雷达信号分选是电子战系统中的关键技术,是战场态势感知的重要环节,新体制雷达技术的快速发展给复杂电磁环境下信号分选带来了严峻挑战。针对传统K-means聚类算法在对雷达全脉冲数据进行信号分选时存在对聚类数K和初始点选择较为敏感的...雷达信号分选是电子战系统中的关键技术,是战场态势感知的重要环节,新体制雷达技术的快速发展给复杂电磁环境下信号分选带来了严峻挑战。针对传统K-means聚类算法在对雷达全脉冲数据进行信号分选时存在对聚类数K和初始点选择较为敏感的问题,提出了一种基于优化K-means的雷达信号分选算法。通过将水波中心扩散(water wave center diffusion,WWCD)优化算法和Canopy算法相结合,实现了Canopy算法距离阈值的优选,并为后续K-means聚类优化了K值的选择,有效降低了K-means算法对初始聚类数选择的敏感性。实验中,主要通过3个UCI公开数据集和3类频率跳变雷达脉冲数据进行聚类分选效果验证,并与常见的DBSCAN、OPTICS、Canopy-K-means等聚类算法进行了聚类效果对比。结果表明,所提方法有较高的聚类分选准确率,且对初始参数的设置不敏感。展开更多
为提高在现代战场中的生存能力,机载多功能雷达呈现出信号样式复杂、参数高度捷变、开关机无规律和辐射时间减少等特点,给基于传统方法的雷达工作模式识别带来了一定的挑战。参考多功能雷达常见工作模式典型特征参数生成的样本数据,基...为提高在现代战场中的生存能力,机载多功能雷达呈现出信号样式复杂、参数高度捷变、开关机无规律和辐射时间减少等特点,给基于传统方法的雷达工作模式识别带来了一定的挑战。参考多功能雷达常见工作模式典型特征参数生成的样本数据,基于水波中心扩散(water wave center diffusion,WWCD)算法优化多个模型参数,采用自适应加权策略提高多个模型集成学习算法性能,开展多功能雷达工作模式识别。实验分别使用遗传算法、粒子群优化算法、差分进化算法和WWCD算法优化单模型参数,使用软投票、硬投票、自适应加权等不同集成学习策略进行工作模式识别。结果表明,所提算法相较于传统算法具有较高的准确率。此外,还研究测试了该算法在小样本条件下识别雷达工作模式的性能,验证了该算法的可行性和较高的识别效率。展开更多
为精确模拟浅水波非线性演化过程中的动边界,提出一种基于位移的Hamilton变分原理,并进而导出一种基于位移的浅水方程(Shallow Water Equation based on Displacement,SWE-D).SWE-D以位移为基本未知量,可以精确满足动边界处的零水深要...为精确模拟浅水波非线性演化过程中的动边界,提出一种基于位移的Hamilton变分原理,并进而导出一种基于位移的浅水方程(Shallow Water Equation based on Displacement,SWE-D).SWE-D以位移为基本未知量,可以精确满足动边界处的零水深要求并精确捕捉动态边界位置,且解具有协调性.在Hamilton变分原理的框架下,分别采用有限元和保辛积分算法对该浅水方程进行空间离散和时间积分,可有效地处理不平水底情况,保证对非线性演化进行长时间仿真的精度.数值算例表明该方法适用于浅水动边界问题的数值模拟.展开更多
文摘雷达信号分选是电子战系统中的关键技术,是战场态势感知的重要环节,新体制雷达技术的快速发展给复杂电磁环境下信号分选带来了严峻挑战。针对传统K-means聚类算法在对雷达全脉冲数据进行信号分选时存在对聚类数K和初始点选择较为敏感的问题,提出了一种基于优化K-means的雷达信号分选算法。通过将水波中心扩散(water wave center diffusion,WWCD)优化算法和Canopy算法相结合,实现了Canopy算法距离阈值的优选,并为后续K-means聚类优化了K值的选择,有效降低了K-means算法对初始聚类数选择的敏感性。实验中,主要通过3个UCI公开数据集和3类频率跳变雷达脉冲数据进行聚类分选效果验证,并与常见的DBSCAN、OPTICS、Canopy-K-means等聚类算法进行了聚类效果对比。结果表明,所提方法有较高的聚类分选准确率,且对初始参数的设置不敏感。
文摘为提高在现代战场中的生存能力,机载多功能雷达呈现出信号样式复杂、参数高度捷变、开关机无规律和辐射时间减少等特点,给基于传统方法的雷达工作模式识别带来了一定的挑战。参考多功能雷达常见工作模式典型特征参数生成的样本数据,基于水波中心扩散(water wave center diffusion,WWCD)算法优化多个模型参数,采用自适应加权策略提高多个模型集成学习算法性能,开展多功能雷达工作模式识别。实验分别使用遗传算法、粒子群优化算法、差分进化算法和WWCD算法优化单模型参数,使用软投票、硬投票、自适应加权等不同集成学习策略进行工作模式识别。结果表明,所提算法相较于传统算法具有较高的准确率。此外,还研究测试了该算法在小样本条件下识别雷达工作模式的性能,验证了该算法的可行性和较高的识别效率。
文摘为精确模拟浅水波非线性演化过程中的动边界,提出一种基于位移的Hamilton变分原理,并进而导出一种基于位移的浅水方程(Shallow Water Equation based on Displacement,SWE-D).SWE-D以位移为基本未知量,可以精确满足动边界处的零水深要求并精确捕捉动态边界位置,且解具有协调性.在Hamilton变分原理的框架下,分别采用有限元和保辛积分算法对该浅水方程进行空间离散和时间积分,可有效地处理不平水底情况,保证对非线性演化进行长时间仿真的精度.数值算例表明该方法适用于浅水动边界问题的数值模拟.
