当前位置：首页 > news >正文

基于灰关联分析与数据场理论的雷达信号分选优化方法

news 2025/11/10 8:29:43

一、核心方法融合原理

灰关联分析（GRA）优势
- 通过构建参考序列（目标信号特征）与比较序列（待分选信号特征）的关联度矩阵，量化信号相似性。
- 对非平稳、多干扰环境下的信号特征具有强适应性，尤其擅长处理参数交叠的脉冲序列。
数据场理论（DFM）特性
- 将信号视为空间中的“粒子”，通过势值计算反映信号分布密度与相互作用。
- 可有效识别信号聚集区域，抑制孤立噪声点，适用于高密度脉冲环境下的分选。
融合机制
- 特征级融合：利用GRA筛选关键特征（如PRI、PW、DOA），降低数据场建模维度。
- 决策级融合：结合GRA关联度权重与数据场势值，动态调整聚类阈值，提升分选鲁棒性。

二、算法实现流程

1. 数据预处理与特征提取

% 输入：原始PDW数据（TOA, PW, RF, DOA）
% 输出：归一化特征向量% 步骤1：去噪滤波
clean_data = medfilt1(raw_data, [3,1]); % 中值滤波消除脉冲干扰% 步骤2：特征提取
features = struct();
features.PRI = diff(clean_data(:,1)); % 脉冲重复间隔
features.PW = clean_data(:,2);        % 脉宽
features.RF = clean_data(:,3);        % 载频
features.DOA = clean_data(:,4);       % 到达角% 步骤3：归一化（极差法）
normalized_feat = (features - min(features)) ./ (max(features) - min(features));

2. 灰关联分析模块

% 构建参考序列（理想目标信号特征）
ref_seq = [0.5, 200e-6, 5e9, 45](@ref); % 示例参数：PRI中值、PW均值、RF中心、DOA中心% 计算关联系数
rho = 0.5; % 分辨系数
delta = abs(normalized_feat - repmat(ref_seq, size(normalized_feat,1), 1));
lambda = min(min(delta)) / (max(max(delta)) + eps); % 灰关联度
gamma = (lambda + 0.5 * max(max(delta))) ./ (delta + 0.5 * max(max(delta)));% 关联度加权
weights = gamma(:,2) * 0.4 + gamma(:,3) * 0.3 + gamma(:,4) * 0.2 + gamma(:,5) * 0.1; % PW权重最高

3. 数据场建模与分选

% 势值计算（高斯核函数）
sigma = 0.1; % 影响因子（需优化）
potential = exp(-pdist2(normalized_feat, normalized_feat).^2 / (2*sigma^2));% 动态阈值分割
threshold = mean(potential(:)) + 2*std(potential(:));
clusters = potential > threshold;% 改进的Finch-Means聚类
[labels, centers] = finch_means(normalized_feat, clusters, 5); % 初始聚类数5

4. 后处理优化

% 伪影抑制：形态学开运算
clean_labels = bwareaopen(labels, 50); % 去除小面积噪声% 交叉验证：D-S证据理论融合
belief = zeros(size(clean_labels,1), 2); % 二分类：目标/干扰
belief(:,1) = smoothdata(gamma(:,1), 'movmean', 3); % 关联度平滑
belief(:,2) = 1 - belief(:,1);
[~, decision] = max(belief, [], 2);