亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進(jìn)加權(quán)SVC的雷達(dá)信號(hào)分選新方法*

        2018-06-22 06:55:24袁澤恒田潤(rùn)瀾張旭洲
        現(xiàn)代防御技術(shù) 2018年3期
        關(guān)鍵詞:脈沖雷達(dá)聚類

        袁澤恒,田潤(rùn)瀾,張旭洲

        (空軍航空大學(xué) 航空作戰(zhàn)勤務(wù)學(xué)院,吉林 長(zhǎng)春 130022)

        0 引言

        雷達(dá)輻射源信號(hào)分選是將雷達(dá)偵察接收機(jī)截獲的多部雷達(dá)信號(hào),分成單部雷達(dá)信號(hào)的過(guò)程,是電子偵察系統(tǒng)和電子支援系統(tǒng)中的核心與關(guān)鍵[1]。傳統(tǒng)的雷達(dá)輻射源信號(hào)分選主要基于脈沖重復(fù)間隔(PRI)以及其改進(jìn)算法[2-3],當(dāng)前也有利用脈沖到達(dá)時(shí)間差TDOA的分選方法[4],隨著雷達(dá)體制和電磁環(huán)境的日益復(fù)雜,基于PRI和TDOA的雷達(dá)信號(hào)分選正確率低。利用脈沖參數(shù)如載頻(CF)、脈寬(PW)、脈幅(PA)、到達(dá)方向(DOA)[5-6],預(yù)先設(shè)定好一定的容差,經(jīng)過(guò)多層次的相關(guān)處理,完成信號(hào)分選的結(jié)果可靠性差,而且產(chǎn)生增批的問(wèn)題嚴(yán)重[7]。

        為了克服上述方法的問(wèn)題,基于多參數(shù)的雷達(dá)信號(hào)聚類分選得到廣泛應(yīng)用[8],聚類是一種無(wú)監(jiān)督的分類,不需要先驗(yàn)知識(shí),有利于對(duì)未知雷達(dá)信號(hào)進(jìn)行分選,彌補(bǔ)了現(xiàn)有雷達(dá)庫(kù)數(shù)據(jù)不全的短板。常用的聚類方法有K-means方法[9]、模糊聚類方法[10]等,這些方法普遍存在復(fù)雜度高、類內(nèi)耦合度和類間分離度低,導(dǎo)致分選結(jié)果準(zhǔn)確率不高。

        支持向量聚類(support vector clustering,SVC)是一種最為有效的無(wú)監(jiān)督非參數(shù)型聚類方法[11-12],但其算法的復(fù)雜度高,控制其聚類邊界的參數(shù)懲罰因子C和高斯核寬度q的最優(yōu)選取存在人為因素的影響。文獻(xiàn)[11]采用支持向量聚類和分層互耦的算法,并結(jié)合熵的特征進(jìn)行信號(hào)分選,但是熵的特征不是穩(wěn)定的物理量,尤其是在識(shí)別聚類結(jié)果復(fù)雜度的時(shí)候,閾值的設(shè)置存在人為因素的影響。本文在文獻(xiàn)[11]方法的基礎(chǔ)上對(duì)數(shù)據(jù)樣本和核函數(shù)內(nèi)積進(jìn)行加權(quán),建立聚類結(jié)果有效評(píng)價(jià)模型,采用穩(wěn)定的物理量作為聚類結(jié)果的度量值,提高分選的準(zhǔn)確率。

        1 支持向量聚類算法

        支持向量聚類算法的基本原理是[13]:利用Gaussian核函數(shù),將數(shù)據(jù)樣本映射到一個(gè)高維特征空間中,并在這個(gè)高維特征空間中尋找一個(gè)能包圍所有樣本數(shù)據(jù)映射點(diǎn)的最優(yōu)超球面,將這個(gè)超球面反映射回?cái)?shù)據(jù)空間,最終得到包含所有數(shù)據(jù)點(diǎn)的等值線集。支持向量聚類(SVC)通過(guò)基于核函數(shù)的非線性映射,能夠較好的分辨、提取并放大有用特征,融入松弛量后能有效排除孤立點(diǎn)和離群值,實(shí)現(xiàn)更為準(zhǔn)確的聚類。

        (1)

        式(1)的Lagrangian函數(shù)為

        (2)

        式中:βj和μj均大于0,為L(zhǎng)agrangian乘子;常數(shù)C稱為懲罰因子。

        結(jié)合KKT條件,得出式(2)的Wolfe對(duì)偶形式:

        (3)

        引入Gaussian核函數(shù):

        (4)

        式中:q為Gaussian核的寬度參數(shù)。

        將核函數(shù)帶入式(3)中得

        (5)

        對(duì)于每一個(gè)標(biāo)準(zhǔn)化的脈沖描述數(shù)據(jù)向量pdv″,其映射到特征空間中的像到球心的距離表示為

        (6)

        式中:當(dāng){pdv″|R(pdv″)=R}時(shí),這時(shí)的標(biāo)準(zhǔn)化脈沖描述向量稱為支持向量(SV)。由SV組成的等高面,能確定屬于同一雷達(dá)輻射源參數(shù)的聚類邊界。此后建立聚類標(biāo)識(shí)關(guān)聯(lián)矩陣,通過(guò)深度最優(yōu)搜索(DFS)算法根據(jù)關(guān)聯(lián)矩陣進(jìn)行聚類分配。

        在高脈沖密度的環(huán)境下,采用支持向量聚類進(jìn)行分選,就會(huì)造成進(jìn)行運(yùn)算時(shí)關(guān)聯(lián)矩陣規(guī)模龐大的問(wèn)題,極大程度地降低其運(yùn)算速度。文獻(xiàn)[11]采用基于支持向量機(jī)的分層互耦聚類方法,對(duì)數(shù)據(jù)樣本進(jìn)行分層處理,很好地解決了上述問(wèn)題。由于熵是不穩(wěn)定的物理量,所以文獻(xiàn)[11]采用類型熵調(diào)整聚類分選參數(shù),會(huì)影響最優(yōu)分選參數(shù)的選取,而且當(dāng)雷達(dá)信號(hào)嚴(yán)重交疊時(shí),采用文獻(xiàn)[11]的方法進(jìn)行分選的正確率顯著下降。針對(duì)上述方法的不足,對(duì)其進(jìn)行改進(jìn)。

        2 改進(jìn)支持向量聚類

        首先采用極值標(biāo)準(zhǔn)化對(duì)雷達(dá)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理,將待聚參數(shù)標(biāo)準(zhǔn)化到同一維度上形成數(shù)據(jù)樣本;然后利用變精度粗糙集計(jì)算數(shù)據(jù)樣本的權(quán)重,對(duì)數(shù)據(jù)樣本和支持向量機(jī)的核函數(shù)內(nèi)積進(jìn)行加權(quán),穩(wěn)定數(shù)據(jù)樣本之間的平衡,從而避免聚類分選結(jié)果被參數(shù)的弱相關(guān)特征影響;最后對(duì)聚類結(jié)果進(jìn)行分析,構(gòu)建有效地評(píng)價(jià)模型,引入穩(wěn)定的物理量來(lái)調(diào)整聚類分選參數(shù),選取最優(yōu)的聚類分選參數(shù),提高分選的正確率。

        2.1 參數(shù)標(biāo)準(zhǔn)化

        DOA取值相對(duì)穩(wěn)定,在分選時(shí)間內(nèi)不會(huì)發(fā)生突變。因此通過(guò)已知雷達(dá)參數(shù)匹配后的數(shù)據(jù)進(jìn)一步得到稀釋。在脈沖描述字PDW中,CF和PW也相對(duì)穩(wěn)定可以作為聚類參數(shù)。本文將雷達(dá)信號(hào)的到達(dá)角、載頻和脈寬構(gòu)成一個(gè)具有三維信息的雷達(dá)脈沖描述向量PDVi,i=1,2,…,n(n為總脈沖個(gè)數(shù))。

        原始的PDVi比較復(fù)雜,為排除原始PDVi中變量之間的量度不同對(duì)聚類效果的影響,需要對(duì)原始的PDVi進(jìn)行標(biāo)準(zhǔn)化處理,使不同的參數(shù)分布在相同的區(qū)間[0,1]內(nèi),以相同的量級(jí)參與聚類。

        對(duì)于n個(gè)脈沖信號(hào),有m維特征參數(shù),此時(shí)樣本數(shù)據(jù)可以用如下表達(dá)式表示,脈沖描述向量PDVi=(pdvi1,pdvi2,…,pdvim),這里m=3,PDVi=(DOAi,CFi,PWi)。先求出n個(gè)樣本數(shù)據(jù)的第k維數(shù)據(jù)的均值和標(biāo)準(zhǔn)差為

        (7)

        (8)

        其中,1≤k≤m,由此可得樣本脈沖向量的標(biāo)準(zhǔn)化值

        (9)

        此時(shí)脈沖描述向量的標(biāo)準(zhǔn)化值不一定在區(qū)間[0,1]內(nèi),采用極值標(biāo)準(zhǔn)化公式:

        (10)

        2.2 加權(quán)處理支持向量聚類

        針對(duì)不同類型的裝備,測(cè)向精度和測(cè)頻精度存在很大差異,不同類參數(shù)之間差異比較明顯。同一類參數(shù)也存在類似問(wèn)題,比如脈寬過(guò)窄,參數(shù)測(cè)量往往不準(zhǔn)確,寬脈沖的區(qū)分度好,應(yīng)當(dāng)加大權(quán)重。對(duì)于上述問(wèn)題,在SVC算法過(guò)程中為了降低弱相關(guān)對(duì)聚類結(jié)果準(zhǔn)確性的影響,采用變精粗糙集對(duì)標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)進(jìn)行處理,然后對(duì)核函數(shù)的內(nèi)積進(jìn)行加權(quán)[14]。

        粗糙集理論中依賴度的定義:

        (11)

        式中:ci為屬性參數(shù);U為樣本集序號(hào);d為條件屬性;β為誤差參數(shù)。

        將上述依賴度作為信號(hào)參數(shù)的重要度,即

        (12)

        該信號(hào)參數(shù)的權(quán)重為

        (13)

        在本文中只研究雷達(dá)信號(hào)輻射源的3個(gè)參數(shù),即到達(dá)角、載頻、脈寬。所以得到最優(yōu)特征加權(quán)矩陣即

        (14)

        式中:aDOA,aCF,aPW分別為對(duì)應(yīng)參數(shù)重要程度的加權(quán)系數(shù)。

        SVC算法的加權(quán)計(jì)算公式如下:

        (15)

        考慮到雷達(dá)各輻射源屬性,提高聚類結(jié)果的準(zhǔn)確率,消除人為設(shè)置權(quán)重的影響,本文利用變精度粗糙集獲取雷達(dá)輻射源各屬性特征參數(shù)權(quán)重[15],構(gòu)成最優(yōu)特征加權(quán)矩陣,該加權(quán)矩陣通過(guò)輻射源數(shù)據(jù)確定,完全利用了輻射源數(shù)據(jù)自身的特征,因此更加適用實(shí)際中雷達(dá)信號(hào)的聚類分選。

        將式(14)中上述參量帶入式(15)中可得

        (16)

        2.3 改進(jìn)的支持向量聚類分選流程

        在雷達(dá)輻射源信號(hào)分選中,所需處理的數(shù)據(jù)量很大,極大的影響其運(yùn)算速度。文獻(xiàn)[11]采用了支持向量機(jī)的分層互耦聚類方法,來(lái)解決此類問(wèn)題。本文在文獻(xiàn)[11]方法的基礎(chǔ)上進(jìn)行改進(jìn),具體步驟如圖1所示。

        從圖1中可以看出,采用變精度粗糙集從已知雷達(dá)知識(shí)庫(kù)中提取的樣本信息進(jìn)行分析,得到{DOA,CF,PW}各屬性參數(shù)的最優(yōu)特征加權(quán)矩陣,運(yùn)用到支持向量機(jī)的核函數(shù)內(nèi)積上,對(duì)其進(jìn)行加權(quán)。此方法不會(huì)增加算法的時(shí)間復(fù)雜度,因?yàn)榈玫阶顑?yōu)特征加權(quán)矩陣的步驟是事先完成的,所以不會(huì)延長(zhǎng)聚類分選的時(shí)間。

        2.4 聚類分選參數(shù)調(diào)節(jié)

        本文將標(biāo)準(zhǔn)化處理的樣本數(shù)據(jù),脈沖描述向量pdv″作為研究對(duì)象,從類內(nèi)耦合度和類間分離度出發(fā),建立聚類結(jié)果有效評(píng)價(jià)模型,對(duì)聚類結(jié)果進(jìn)行分析,從而確定最佳的聚類分選參數(shù)q和C。

        類內(nèi)耦合度通過(guò)聚類分選后樣本的方差反映,方差越小,樣本間波動(dòng)就越小,即類內(nèi)之間樣本緊密程度就越高。

        類內(nèi)耦合度定義為

        (17)

        式中:ni為樣本數(shù),i為樣本脈沖描述向量的維數(shù)。

        對(duì)應(yīng)的聚類分選后的樣本中心為

        (18)

        分離度反映了不同類之間的差異性,定義為

        (19)

        (20)

        分別將類內(nèi)耦合度和類間分離度除以相應(yīng)的權(quán)值,然后將兩參數(shù)進(jìn)行比較分析,建立對(duì)聚類分選結(jié)果的有效性評(píng)價(jià)模型:

        (21)

        式中:Cλ為對(duì)應(yīng)閾值λ的類數(shù)。

        G值越大,說(shuō)明類與類之間的差異越大,聚類分選的結(jié)果也就越好。支持向量的聚類分選過(guò)程中,其聚類的邊界受Gaussian核的寬度參數(shù)q和Lagrangian函數(shù)的懲罰因子C的控制。隨著參數(shù)q的增加,聚類邊界表現(xiàn)出更緊的特性。通過(guò)參數(shù)C的減少可以平滑聚類邊界。采用文獻(xiàn)[13]的分裂聚類方法,首先確定參數(shù)q的初始值為

        (22)

        在q的初始值下,會(huì)使Gaussian核函數(shù)的值偏大,導(dǎo)致聚類分選結(jié)果產(chǎn)生單一的聚類。在這種情況下取參數(shù)C=1,然后增大參數(shù)q的值,這樣,單一的聚類開(kāi)始分裂。隨著q值增大到一定程度,聚類邊界會(huì)變得粗糙,這時(shí)通過(guò)減少C值,用來(lái)平滑聚類邊界。

        文獻(xiàn)[13]的方法面臨的問(wèn)題是如何確定最終的聚類分選結(jié)果,確定什么時(shí)候停止對(duì)聚類的分裂。文獻(xiàn)[11]中利用類型熵隨著信號(hào)復(fù)雜度的增加而增加的特點(diǎn),進(jìn)而對(duì)聚類結(jié)果分析,來(lái)確定最佳的聚類分選參數(shù)q和C的值,但是類型熵不是很穩(wěn)定的物理量,所以采用類型熵調(diào)整聚類分選參數(shù)誤差較大。為了解決上述問(wèn)題,本文采用構(gòu)建的有效性評(píng)價(jià)模型的參數(shù)G來(lái)保證門限確定的合理性,通過(guò)對(duì)多組聚類分選結(jié)果G值的計(jì)算,識(shí)別出較好的聚類分選結(jié)果,從而對(duì)其進(jìn)行分析判斷,來(lái)確定最佳的聚類分選參數(shù)q和C。

        3 仿真實(shí)驗(yàn)結(jié)果及分析

        為了驗(yàn)證本文方法的優(yōu)勢(shì)和有效性,對(duì)上述改進(jìn)的多參數(shù)聚類分選系統(tǒng)進(jìn)行了仿真實(shí)驗(yàn)。雷達(dá)參數(shù)的仿真數(shù)據(jù)如表1所示。

        從表1中可以看出,4部雷達(dá)在不同屬性的維度上均有重疊或部分重疊,而且雷達(dá)樣本2和雷達(dá)樣本3在到達(dá)角和脈寬參數(shù)上重疊比較嚴(yán)重,運(yùn)用常規(guī)的分選方法,不僅不能使各雷達(dá)輻射源信號(hào)完全分開(kāi),還會(huì)產(chǎn)生信號(hào)大量增批和漏批的問(wèn)題,從仿真數(shù)據(jù)中隨機(jī)抽取400個(gè)樣本,分別采用文獻(xiàn)[11]的方法和本文上述方法進(jìn)行聚類分選,實(shí)驗(yàn)仿真得出三維屬性的雷達(dá)樣本信號(hào)聚類結(jié)果分布圖,如圖2,3所示。

        表1 雷達(dá)樣本參數(shù)信息

        可以從圖2中直觀地看出,在雷達(dá)樣本2和雷達(dá)樣本3的到達(dá)角和脈寬樣本數(shù)據(jù)存在嚴(yán)重交疊的時(shí),采用文獻(xiàn)[11]的方法進(jìn)行聚類分選的結(jié)果不夠理想。

        文獻(xiàn)[11]是基于支持向量聚類和分層互耦的算法,并引入類型熵來(lái)調(diào)整聚類分選參數(shù)。從表2可以看出,這種方法對(duì)不交疊的或者部分交疊的信號(hào),分選正確率高,當(dāng)信號(hào)參數(shù)存在嚴(yán)重交疊的情況時(shí),分選正確率會(huì)明顯降低,而且引入的類型熵不是很穩(wěn)定的物理量,用來(lái)調(diào)整分選參數(shù)存在一定的偏差。所以采用文獻(xiàn)[11]的算法對(duì)仿真數(shù)據(jù)進(jìn)行處理時(shí),正確率只有96.8%。本文對(duì)上述方法進(jìn)行了改進(jìn),首先對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,采用變精度粗糙集得出各屬性參數(shù)的權(quán)值,對(duì)數(shù)據(jù)樣本和支持向量的核函數(shù)內(nèi)積進(jìn)行加權(quán),提高算法的魯棒性,雖然這些都是預(yù)先完成的,不會(huì)增加算法的完成時(shí)間,但是增加了算法的計(jì)算量;然后建立對(duì)聚類結(jié)果的評(píng)價(jià)模型,引入穩(wěn)定的參數(shù)G,調(diào)整最佳的聚類分選參數(shù),提高分選的正確率,從表2中可以看出,本文方法對(duì)仿真數(shù)據(jù)進(jìn)行處理時(shí),正確率達(dá)到99.5%,可以驗(yàn)證改進(jìn)算法的有效性。

        表2 2種方法的分選結(jié)果

        4 結(jié)束語(yǔ)

        本文通過(guò)采用變精度粗糙集,充分利用各屬性參數(shù)自身的特點(diǎn),獲取各屬性參數(shù)的權(quán)重,由其構(gòu)成加權(quán)矩陣對(duì)雷達(dá)樣本和SVC算法中的核函數(shù)內(nèi)積進(jìn)行加權(quán),解決了數(shù)據(jù)之間存在不平衡和離群點(diǎn)的問(wèn)題,從而避免被參數(shù)的弱相關(guān)特征影響其聚類分選結(jié)果。這個(gè)過(guò)程需要依賴數(shù)據(jù)庫(kù)提前進(jìn)行,雖然不增加算法的時(shí)間復(fù)雜度,但是算法的實(shí)時(shí)性不強(qiáng)。其次本文還通過(guò)構(gòu)建有效評(píng)價(jià)模型,建立穩(wěn)定的物理量調(diào)整聚類參數(shù)。仿真實(shí)驗(yàn)的結(jié)果驗(yàn)證了,當(dāng)雷達(dá)信號(hào)嚴(yán)重交疊時(shí),采用本文方法進(jìn)行聚類分選時(shí)的正確率高,但是本文算法還存在很多不足,比如算法的復(fù)雜度高、時(shí)效性差、對(duì)數(shù)據(jù)庫(kù)依賴性強(qiáng)等,下一步還需提高算法的時(shí)效性。

        參考文獻(xiàn):

        [1] 李合生,韓宇,蔡英武,等.雷達(dá)信號(hào)分選關(guān)鍵技術(shù)研究綜述[J].系統(tǒng)工程與電子技術(shù),2005,27(12):2036-2039.

        LI He-sheng,HAN Yu,CAI Ying-wu,et al.Overview of the Crucial Technology Research for Radar Signal Sorting[J].Systems Engineering and Electronics,2005,27(12):2036-2039.

        [2] NISHIGUCHI K ,KOBAYASHI M.Improved Algorithm for Estimating Pulse Repetition Intervals[J].IEEE Trans on AES,2000,36(2):407-421.

        [3] 劉旭波,司錫才.雷達(dá)信號(hào)分選實(shí)現(xiàn)的新方法[J].系統(tǒng)工程與電子技術(shù),2010,32(1):53-56.

        LIU Xu-bo,SI Xi-cai.New Method for Sorting Radar Signals[J].Systems Engineering and Electronics,2010,32(1):53-56.

        [4] 鄭惠文,黃建沖.利用脈沖TDOA的雷達(dá)信號(hào)分選方法[J].現(xiàn)代防御技術(shù),2017,45(2):217-222.

        ZHENG Hui-wen,HUANG Jian-chong.Radar Signal Sorting Method Utilising Pulse TDOA[J].Modern Defence Technology,2017,45(2):217-222.

        [5] 何明浩.雷達(dá)對(duì)抗信息處理[M].北京:清華大學(xué)出版社,2010.

        HE Ming-hao.Radar Countermeasure Information Processing[M].Beijing:Tsinghua University Press,2010.

        [6] 王宇.未知雷達(dá)信號(hào)PRI的快速分選識(shí)別算法研究[D].西安:西安電子科技大學(xué),2010.

        WANG Yu.Fast Sorting and Recognition Algorithm of Unknown Radar Signal PRI [D].Xi’an:Xidian University,2010.

        [7] 趙葆昶,彭世蕤,郁春來(lái),等.基于相參特性的雷達(dá)信號(hào)分選中“增批”問(wèn)題研究[J].現(xiàn)代防御技術(shù),2011,39(4):70-74.

        ZHAO Bao-chang,PENG Shi-rui,YU Chun-lai,et al.Research on Increasing-Batch Problem in the Progress of Sorting of Signals Based on Coherency[J].Modern Defence Technology,2011,39(4):70-74.

        [8] 郭杰,陳軍文.一種處理未知雷達(dá)信號(hào)的聚類分選方法[J].系統(tǒng)工程與電子技術(shù),2006,28(6):853-856.

        GUO Jie,CHEN Jun-wen.Clustering Approach for Deinterleaving Unknown Radar Signals[J].Systems Engineering and Electronics,2006,28(6):853-856.

        [9] 聶曉偉.基于K-Means算法的雷達(dá)信號(hào)預(yù)分選方法[J].電子科技,2013,26(11):55-58.

        NIE Xiao-wei.Radar Signal Pre-Sorting Based on K-Means Algorithm[J].Electronic Science and Technology,2013,26(11):55-58.

        [10] 尹亮,潘繼飛,姜秋喜.基于模糊聚類的雷達(dá)信號(hào)分選[J].火力與指揮控制,2014,39(2):52-57.

        YIN Liang,PAN Ji-fei,JIANG Qiu-xi.A Study on Sorting of Radar Signals Based on Fuzzy Clustering[J].Fire Control & Command Control,2014,39(2):52-57.

        [11] 國(guó)強(qiáng),王常虹,李崢.支持向量聚類聯(lián)合類型熵識(shí)別的雷達(dá)信號(hào)分選方法[J].西安交通大學(xué)學(xué)報(bào),2010,44(8):63-67.

        GUO Qiang,WANG Chang-hong,LI Zheng.Support Vector Clustering and Type-Entropy Based Radar Signal Sorting Method[J].Journal of Xi′an Jiaotong University,2010,44(8):63-67.

        [12] 王世強(qiáng),張登福,畢篤彥,等.基于快速支持向量聚類和相似熵的多參數(shù)雷達(dá)信號(hào)分選方法[J].電子與信息學(xué)報(bào),2011,33(11):2735-2741.

        WANG Shi-qiang,ZHANG Deng-fu,BI Du-yan,et al.Multi-Parameter Radar Signal Sorting Method Based on Fast Support Vector Clustering and Similitude Entropy[J].Journal of Electronics and Information Technology,2011,33(11):2735-2741.

        [13] BEN-HUR A,HORN D,SIEGELMANN H T,et al.Support Vector Clusteing[J].Journal of Machine Learning Research,2001,2(2):125-137.

        [14] 吳連慧,秦長(zhǎng)海,宋新超.基于加權(quán)SVC和K-Mediods聯(lián)合聚類的雷達(dá)信號(hào)分選方法[J].艦船電子對(duì)抗,2017,40(1):13-17.

        WU Lian-hui,QIN Chang-hai,SONG Xin-chao.Radar Signal Sorting Method Based on Weighting SVC and K-Mediods Combined Clustering[J].Shipboard Electronic Countermeasure,2017,40(1):13-17.

        [15] 孫士保.變精度粗糙集模型及其應(yīng)用研究[D].成都:西南交通大學(xué),2005.

        SUN Shi-bao.Study on Variable Precision Rough Set Model and Its Application[D].Chengdu:Southwest Jiaotong University,2005.

        猜你喜歡
        脈沖雷達(dá)聚類
        他們使阿秒光脈沖成為可能
        有雷達(dá)
        大自然探索(2023年7期)2023-08-15 00:48:21
        脈沖離散Ginzburg-Landau方程組的統(tǒng)計(jì)解及其極限行為
        雷達(dá)
        黃芩苷脈沖片的制備
        中成藥(2017年12期)2018-01-19 02:06:54
        基于DBSACN聚類算法的XML文檔聚類
        基于空時(shí)二維隨機(jī)輻射場(chǎng)的彈載雷達(dá)前視成像
        基于改進(jìn)的遺傳算法的模糊聚類算法
        現(xiàn)代“千里眼”——雷達(dá)
        一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
        久久av一区二区三区黑人| 一区一级三级在线观看| 最新国产美女一区二区三区| 按摩少妇高潮在线一区| 亚洲av男人电影天堂热app| 色狠狠av老熟女| 东京热加勒比在线观看| 亚洲综合小综合中文字幕| 成人无码av免费网站| 欧美日韩亚洲国产精品| 亚洲欧洲AV综合色无码| 国产护士一区二区三区| 亚洲人成网网址在线看| 巨熟乳波霸若妻在线播放| 日韩不卡无码三区| 亚洲女同恋av中文一区二区| 影音先锋女人aa鲁色资源| 日韩在线不卡免费视频| 国产激情免费观看视频| 欲香欲色天天天综合和网| 大香伊蕉国产av| 国内精品视频成人一区二区| 网站在线观看视频一区二区| 99久久人妻无码精品系列| 水蜜桃久久| 亚洲av男人免费久久| 国产狂喷水潮免费网站www| 色翁荡息又大又硬又粗又视频图片| 爆乳日韩尤物无码一区| 亚洲国产综合精品中久| 熟妇激情内射com| 中文人妻无码一区二区三区信息| 亚洲av综合色区久久精品| 亚洲精品国产成人片| 精品乱码久久久久久中文字幕| 日本变态网址中国字幕| 中文字幕亚洲综合久久天堂av| 日本熟妇色xxxxx欧美老妇| 欧美日本视频一区| a黄片在线视频免费播放| 国产熟妇按摩3p高潮大叫|