针对雷达信号分选过程依赖先验知识、参数适配调优困难等问题,提出一种基于自约束搜索密度聚类的参数自适应信号分选方法。该方法在点序识别聚类结构(ordering points to identify the clustering structure,OPTICS)算法生成可达距离序...针对雷达信号分选过程依赖先验知识、参数适配调优困难等问题,提出一种基于自约束搜索密度聚类的参数自适应信号分选方法。该方法在点序识别聚类结构(ordering points to identify the clustering structure,OPTICS)算法生成可达距离序列的基础上,引入一种启发式的自约束搜索机制,该机制能够自动分析数据集的内在结构,根据其数据特性自适应划分簇。通过自动调整超参数,该算法能够有效处理不同参数分布的脉冲描述字(pulse description word,PDW)数据。仿真实验表明,在无先验知识依赖情况下,所提算法在雷达信号的分选准确率和抗干扰能力方面均优于传统方法,干扰脉冲比例不高于60%的复杂电磁环境中雷达信号分选准确率达到98%以上。展开更多
将数据对象间的关联限制与K-means算法结合可以取得较好的效果,但由于划分是由K个中心决定的,每一类仅由一个中心决定,分隔的表示方法限制了算法效果的进一步提高.基于数据对象间的两类限制,定义了数据对象和集合间的两类关联,以及集合...将数据对象间的关联限制与K-means算法结合可以取得较好的效果,但由于划分是由K个中心决定的,每一类仅由一个中心决定,分隔的表示方法限制了算法效果的进一步提高.基于数据对象间的两类限制,定义了数据对象和集合间的两类关联,以及集合间的3类关联,在此基础上给出了结合限制的分隔模型.在模型中,基于集合间的正关联,多个子集中心可以用来表示同一类,使划分的表示可以更为灵活、精细.基于此模型,给出了相应的算法CKS(constrained K-means with subsets)来生成结合限制的分隔.对3个UCI数据集的实验结果显示:在准确率及健壮性上,CKS显著优于另一个结合关联限制的K-means类算法COP-K-means,与另一个代表性的算法CCL相比,也有相当优势;在时间代价上,CKS也有一定优势.展开更多
文摘针对雷达信号分选过程依赖先验知识、参数适配调优困难等问题,提出一种基于自约束搜索密度聚类的参数自适应信号分选方法。该方法在点序识别聚类结构(ordering points to identify the clustering structure,OPTICS)算法生成可达距离序列的基础上,引入一种启发式的自约束搜索机制,该机制能够自动分析数据集的内在结构,根据其数据特性自适应划分簇。通过自动调整超参数,该算法能够有效处理不同参数分布的脉冲描述字(pulse description word,PDW)数据。仿真实验表明,在无先验知识依赖情况下,所提算法在雷达信号的分选准确率和抗干扰能力方面均优于传统方法,干扰脉冲比例不高于60%的复杂电磁环境中雷达信号分选准确率达到98%以上。
文摘将数据对象间的关联限制与K-means算法结合可以取得较好的效果,但由于划分是由K个中心决定的,每一类仅由一个中心决定,分隔的表示方法限制了算法效果的进一步提高.基于数据对象间的两类限制,定义了数据对象和集合间的两类关联,以及集合间的3类关联,在此基础上给出了结合限制的分隔模型.在模型中,基于集合间的正关联,多个子集中心可以用来表示同一类,使划分的表示可以更为灵活、精细.基于此模型,给出了相应的算法CKS(constrained K-means with subsets)来生成结合限制的分隔.对3个UCI数据集的实验结果显示:在准确率及健壮性上,CKS显著优于另一个结合关联限制的K-means类算法COP-K-means,与另一个代表性的算法CCL相比,也有相当优势;在时间代价上,CKS也有一定优势.
