论文部分内容阅读
雷达侦测为现代信息作战的眼睛,在电子对抗占据着举足轻重的地位。随着电磁空间环境越来越复杂,雷达信号形式和体制复杂多变,传统的脉冲雷达信号分选算法都存在一定的局限性。对于那些重频类型丰富,重频参数变化范围大的脉冲雷达信号的分选仍存在一定的困难;而对于高密度大数据量的脉冲雷达信号分选的处理速度亟待提高。本文设计了一种新的脉冲雷达分选算法:基于密度的模糊C均值多中心重聚类雷达信号分选算法(Density-Based Fuzzy C-Means Multi-Center ReClustering,DFCMRC)。该算法融合了密度聚类算法和模糊C均值聚类算法的优势。既实现了类似密度聚类算法那样可以在未知雷达数目的情况下准确的对脉冲雷达信号进行分选,同时可以做到类似模糊C均值聚类算法那样使用隶属度来描述每个样本点与每一簇之间的对应关系,而且克服了传统模糊算法对非球状样本集聚类效果不理想的缺陷。对比测试,DFCMRC算法分选效果相对kmeans算法、密度聚类算法和模糊C均值聚类算法更好,对样本测试准确率达到94%以上,相对FCM算法隶属度描述也更加合理。本文还对DFCMRC算法的结构进行优化,将原来随机生成初始中心点的算法改成通过密度峰值聚类算法计算出理想的初始中心点。理想的初始中心点与目标中心点很接近,优化后的算法经过测试验证可以减少一半以上迭代次数,缩短了算法计算时间。为了进一步提高分选算法的实时性,本文将算法进行了并行优化处理,有效的缩短了算法的计算时间。为了充分发挥硬件的计算性能,本文还对并行算法进行多次优化处理,避免了warp分歧和bank冲突,解决了大量数据求和全局同步问题等。算法并行优化前后的加速比随测试样本增加而增加,测试样本点达到25600点时,加速超过了80。该优化技术也可以推广到传统的雷法分选算法,使其实现良好的加速效果