一种基于自适应密度峰值聚类的双模式雷达信号分选方法

1.一种基于自适应密度峰值聚类的双模式雷达信号分选方法，其特征在于，包括如下步骤：S1、数据初始化：利用雷达信号的载频、脉冲宽度、到达角三维信息作为聚类分选的特征向量，将特征向量进行归一化处理，然后按照时长切分为一系列等长的时间帧，记为X k ；S2、建立自适应密度峰值聚类分选模式，包括如下步骤：S2-1、按照如下公式确定聚类质心：其中是p i 局部密度，d i 是截断距离，r ij 是特征向量x i 到特征向量x j 的距离，r c 是截断距离；结合特征向量集合p i 、d i 的分布，计算特定密度p i 条件下，距离的概率密度p y (p i ,y)：其中y是随机变量，N是样本点数，σ p 是集合p i 全部元素的标准差，σ d 是集合d i 全部元素的标准差，α、β取经验值0.5；利用上一步的概率密度计算条件期望值μ y (p i )、方差 阈值TH d (p i )：TH d (p i )＝μ y (p i )+3×σ y (p i )                        (6)以公式(6)所示阈值开展离群点检测，将密度p i 条件下，d i 值超过公式所示阈值的样本点记为离群点，将离群点作为聚类质心；S2-2、将剩余样本点归类到最近类别，完成对当前数据帧的分选；S2-3、基于检测获得的类中心，生成当前时间帧的先验信息，具体的做法是提取类别数目C k 、各类别的均值μ m 、协方差 类别占比n m ，其中m＝1～C k ，组成当前时间帧的先验知识S；S3、建立高斯混合模型聚类分选模式，具体方法为：利用先验知识S初始化高斯混合模型，初始化的高斯混合模型用有限个高斯分布近似X k 的分布：其中，C k ＝C k-1 ， P(m)是数据中每个类别的先验概率并且满足 初始化令P(m)＝n m ；高斯混合模型基于最大似然估计，采用EM迭代算法，当参数或对数似然函数收敛时停止迭代，完成对当前帧参数P(m)、μ m 、 的估计；使用GMM对当前数据帧X k 聚类并计算n m ，最后更新先验知识S；S4、建立双模式的切换策略：第1帧数据默认采用ADPC模式，第2帧数据默认采用GMM模式；对第3帧及之后的数据，基于模式选择策略决定本时间帧的输入数据使用哪一种分选模式，具体方法为：当相邻时间帧分选特征向量数据量的差异或者评价指标聚类系数Calinski-Harabasz-Index的差异大于预设值的情况下将下一帧切换为自适应密度峰值聚类分选模式，否则继续使用高斯混合模型聚类分选模式。