后的序列為Z={Z1,Z2，…，Zm}，其中m為ZXi值不為最大值的點(diǎn)的動(dòng)態(tài)網(wǎng)格數(shù)量。

I=argmaxi((Zi-1-Zi)-(Zi-Zi+1))

(4)

稱{Z1,Z2，…，ZI}所對(duì)應(yīng)的動(dòng)態(tài)網(wǎng)格為密度峰動(dòng)態(tài)網(wǎng)格。

但是DPC算法有著效率低的缺點(diǎn)，并且容易把復(fù)雜形狀的類劃分為多個(gè)類。不能將DPC算法中的方法直接用于本文對(duì)動(dòng)態(tài)網(wǎng)格的合并，因此本文對(duì)DPC算法思想提出如下改進(jìn)。

改進(jìn)1：降低挖掘密度峰動(dòng)態(tài)網(wǎng)格的時(shí)間消耗。

定義5(密度極大動(dòng)態(tài)網(wǎng)格) 當(dāng)動(dòng)態(tài)網(wǎng)格密度不小于它的任意一個(gè)相交動(dòng)態(tài)網(wǎng)格密度，且大于所有動(dòng)態(tài)網(wǎng)格平均密度，稱該動(dòng)態(tài)網(wǎng)格為密度極大動(dòng)態(tài)網(wǎng)格。

密度極大動(dòng)態(tài)網(wǎng)格的ZXi較大，密度峰動(dòng)態(tài)網(wǎng)格大多存在于密度極大動(dòng)態(tài)網(wǎng)格中。求得密度峰動(dòng)態(tài)網(wǎng)格的時(shí)間復(fù)雜度為O(m2)。為了提高效率，本算法首先用O(m)的復(fù)雜度求得密度極大動(dòng)態(tài)網(wǎng)格，再?gòu)乃忻芏葮O大動(dòng)態(tài)網(wǎng)格中求得密度峰動(dòng)態(tài)網(wǎng)格。

改進(jìn)2：降低非密度峰動(dòng)態(tài)網(wǎng)格歸類時(shí)間消耗。

定義6(動(dòng)態(tài)網(wǎng)格集) 對(duì)于以Xi點(diǎn)為中心的密度峰動(dòng)態(tài)網(wǎng)格，稱以它為基礎(chǔ)歸類得到的動(dòng)態(tài)網(wǎng)格集為CXi。

如果按照DPC算法中思想進(jìn)行歸類，對(duì)于每個(gè)非密度峰動(dòng)態(tài)網(wǎng)格，將它按密度降序的順序歸類到密度大于它且距離最近的動(dòng)態(tài)網(wǎng)格所屬的類中，得到動(dòng)態(tài)網(wǎng)格集。

本算法改進(jìn)的歸類方法如下：首先將所有動(dòng)態(tài)網(wǎng)格按密度降序排序，之后按順序進(jìn)行歸類。對(duì)于非密度極大動(dòng)態(tài)網(wǎng)格，因?yàn)橐欢ù嬖诿芏却笥谒膭?dòng)態(tài)網(wǎng)格與它相交，相交的動(dòng)態(tài)網(wǎng)格之間的距離一定小于不相交的，所以只需搜索與它相交的動(dòng)態(tài)網(wǎng)格，從中找到密度大于它且距離最近的動(dòng)態(tài)網(wǎng)格，即為所求。上文中提到，求相交動(dòng)態(tài)網(wǎng)格相比于求距離最近動(dòng)態(tài)網(wǎng)格只需要很少的時(shí)間，所以歸類的效率得到了很大的提高。對(duì)于密度極大動(dòng)態(tài)網(wǎng)格，無法快速求解，因此按照DPC算法的方法求解。但是由于密度極大動(dòng)態(tài)網(wǎng)格數(shù)量較少，所以時(shí)間損耗不大。

改進(jìn)3：避免復(fù)雜形狀類被劃分為多個(gè)類。

復(fù)雜形狀的類會(huì)存在多個(gè)密度峰，DPC算法會(huì)把非密度峰點(diǎn)歸類到密度峰所屬的類，所以容易導(dǎo)致復(fù)雜形狀的類被錯(cuò)誤的劃分為多個(gè)類[8]。

為解決該問題，本文引入了相似度。通過觀察發(fā)現(xiàn)，同一個(gè)類中的動(dòng)態(tài)網(wǎng)格應(yīng)該具有相似的密度；若相鄰動(dòng)態(tài)網(wǎng)格集屬于同一類，則它們之間相交動(dòng)態(tài)網(wǎng)格的平均密度不會(huì)與它們兩個(gè)的平均密度差距很大。則相似度定義如下：

定義7(相似度) 動(dòng)態(tài)網(wǎng)格集CXi和CXj之間的相似度為：

(5)

(6)

式中：d(CXi)為CXi中動(dòng)態(tài)網(wǎng)格的平均密度。式(5)為相對(duì)密度差，當(dāng)sim(CXi,CXj)超過一定閾值SIMT后判定兩個(gè)動(dòng)態(tài)網(wǎng)格集相似，合并CXi和CXj。

基于改進(jìn)DPC算法的網(wǎng)格合并的步驟如下：

(1) 設(shè)置相似度閾值SIMT。

(2) 將所有動(dòng)態(tài)網(wǎng)格，按照密度從大到小排序。

(3) 找到所有密度極大動(dòng)態(tài)網(wǎng)格。

(4) 從密度極大動(dòng)態(tài)網(wǎng)格中找到密度峰動(dòng)態(tài)網(wǎng)格。

(5) 對(duì)所有非密度峰動(dòng)態(tài)網(wǎng)格進(jìn)行歸類，生成一組動(dòng)態(tài)網(wǎng)格集。

(6) 對(duì)于每?jī)蓚€(gè)相交動(dòng)態(tài)網(wǎng)格集CXi和CXj，當(dāng)sim(CXi,CXj)≥SIMT時(shí)，合并CXi和CXj。

(7) 將動(dòng)態(tài)網(wǎng)格聚類結(jié)果，映射到數(shù)據(jù)點(diǎn)。當(dāng)數(shù)據(jù)點(diǎn)屬于多個(gè)不同類動(dòng)態(tài)網(wǎng)格時(shí)，將其歸屬于距離最近的動(dòng)態(tài)網(wǎng)格所屬的類。

2 仿真實(shí)驗(yàn)分析

2.1 雷達(dá)信號(hào)仿真

脈沖描述字(PDW)流的生成流程如下：

(1) 單部雷達(dá)PDW流產(chǎn)生：PDW中脈沖載頻(RF)、脈沖寬度(PW)以及脈沖到達(dá)角(DOA)三個(gè)屬性最為穩(wěn)定，常用來作為雷達(dá)分選系統(tǒng)的依據(jù)。脈沖重復(fù)周期(PRI)屬性，用來計(jì)算每個(gè)脈沖的到達(dá)時(shí)間(TOA)。因此，本文的雷達(dá)信號(hào)需要對(duì)上述四個(gè)屬性進(jìn)行仿真。其中，PW誤差為1%；DOA誤差為2°；RF分為固定、捷變、跳變，誤差為1%。TOA由下式確定:

TOAn=TOAn-1+PRI+ω

(7)

式中：PRI分為固定、抖動(dòng)、參差和滑變，TOA0為脈沖初始到達(dá)時(shí)間，誤差ω為PRI的1%。

(2) 干擾脈沖數(shù)據(jù)流產(chǎn)生：在真實(shí)的電子偵察活動(dòng)中，會(huì)有噪聲數(shù)據(jù)進(jìn)入雷達(dá)分選系統(tǒng)。本文通過在隨機(jī)時(shí)刻加入處在數(shù)據(jù)空間值域內(nèi)的偽隨機(jī)數(shù)來模擬干擾脈沖。

(3) 排序處理：多部雷達(dá)的PDW流產(chǎn)生后，需要將多個(gè)脈沖序列依照TOA排序融合成一個(gè)脈沖序列，從而得到整個(gè)PDW流。

(4) 重疊處理：當(dāng)某一脈沖的到達(dá)時(shí)間小于前一脈沖的結(jié)束時(shí)間，就會(huì)出現(xiàn)不同雷達(dá)脈沖在時(shí)域上重疊的現(xiàn)象。當(dāng)發(fā)生脈沖重疊時(shí)，本文按照5%的概率進(jìn)行了丟失處理。

仿真實(shí)驗(yàn)?zāi)M了4部不同類型雷達(dá)的PDW流。同時(shí)加入了雷達(dá)脈沖總數(shù)10%的干擾脈沖，具體參數(shù)設(shè)置如表1所示。圖6為數(shù)據(jù)點(diǎn)分布圖。

表1 實(shí)驗(yàn)數(shù)據(jù)參數(shù)表

(a) 數(shù)據(jù)點(diǎn)三維分布圖

(b) 含噪聲數(shù)據(jù)點(diǎn)PW-RF分布圖圖6 數(shù)據(jù)點(diǎn)分布圖

由圖6可以看到4部雷達(dá)的脈沖載頻RF、PW以及脈沖到達(dá)角DOA三個(gè)屬性都嚴(yán)重重疊在一起，可以用來檢驗(yàn)雷達(dá)分選系統(tǒng)在復(fù)雜信號(hào)環(huán)境中的有效性。

2.2 實(shí)驗(yàn)結(jié)果分析

為了觀察GDP-Stream算法求得密度峰動(dòng)態(tài)網(wǎng)格的效果，在T1=7 152.59 μs(第500個(gè)數(shù)據(jù)點(diǎn)到達(dá)時(shí)刻)、T2=10 700.87 μs(第750個(gè)數(shù)據(jù)點(diǎn)到達(dá)時(shí)刻)和T3=14 255.53 μs(第1 000個(gè)數(shù)據(jù)點(diǎn)到達(dá)時(shí)刻)分別求得密度峰動(dòng)態(tài)網(wǎng)格。如圖7所示，為了方便觀察，將密度峰動(dòng)態(tài)網(wǎng)格投影到PW-RF平面?？梢钥闯鯣DP-Stream算法在T1和T2時(shí)刻比較準(zhǔn)確地求得了每個(gè)類的密度峰動(dòng)態(tài)網(wǎng)格，T3時(shí)刻由于類內(nèi)密度的暫時(shí)變化，導(dǎo)致該時(shí)刻求得的密度峰動(dòng)態(tài)網(wǎng)格數(shù)量過多，但是由于GDP-Stream算法會(huì)合并相似度超過SIMT的相鄰動(dòng)態(tài)網(wǎng)格集，因此過多的密度峰動(dòng)態(tài)網(wǎng)格數(shù)量并不會(huì)影響聚類質(zhì)量。

圖7 密度峰動(dòng)態(tài)網(wǎng)格圖

本文采用聚類準(zhǔn)確度(CA)作為聚類效果的評(píng)價(jià)標(biāo)準(zhǔn)，它表示正確聚類的數(shù)據(jù)點(diǎn)數(shù)占總數(shù)據(jù)點(diǎn)數(shù)的比例，計(jì)算方法如下：

(8)

式中：n代表總數(shù)據(jù)點(diǎn)數(shù)，|Cj∩Pk|表示屬于第k聚類并且屬于真實(shí)分組第j組的記錄數(shù)目。準(zhǔn)確度在[0,1]內(nèi)，準(zhǔn)確度越大表示聚類效果越好。

為了說明GDP-Stream算法的有效性，本文分別把GDP-Stream算法與ExCC算法以及DP-Stream算法(參數(shù)設(shè)置見文獻(xiàn)[4]、文獻(xiàn)[6])在多個(gè)時(shí)刻的聚類準(zhǔn)確度進(jìn)行對(duì)比。如圖8所示，GDP-Stream算法和DP-Stream算法相比于ExCC算法，有著更好的聚類準(zhǔn)確度，這是因?yàn)镚DP-Stream算法采用動(dòng)態(tài)網(wǎng)格劃分方式，會(huì)產(chǎn)生聚類邊界丟失問題。而DP-Stream算法則由于直接采用DPC算法的思路所以不容易丟失聚類邊界。在大多數(shù)時(shí)刻GDP-Stream算法聚類準(zhǔn)確度好于DP-Stream算法，這是因?yàn)閱渭兪褂肈PC算法的聚類方法，會(huì)導(dǎo)致復(fù)雜形狀的類被劃分成多個(gè)小類。

圖8 實(shí)驗(yàn)結(jié)果對(duì)比圖

3 結(jié) 語

本文針對(duì)日益復(fù)雜的電磁環(huán)境，提出一種基于網(wǎng)格密度峰值聚類的實(shí)時(shí)雷達(dá)分選系統(tǒng)，該算法將基于網(wǎng)格的數(shù)據(jù)流聚類算法和DPC算法的優(yōu)點(diǎn)融合，并在準(zhǔn)確度和效率上加以優(yōu)化。通過仿真實(shí)驗(yàn)證明，本文算法可以在雷達(dá)信號(hào)嚴(yán)重重疊并且存在干擾的電磁環(huán)境中，進(jìn)行高效、準(zhǔn)確的雷達(dá)分選。