基于DBSCAN算法的目标聚类分选技术研究

刘 涛 宋 涛 欧迎春 施富强

中国电子科技集团公司第二十九研究所 四川成都 610036

未来海战场中各种舰船上雷达种类众多，同时还存在各种通信信号、民船导航信号等密集背景信号，如何在复杂的电磁环境中成功分选并精确定位目标雷达成为电子侦察领域亟待解决的问题。传统信号分选识别算法主要是利用先验电磁情报信息进行信号分选，这种方法高度依赖先验情报信息，同时在复杂电磁环境下容易受杂散信号影响，无法有效识别目标雷达。本文对复杂电磁环境下目标分选技术进行研究，提出一种基于位置聚类的分选算法，在无先验情报信息条件下能够有效剔除杂散信号，获得目标雷达的电磁情报信息和精确定位结果。本文第二部分分析目标特性，选择合适的聚类算法，第三部分介绍原理及实现途径，第四部分给出仿真验证结果及评价。

1 目标特性分析与聚类算法选择

本技术的难点在于如何在无先验情报信息的条件下，从复杂电磁环境中自适应准确提取目标雷达信息。传统基于电磁参数分选算法无法适应这种场景，因此本文拟利用位置信息进行聚类分选，并统计分选结果电磁参数特性，再根据统计结果进一步开展自适应分选，准确分选出目标雷达信息。

受信号功率起伏、相位噪声等因素影响，信号位置在时域上可能呈现任意形状的随机分布，典型分布见图1，同时由于无先验情报信息，无法预知聚类生成的簇数。此外信号中掺杂大量杂散信号，因此拟选用的聚类算法应具备有效剔杂能力。

图1 典型信号位置信息分布情况

分析典型聚类算法，主要包括划分式聚类、层次聚类、基于网格的聚类、基于模型的聚类、基于密度的聚类等算法等[1]，各算法分析如下：

1.1 划分式聚类

采用一种迭代的重定位技术进行元素划分的聚类算法，这种算法无法剔除杂散数据，需预先指定聚类生成簇数，稳定性较差，典型算法有K-means、K-mediod等算法[2-3]。

1.2 层次聚类

基于层次自底向上合并或自顶向下分裂的聚类算法，这种算法无法剔除杂散数据，稳定性较差，典型算法有BIRCH、CURE、ROCK等算法[4]。

1.3 基于网格聚类

基于网格单元量化特性迭代聚类的算法，这种算法无需预设生成簇数，稳定性良好，但只能发现边界是水平或垂直的簇，剔杂能力一般，典型算法有STING、WaveCluster、CLIQUE等算法[5]。

1.4 基于模型的聚类

基于模型寻找最佳拟合的聚类算法，这种算法剔除杂散能力和稳定性良好，需预设生成簇数，对模型依赖较强，算法复杂，典型算法有EM、COBWEB、SOM等算法[6]。

1.5 基于密度聚类

根据区域数据分布密度情况，持续将邻近高密度区域进行合并的聚类算法，这种算法无须预设生成簇数，剔除杂散能力和稳定性良好，可以发现任意形状的簇，非常适用于雷达信号定位聚类，典型算法有DBSCAN、OPTICS、DENCLUE等算法[7]。

各种聚类算法性能比对情况见表1，分析拟采用的聚类算法能力需求：无须预设生成簇数、具备良好剔杂能力、适应任意形状分布、稳定性好。综合评估可知，基于密度的聚类算法最为适用。从算法复杂度、聚类实时性和可扩展性等方面考虑，本文采用DBSCAN聚类算法，该算法已被广泛应用于电子商务、地理预测、通信系统等领域，具备良好应用基础。

表1 各类聚类算法针对雷达信号聚类适用性比对情况

2 原理及实现途径

本技术的原理为通过基于DBSCAN算法的位置聚类剔除大部分杂散信号，得到若干个含少量杂散信号的目标雷达信号集，再通过电磁参数统计结果自适应剔除与目标雷达位置相近的剩余杂散信号，综合处理得到准确的目标雷达电磁情报信息和定位信息。

基于DBSCAN算法的目标分选识别技术流程见图2，涉及定义如下：

图2 基于DBSCAN算法的目标分选识别技术流程

核心元素：如果元素Xj的-邻域包含大于Minpts个元素，则称元素Xj为核心元素。

密度可达：如果存在一个元素链X1，X2，Xi，Xi+1，…，Xn，X1=q，Xn=p，若Xi+1从Xi出发直接密度可达，则称元素p是从元素q关于和Minpts密度可达的。

密度相连：若集合D中存在一个元素o，使得元素p和q借助o作为“跳板”密度可达，那么元素p和q是密度相连。

本技术实施途径包括基于DBSCAN算法聚类分选和电磁参数统计自适应分选两部分，步骤如下：

(2)合并核心元素：将所有密度可达或密度相连的核心元素标记同一簇序号，否则为不同簇序号；

(4)电磁参数直方统计：依次遍历所有簇，将每个簇中元素按照频率、脉宽等参数进行直方统计；

(5)剔除统计无效元素：遍历频率、脉宽等直方统计结果，若某直方内包含元素个数大于自适应分选门限(最大直方的25%)，则认为该直方内元素有效，否则认为无效；

(6)归并元素及定位：频率、脉宽等直方统计均有效的元素标记为通过分选元素，归并同一簇内通过分选元素，可以得到目标雷达电磁情报信息和定位结果。

3 仿真结果及评价

模拟三部雷达信号和杂散信号同时存在的场景，三部雷达和杂散信号电磁参数聚类处理前在时域上的分布见图3-1，这些信号在电磁参数上相互混叠，传统信号分选算法无法在如此复杂电磁环境下分选定位目标雷达，利用本技术进行仿真处理如下。

3.1 基于DBSCAN算法聚类分选

聚类处理后得到3个聚类目标，由于杂散信号遍布区域内，信号聚类未能将杂散信号完全剔除，3个聚类目标中均包含少量杂散信号，聚类处理后结果详见图3-2。

3.2 电磁参数统计自适应分选

分别对3个聚类目标的频率、脉宽进行直方统计，统计结果根据自适应门限进一步进行分选，杂散信号电磁参数统计结果均无法满足分选阈值，自适应分选能够有效剔除剩余杂散信号，详见图4。归并统计后的电磁参数信息，得到三部雷达的电磁情报信息详见表2。通过聚类分选和电磁参数统计，自适应分选效果良好，详见图3-3。

图3-1 原始数据分布 图3-2 DBSCAN聚类结果 图3-3 直方统计分选结果图3 聚类处理前后电磁参数及位置分布比对情况

图4 聚类目标直方统计分析情况

表2 直方统计分选出电磁情报信息

结语

本算法摒弃了传统的基于电磁参数的分选算法，实现在无先验情报信息条件下，从复杂电磁环境中准确提取出目标雷达电磁情报信息和定位信息，经仿真验证效果良好，为复杂信号处理提供了一条行之有效的技术途径，后续考虑对DBSCAN聚类算法进行优化，提高聚类分选效率。