无监督聚类算法在辐射源信号分析中的应用

论文摘要

雷达辐射源信号识别是衡量雷达对抗设备技术先进程度的重要标志,是现代电子对抗领域急需解决的难题。然而随着军事科技的日益发展,电磁环境日益复杂,传统的一些分类识别方法已不能满足要求。无监督学习是解决未知雷达辐射源信号识别的有效方法。支持向量聚类算法（Support Vector Clustering）是一种基于支持向量机的无监督聚类方法,它对样本集进行聚类分析时无需任何先验知识,可以获得任意形状的聚类边界。SVC算法中的核函数参数对聚类的形成起着决定性的作用,并影响着聚类的边界和形状。如何寻找最优的核函数参数是SVC算法对辐射源信号进行准确识别的关键之一。SVC算法不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率较低。因此本文对SVC算法性能进行分析研究,在实现对SVC核函数参数寻优的同时降低SVC算法时间复杂度,提高其对分布复杂、不均匀样本的识别率,以实现对雷达辐射源信号迅速而准确的识别。论文的主要工作及研究成果如下：1.对无监督聚类算法进行了讨论,着重介绍了K-均值（K-means）和模糊C-均值（FCM）算法,并进行了实验对比。2.将SVC应用于雷达辐射源信号识别时,其结果表明,SVC不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率很低。3.引入量子进化算法（QEA）对SVC核函数参数进行优化,给出QEA-SVC算法。利用QEA算法寻找核函数参数,使SVC算法对数据样本分类时得到比较满意的聚类分布。对算例样本、iris数据集和雷达辐射源信号进行聚类分析的实验结果表明,QEA-SVC算法对SVC核函数参数的寻优是有效的。4.结合模糊C-均值聚类算法和SVC算法的优点,给出FC-SVC算法。首先利用模糊C-均值聚类算法对数据样本进行初步的线性划分,将原数据样本划分为若干个子样本。再将这些子样本分别映射到高维特征空间,用SVC方法去处理非线性问题。将此算法用于对算例样本和雷达辐射源信号样本的分类和识别,通过实验分析可知,此方法能在降低计算时间的同时,有效地提高识别率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 课题提出和研究意义
• 1.3 国内外研究现状
• 1.4 论文的主要工作
• 1.5 论文的结构安排
• 第2章 传统无监督聚类方法
• 2.1 引言
• 2.2 聚类分析概述
• 2.3 无监督聚类算法
• 2.3.1 K-均值聚类算法
• 2.3.2 模糊C-均值聚类法
• 2.3.3 算法分析比较
• 2.4 实验结果分析
• 2.5 本章小结
• 第3章 基于支持向量聚类的辐射源信号分析
• 3.1 引言
• 3.2 支持向量聚类算法
• 3.2.1 基于支持向量机的训练
• 3.2.2 聚类标识
• 3.3 辐射源信号特征
• 3.3.1 辐射源信号特征提取
• 3.3.2 辐射源信号特征选择
• 3.4 实验结果分析
• 3.5 本章小结
• 第4章 量子进化算法在支持向量聚类核函数参数优化中的应用
• 4.1 引言
• 4.2 量子进化算法
• 4.2.1 量子比特编码
• 4.2.2 量子旋转门
• 4.3 基于量子进化算法的支持向量聚类核函数参数优化
• 4.3.1 算法基本原理
• 4.3.2 算法流程
• 4.4 实验结果与分析
• 4.5 本章小结
• 第5章 基于模糊C-均值的支持向量辐射源信号分析
• 5.1 引言
• 5.2 基于模糊C-均值算法的支持向量聚类算法
• 5.3 实验结果和分析
• 5.4 本章小结
• 结论与展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果