基于动态修正混沌粒子群优化的雷达信号分选方法

摘要

本发明涉及基于动态修正混沌粒子群优化的雷达信号分选方法，属于种群进化以及信号分类技术领域。针对复杂电磁环境下辐射源信号脉冲流密度大、特征参数交叠程度严重的问题，采用基于动态修正混沌粒子群优化的雷达信号分选方法，改善传统聚类分选算法难以正确分类以及粒子群算法寻优能力不足的缺陷。采用混沌搜索增加种群后期迭代的多样性；采用自适应调整的参数使得粒子的更新根据种群的状态实时变化；使用新的适应度函数并对粒子位置进行动态修正，让种群的寻优更加准确。所述方法在几种常见并较新的分选指标下相较于其他优化方法都有着较大优势，其收敛速度，稳定性和鲁棒性具有更好的分选效果，能更好的适应复杂的电磁环境。

说明书

技术领域

本发明涉及基于动态修正混沌粒子群优化的雷达信号分选方法，属于种群进化以及信号分类技术领域。

背景技术

随着电磁环境的日益复杂，稠密而多变的辐射源信号进入数字侦察接收机，交织成为复杂的脉冲流序列。根据截获脉冲的特征参数，到达时间等信息对脉冲流进行分选，将所属同一个辐射源的信号准确划分，进而依照不同辐射源的特征参数识别雷达模型。根据识别结果，获得每个雷达的类型，属性和威胁程度。从上面的分析可以看出，辐射源分选是雷达侦察信号处理的关键链路，它直接影响雷达侦察设备的性能，关系到后续的作战决策。因此，高效准确的信号分选方法是极其重要的。

信号分选技术主要分为基于脉冲重复间隔(PRI)分析和特征聚类两方面。现代截获系统经常将这两种方法结合使用实现信号分选。然而，PRI捷变和低截获等技术的广泛应用，使得截获信号的TOA出现大幅抖动和丢失，从而破坏了TOA差值的统计特性。这些原因大大增加了基于PRI分析的分选难度。因此，基于雷达特征参数的聚类方法应运而生，并成为辅助脉冲信号的去交织过程不可或缺的任务。

与传统的聚类分选方法比较，启发式方法是一种群体性方法，通过寻找全局最优来提高分选的性能。然而，PSO方法虽然提供了全局搜索的可能性，但不能保证收敛到全局最优，也存在早熟收敛、寻优能力不足等缺点。目前解决这些问题的主要趋势是增加种群的多样性或者融合其他方法等。例如，有的学者提出了一种基于动态粒子群优化和K-means的方法，通过动态调整惯性权重和加速度系数增强方法的性能。有的学者通过改变适应度函数来改善聚类质心。但它们并没有完全的自适应，聚类结果不能很好地满足雷达系统对信号分选准确度和实时性的要求。

本申请为了能够从稠密、复杂而多变的截获脉冲流中准确分离各类辐射源信号，提出一种基于动态修正混沌粒子群(Dynamic Modified Chaotic Particle SwarmOptimization for Radar Signal Sorting，DMCPSO)雷达信号分选方法，来改善传统聚类分选方法难分类和PSO寻优的不足，提高分选性能。仿真结果表明，在几种常见的和较新的分选指标下相较于其他几种改进的粒子群优化方法都有着较大优势，其收敛速度，稳定性和鲁棒性也具有更好的分选效果。

发明内容

本发明的目的是为了能从稠密、复杂而多变的截获脉冲流中准确分离各类辐射源信号，改善传统聚类分选方法难以正确分类和粒子群优化易早熟收敛，寻优能力不足的技术现状，提出了一种基于动态修正混沌粒子群雷达信号分选方法。

为达上述目的，本发明采取如下技术方案。

所述雷达信号分选方法，包括以下步骤：

步骤1、对雷达脉冲PDW流数据进行预处理，构造雷达数据集并生成修订后的待分选数据；

其中，对雷达脉冲PDW流数据进行预处理，包括构造雷达数据集、采集待分选数据以及修订待分选数据；

步骤1、具体包括如下子步骤：

步骤1.1构造雷达数据集；

其中，构造的雷达数据集的维度为D；

该雷达数据集包括生成不同种类的雷达信号构成待分选数据，将类数记为M且每种雷达信号为一组PDW流数据；

步骤1.2从步骤1.1中构造的雷达数据集中采集待分选数据，并将待分选数据总数记为S；

步骤1.3修订待分选数据，即将待分选数据中的不同脉冲信号数据均变成相同的尺度范围内，生成修订后的待分选数据；

其中，待分选数据的最大值，记为Mmax，待分选数据的最小值，记为Mmin；

步骤2、雷达信号分选并产生雷达信号分选的聚类中心，即分选后的结果，具体为：对经过步骤1.3生成的修订后的待分选数据采用基于动态修正的混沌粒子群优化方法寻找全局最优解，该全局最优解即为分选后的数据聚类中心；包括如下子步骤：

步骤2.1初始化粒子群优化方法的各项参数；

其中，各项参数包括种群数量、最大迭代次数、粒子速度、粒子的最大运动速度以及粒子的历史最高适应度函数值；

其中，种群数量记为N，且N的取值范围为10到20；最大迭代次数的取值范围为50到200，记为Tmax；粒子速度为M×D×N维的速度矩阵，该速度矩阵中的每一个元素为取值在0到1范围内的随机数，且该速度矩阵中的最大值在0.5到1.0之间；粒子的历史最高适应度函数值被初始化为0；

步骤2.2用Maxmin距离原则对M×D维的粒子位置进行初始化，得到种群的初始聚类中心，包括如下子步骤：

步骤2.2A从构造的雷达数据集中任选取一个样本，作为第一个聚类中心；

步骤2.2B选取距离第一个聚类中心最远的样本作为第二个聚类中心；

步骤2.2C选择距离第一个以及第二个聚类中心的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出M个初始类簇中心点，并将其作为种群的初始聚类中心；

步骤2.3设置迭代循环变量t，初始循环变量设置为t＝1；

其中，迭代循环变量t代表t时刻；

步骤2.4计算t时刻的数据集的聚类划分并计算粒子位置，具体为：将数据集中的所有样本按照与粒子位置的欧式距离最小原则进行划分，并按照划分后的结果对每一类簇中的样本计算平均值作为新的粒子位置；

步骤2.5计算每个粒子的适应度函数值，具体为：

步骤2.5A计算只有一个簇包含所有的数据样本及其簇形心之间的距离之和，记为E1；

步骤2.5B计算样本及其簇形心之间的簇内距离之和，记为E；

步骤2.5C计算样本之间距离的最大值，记为D；

步骤2.5D用E1除以M、E以及D，即得到t时刻的适应度函数值；

步骤2.6对每个粒子，根据步骤2.5得到t时刻的适应度函数值，比较该适应度函数值和它经历过的t-1时刻的最优位置的适应度函数值的大小，如果更好，即适应度函数值更大，则更新粒子的最优位置，并对该粒子位置根据重心指数进行修正，得到修正后的粒子位置；如果t时刻的适应度函数值不大于t-1时刻的适应度函数值，则不更新粒子的最优位置，继续保持上一时刻即t-1时刻经历过的最优位置；

其中，对粒子位置根据重心指数进行修正，包括如下子步骤：

步骤2.6A计算所有样本点之间的距离总和，记为d；

步骤2.6B计算样本的邻域半径，记为r，具体为：将步骤2.6A得到的距离总和d与S的a次方以及S-1的a次方相除；

其中，a的取值范围为0到1；

步骤2.6C计算样本与其相距r的邻居的集合，即得到每个类内样本的重心指数；

步骤2.6D比较类内样本包括粒子位置的重心指数值的大小，选取重心指数最大的作为修正后的粒子位置；

步骤2.6E对每一个聚类簇内部进行类的分离，具体为：如果两样本之间的距离大于某个阈值，记为g，并且两者的重心指数位于前h内，则将此两者作为新的聚类中心，即为新的粒子位置；

其中，g的取值范围为r的2到4倍，h的取值范围为20％到40％；

步骤2.6F对步骤2.6E找到的所有的聚类中心进行合并，具体为：如果距离最近的两个聚类中心进行合并，合并之后新的聚类中心为两者的均值；重复步骤2.6F，直到达到M个聚类中心，即为修正后的粒子位置；

步骤2.7将数据集中的所有样本按照与得到的修正后的粒子位置的欧式距离最小原则进行划分；

步骤2.8执行步骤2.5，重新计算每个修正后的粒子的适应度函数值；

步骤2.9计算当前t时刻粒子群的全局最优值gbest，具体为：选取适应度函数值最大的全局最优粒子，其对应的位置为全局最优值gbest；

步骤2.10使用Tent混沌搜索对粒子位置进行随机扰动，生成混沌序列，并依据生成的混沌序列产生新的粒子，具体包括如下子步骤：

步骤2.10A将步骤2.9得到的全局最优值gbest由优化变量取值区间[Mmin，Mmax]归一化到混沌变量的取值区间[0,1]；

步骤2.10B对全局最优值gbest进行J次混沌扰动，生成混沌序列，具体为：当混沌变量的取值小于y时，生成的混沌序列为原来混沌变量的两倍，当混沌变量的取值大于y时，生成的混沌序列为2减去原来混沌变量的两倍；

步骤2.10C根据生成的混沌序列产生新的粒子，该粒子等于全局最优值gbest加上混沌变量的k倍，k的取值为1％到10％；

步骤2.11对依据混沌序列产生的新的粒子根据步骤2.5计算适应度函数值，选取适应度函数值最大的混沌序列替代当前粒子群中个体最优不变且不为全局最优的粒子个体；

步骤2.12更新粒子群的加速度系数c1、c2，具体为：计算当前迭代t时刻与最大迭代次数Tmax之间的比值，将该比值求逆指数并进行两倍的运算得到加速度系数c1，将该比值求指数运算得到加速度系数c2；

步骤2.13更新粒子群的惯性权重w，具体为：计算当前t时刻粒子的适应度函数值与全局最优适应度函数值的比值，将该比值求逆指数运算得到惯性权重w；

步骤2.14更新粒子群的速度和位置，产生新的粒子群体；更新方式具体如下步骤：

步骤2.14A更新粒子群的速度，具体为：将粒子的惯性记忆项、自身认知项以及群体认知项相加；

其中，惯性记忆项是由惯性权重w与t-1时刻粒子的速度相乘得到的；自身认知项是由t-1时刻粒子位置点指向粒子自身最好位置点pbest计算得到的矢量，并与加速度系数以及一个0到1范围内的随机数相乘得到的；群体认知项是由t-1时刻粒子位置点指向种群最好位置点，即全局最优值gbest计算得到的矢量，并与加速度系数以及一个0到1范围内的随机数相乘得到的；

其中，如果粒子更新的速度大于由步骤2.1得到的粒子的最大速度时，就将当前t时刻更新的速度取值为最大速度值；如果粒子更新的速度小于由步骤2.1得到的粒子的最大速度的负值时，就将当前t时刻更新的速度取值为最大速度值的负值；

步骤2.14B更新粒子群的位置，更新方式具体为：将t-1时刻粒子的位置与当前t时刻粒子的速度相加，得到将t时刻粒子的位置；判断此t时刻粒子的位置是否大于位置的最大值Mmax，若是，将最大值Mmax作为t时刻粒子的位置；否则，若t时刻粒子的位置小于位置的最小值Mmin，就将最小值Mmin作为t时刻粒子的位置；

步骤2.15计算种群适应度函数值的方差；

步骤2.16判断是否达到迭代终止条件，具体为：比较方差是否小于某个阈值v，或者比较时刻t是否大于最大迭代次数Tmax；

其中，阈值v的取值范围为时刻t＝1的种群的适应度方差的0.2到0.8倍；

如果这两个条件满足一个或两个条件都满足，将t时刻粒子的位置作为雷达信号分选的聚类中心；如果两者都不满足，更新t：t＝t+1，跳转到步骤2.4；

步骤3、对步骤2得到的聚类结果基于评价指标进行评价；

其中，评价指标包括聚类质量、调整兰德指数、归一化互信息、质心指数、戴维森堡丁指数以及轮廓指数；

至此，从步骤1到步骤3，完成了基于动态修正的混沌粒子群优化的雷达信号分选方法。

有益效果

本发明所述的基于动态修正的混沌粒子群优化的雷达信号分选方法，同现有了大信号分选方法相比，具有如下有益效果：

1、所述方法针对粒子群方法迭代后期种群多样性丢失，易陷入局部最优的问题，加入Tent混沌搜索；并针对Tent中出现不利于优化问题的小周期和不稳周期点现象，对该混沌映射进行改进；

2、所述方法针对粒子群方法采用固定的参数不能自适应调整的问题，采用与适应度值相关的自适应调整参数(惯性权重和加速度系数)实时感知群体的变化，使粒子的全局搜索和局部搜索能力更好结合；

3、所述针对粒子群方法参数只使用内部距离带来的适应度函数形式单一、所含信息少、受离散点和特征分布影响大的问题，提出新的适应度函数，提高分选的准确度；

4、所述针对粒子群方法对离散点敏感，不能准确分选的问题，对粒子的位置通过聚类分析进行调整，再引入重心指数对满足条件的粒子做最后的位置修正，使其更加接近真实的聚类中心；

5、所述方法针对粒子群方法参数较少，不需要交叉变异等操作，也没有内外循环，且循环次数可以控制在较小的范围内；因此同其他优化方法相比，具有收敛快，迭代次数较少，分选识别率较高的优点。

附图说明

图1为本发明基于动态修正混沌粒子群的雷达信号分选方法的流程示意图；

图2为本发明基于动态修正混沌粒子群的雷达信号分选方法的雷达参数空间分布图；

图3为本发明基于动态修正混沌粒子群的的雷达信号分选方法的信号分选结果；

图4为本发明基于动态修正混沌粒子群的的雷达信号分选方法的不同方法适应度方差曲线图。

具体实施方式

为了更好的说明本方法的目的和优点，结合附图及具体实施例对本申请具体实施内容做进一步详细说明。

实施例1

现代雷达信号分选方法越来越重视多个参数进行联合分选，一般使用的参数越多，信号分选结果的准确性越高，常用的信号分选参数有脉冲到达角DOA，脉冲宽度PW，脉冲频率RF。由于雷达接收机设备的性能和外部环境的因素，导致雷达脉冲参数出现测量误差，因此，雷达的PDW流数据将会在一定范围内进行变化，从而分选参数将在一定程度上存在不同程度交叠的情况，这就会造成雷达信号分选的准确率降低。

本实施例阐述了本申请所述的基于动态修正的混沌粒子群优化的雷达信号分选方法在分选有参数交叠的雷达信号时的具体实施，本申请的实施流程图如图1所示。

雷达的特征参数即脉冲描述字PDW由脉冲到达角DOA，脉冲宽度PW，脉冲频率RF，脉冲幅度PA，脉冲重复频率PRT以及脉冲到达时间DOA六个参数组成，本实例中采用DOA、PW以及RF这三个特征参数进行雷达信号分选；

本实例用PDW雷达信号发生器产生的8组特征参数存在不同程度上的交叠的雷达特征混合序列，采用的分选参数和信号形式如下表1所示：

表1构造的雷达数据

在进行方法处理时，我们从总的产生的PDW流中选择1000组雷达脉冲信号进行信号分选，得到最终的信号分选运行时间、各项分选评价指标等参数。信号参数在三维空间上的分布见图2。

本申请所提出的雷达信号分选分为2个步骤，主要包括：雷达脉冲PDW流数据预处理、基于动态修正的混沌粒子群的雷达信号分选这两个过程。

雷达信号分选的具体实施过程如下：

步骤1对雷达脉冲流进行数据预处理；

步骤1.1构造雷达数据集；

其中，该数据集中包括生成不同种类的雷达信号构成待分选数据，且每种雷达信号为一组PDW流数据；构造的雷达数据集的维度为D，类数为M；每一个具有不同参数的雷达信号代表一个数据样本；

步骤1.2从步骤1.1中的雷达数据集中采集待分选数据；具体为：在产生的该混合雷达信号数据集中选取S个数据样本构成待分选的雷达数据样本集合,S取值为1000；

步骤1.3将待分选数据中的不同脉冲信号数据均变成相同的尺度范围内，生成修订后的待分选数据；处理方式如下所示：

其中，x代表每一个数据样本；xmax代表待分选数据样本的最大值，xmin代表待分选数据样本的最小值；

步骤2、雷达信号分选并产生分选后的结果，具体为：对经过步骤1.3生成的修订后的待分选数据采用基于动态修正的混沌粒子群优化方法寻找全局最优解，该全局最优解即为分选后的数据聚类中心；包括如下子步骤：

步骤2.1初始化粒子群优化方法的各项参数。其中，各项参数包括种群数量、最大迭代次数、粒子速度、粒子的最大运动速度、粒子的历史最高适应度函数值，具体为：

粒子种群的数量设为10个，即N＝10；粒子的最大迭代次数设置为50次,即Tmax＝50。粒子的速度初始化为M×D×N维的矩阵，M是由步骤1.1中构造的数据集的类数确定的，D是由步骤1.1中构造的数据集的维数确定的，这里D为3维的，分别指到达角DOA，脉冲宽度PW，脉冲载频RF。速度矩阵中的每一个元素都为取值由步骤1.3得到的数据样本的最大值和最小值之间的随机数；粒子的最大速度设置为0.8；粒子的历史最高适应度函数值被初始化为0；

步骤2.2用Maxmin距离原则对粒子位置进行初始化，粒子位置为M×D维，分为如下子步骤；

步骤2.2A从构造的雷达数据集中任选取一个样本，作为第一个聚类中心；

步骤2.2B选取距离第一个聚类中心最远的样本作为第二个聚类中心，其中距离采用欧式距离，其计算方式为：

其中，x，y代表不同的数据样本，n代表数据样本的维数；

步骤2.2C选择距离第一个和第二个聚类中心的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出M个初始类簇中心点，并将其作为种群的初始聚类中心；

步骤2.3设置迭代循环变量t，即t时刻。初始循环变量设置为t＝1；

步骤2.4计算t时刻的数据集的聚类划分并计算粒子位置，具体为：将数据集中的所有样本按照与粒子位置的欧式距离最小原则进行划分，并按照划分后的结果对每一类簇中的样本计算平均值作为新的粒子位置；

步骤2.5计算每个粒子的适应度函数值IPBM，具体为：计算只有一个簇包含所有的数据样本及其簇形心之间的距离之和，记为E1。计算样本及其簇形心之间的簇内距离之和，记为E。计算样本之间距离的最大值，记为D。适应度函数值IPBM计算方法如下：

步骤2.6对每个粒子，根据步骤2.5得到t时刻的适应度函数值，比较该值和它经历过的t-1时刻的最优位置的适应度函数值的大小，如果更好，即适应度函数值更大，则更新粒子的位置，并对该位置根据重心指数进行修正；如果适应度函数值没有比之前更好，则不更新粒子的最优位置，继续保持上一时刻即t-1时刻经历过的最优位置。其中，对粒子位置根据重心指数的修正分为如下子步骤：

步骤2.6A计算所有样本点之间的距离之和，记为d；

步骤2.6B计算样本的邻域半径，记为r，具体为：将步骤2.6A得到的距离总和d与S的a次方以及S-1的a次方相除，其中，a的取值为0.3，计算方式见公式(4)；

步骤2.6C计算样本与其相距r的邻居的集合，即得到每个类内样本的重心指数GCI，计算方式如下：

步骤2.6D比较类内样本包括粒子位置的重心指数的大小，选取重心指数最大的作为修正后的粒子位置；

步骤2.6E对每一个聚类簇内部进行类的分离，具体为：如果两样本之间的距离大于某个阈值，记为g，并且两者的重心指数位于前h内，则二者均可作为新的聚类重心，即为新的粒子位置；其中，g的取值为3r，h的取值为30％；

步骤2.6F对步骤2.6E找到的所有的聚类中心进行合并，具体为：如果距离最近的两个聚类中心进行合并，合并之后新的聚类中心为两者的均值，以此类推，直到达到M个聚类中心，即为修正后的粒子位置；

步骤2.7将数据集中的所有样本按照与得到的修正后的粒子位置的欧式距离最小原则进行划分；

步骤2.8按照步骤2.5重新计算修正后的粒子的适应度函数值；

步骤2.9计算当前t时刻粒子群的全局最优值gbest，具体为：选取适应度函数值最大的全局最优粒子，其对应的位置为全局最优粒子位置；

步骤2.10使用Tent混沌搜索对粒子位置进行随机扰动，生成混沌序列，并依据生成的混沌序列产生新的粒子，具体步骤如下；

步骤2.10A将当前全局最优值gbest由优化变量取值区间[Mmin，Mmax]归一化到混沌变量Zn的取值区间[0,1]；

步骤2.10B对全局最优值进行J次混沌扰动，生成混沌序列，计算方式如下：

步骤2.10C根据生成的混沌序列产生新的粒子，该粒子等于全局最优值gbest加上混沌变量的k倍，k的取值为0.05，即为X＝X

步骤2.11对混沌序列根据步骤2.5计算适应度函数值，选取适应度函数值最大的混沌序列替代当前粒子群中个体最优不变且不为全局最优的粒子个体；

步骤2.12更新粒子群的加速度系数c1、c2，计算方式为：

其中，t是迭代次数，即t时刻，t

步骤2.13更新粒子群的惯性权重w，具体为：计算当前t时刻粒子的适应度函数值与全局最优适应度函数值的比值，将该比值求逆指数运算得到惯性权重w；

步骤2.14更新粒子群的速度和位置，产生新的粒子群体；更新方式具体如下步骤：

步骤2.14A更新粒子群的速度，更新方式如下所示：

V

其中X

其中，如果粒子更新的速度大于由步骤2.1得到的粒子的最大速度时，就将当前t时刻更新的速度取值为最大速度值；如果粒子更新的速度小于由步骤2.1得到的粒子的最大速度的负值时，就将当前t时刻更新的速度取值为最大速度值的负值；

步骤2.14B更新粒子群的位置，更新方式如下所示：

X

该式表示粒子当前t时刻位置的更新与上一时刻即t-1时刻的位置和当前t时刻的速度有关。

其中，如果粒子的位置大于位置的最大值Mmax，就将最大值当做t时刻粒子的位置；如果粒子的位置小于位置的最小值Mmin，就将最小值作为t时刻粒子的位置；

步骤2.15计算种群适应度函数值的方差；

步骤2.16判断是否达到迭代终止条件，具体为：比较方差是否小于某个阈值，该阈值记为v，v的取值为第一次迭代时种群的适应度方差的0.6倍；或者比较t是否大于最大迭代次数Tmax。

如果这两个条件只要满足一个，将粒子的位置作为雷达信号分选的聚类中心；如果两者都不满足，更新t：t＝t+1，跳转到步骤2.4；

步骤3、对步骤2得到的聚类结果基于评价指标进行评价，对于数据集D＝{x

其中，评价指标包括聚类质量、调整兰德指数、归一化互信息、质心指数、戴维森堡丁指数、轮廓指数；

步骤3.1计算聚类质量CQ

其中，N

步骤3.2计算调整兰德指数ARI；

令λ,λ

a＝|SS|,SS＝{(x

b＝|SD|,SD＝{(x

c＝|DS|,DS＝{(x

d＝|DD|,DD＝{(x

其中，ARI取值范围为[-1,1]。从广义的角度来讲，ARI衡量的是两个数据分布的吻合程度，值越大意味着聚类结果与真实情况越吻合。

步骤3.3计算归一化互信息NMI

归一化互信息NMI计算公式如下：

其中，I表示给定类簇信息C的前提条件下,类别信息Ω的增加量或者说其不确定度的减少量。P(w

步骤3.4计算质心指数CI

质心指数是通过集群质心来衡量两个类别之间的差异，计算如下：

CI＝max{CI(Ω,C),CI(C,Ω)} (12)

其中，CI＝0表示两个聚类具有相同的结构，值越大说明集群被不同分配的数量就越多，聚类效果越差。

步骤3.5计算戴维森堡丁指数DBI

该指数考虑所有集群中紧密度和隔离度的平均比例，计算公式如下：

其中，e

步骤3.5计算轮廓指数SI

该指数被定义为：

其中，a(i)是样本i到同一聚类中剩余样本的平均欧式距离；b(i)是样本i和剩余聚类中的样本之间的最小平均欧式距离。SI越高，表示聚类方案越好。

步骤4为说明所提出方法的有效性，仿真了其他几种改进的粒子群优化方法来进行对比，分别是PSO方法、DPSOK方法、MfPSO方法以及IPK-means方法。对这几种方法利用预处理后的数据同样计算步骤3所涉及的各项聚类评价指标。在实验中，涉及到的参数包括：最大迭代次数t

表2参数设置

至此，从步骤1到步骤4，完成了基于动态修正的混沌粒子群优化的雷达信号分选方法。

图3是采用DMCPSO方法得到的聚类结果图，展示了雷达信号特征在不同交叠下对分选结果的影响。点表示错误分类的数据。

为进一步展示方法的优越性，分析了不同方法迭代收敛的时间，见表3，并绘制了适应度方差值随迭代次数的变化曲线图，见图4：

表3方法的运行时间

由表3可以看出，DMCPSO方法收敛速度最快且稳定方差值最小，明显优于其他方法，说明群体在迭代过程中总能快速地找到最优位置，进而收敛到一个令人满意的适应度值。

为了进一步说明方法的有效性，将用几种聚类分选指标对方法进行验证。具体结果如表4所示：

由表4可知，K-means方法虽然简单收敛快，但是其准确度和匹配度等方面与PSO系列方法均有差距，这说明PSO可以很好地应对复杂雷达数据。DMCPSO方法在与其他最新的改进PSO方法相比，在各项指标上都有显著的优势：DMCPSO方法的CQ值达94.99％，说明聚类精度最高，分类数据最趋向于标签数据，几乎没有受到离散数据的影响；ARI值最大，说明聚类结果与真实情况更吻合，正确决策的概率最大；NMI值最大，说明类别信息的不确定度更低，分类数据与标签数据的关系更密切；CI降至0，说明分类数据与标签数据之间有更好的匹配，两者之间具有完全相同的结构；SI最大，说明聚类后样本之间的凝聚度和分离度都有较高的值；DBI最小，说明聚类后类内距离最小，类间距离最大。

上述仿真结果证明，从各个角度来看，在脉冲重叠度较高以及部分脉冲数量较少的雷达仿真数据下，DMCPSO方法得到的分选效果最好。

图2为本发明基于动态修正混沌粒子群优化的雷达信号分选方法构造的8部雷达信号特征空间分布图；图中从载频、到达角和脉宽三个维度展示了复杂场景下的雷达脉冲信号的特征分布，能够看到信号特征在空间上交叠明显，传统聚类方法将得不到好的效果。

图3为本发明基于动态修正混沌粒子群优化的雷达信号分选方法的聚类结果图；由图中可以看出即使对于复杂背景下多参数特征存在交叠的8部雷达信号数据，所提方法依旧能准确聚类，效果出色。

图4为本发明所述基于动态修正混沌粒子群优化的雷达信号分选方法与其他现有优化聚类方法的适应度方差收敛曲线对比图；由图中可以看出随着迭代次数的增加，所有方法的适应度方差均在下降，适应度值的变化逐渐减小趋于稳定。方法在迭代过程中通过不断收敛来寻找最优。但是本申请所提方法收敛速度最快且稳定方差值最小，明显优于其他方法，说明群体在迭代过程中总能快速地找到最优位置，进而收敛到一个令人满意的适应度值。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下所公开的精神下完成的等效或修改，都落入本发明保护的范围。