基于凸聚类和AMA优化的雷达信号分选算法

doi:10.3969/j.issn.1009-086x.2026.02.014

摘要/Abstract

摘要：

针对现有雷达信号分选算法依赖人工预设聚类数目且对输入初始值敏感等问题，提出一种基于凸聚类的雷达信号分选算法。凸聚类算法是一种基于目标函数的聚类分析方法，通过优化凸目标函数可以保证雷达信号分选任务的全局最优解，且聚类效果不受雷达信号输入顺序的影响。对截获接收机输出的脉冲描述字进行标准化处理后，构造凸优化目标函数，并使用交替最小化方法(alternating minimization algorithm, AMA)进行优化求解，得到最终的分选结果。仿真实验表明，基于凸聚类的雷达信号分选算法可以获得较高的分选准确率，同时具有较好的稳定性和噪声鲁棒性。

关键词: 电子对抗, 信号分选, 凸聚类, 脉冲描述字, AMA优化算法

Abstract:

A radar signal sorting algorithm based on convex clustering is proposed to address the issues of existing radar signal sorting algorithms that rely on manually preset number of clusters and are sensitive to initial input values. Convex clustering algorithm is a clustering analysis method based on objective function， which can ensure the global optimal solution of radar signal sorting task by optimizing the convex objective function， and the clustering effect is independent of radar signal input. After standardizing the pulse description word （PDW） output by the interception receiver， construct a convex optimization objective function and solve it using alternating minimization algorithm to obtain the final sorting result. Simulation experiments show that the radar signal sorting algorithm based on convex clustering achieves high sorting accuracy， while maintaining good stability and noise robustness.

Key words: electronic countermeasures, signal sorting, convex clustering, pulse description words, alternating minimization algorithm（AMA） optimization algorithm

中图分类号:

TN974

范越, 张永祥, 方亚军. 基于凸聚类和AMA优化的雷达信号分选算法[J]. 现代防御技术, 2026, 54(2): 147-154.

Yue FAN, Yongxiang ZHANG, Yajun FANG. Radar Signal Sorting Algorithm Based on Convex Clustering and AMA Optimization[J]. Modern Defense Technology, 2026, 54(2): 147-154.

图/表 13

图1 凸集示意图

Fig. 1 Diagram of convex set

图2 本文所提信号分选算法流程图

Fig. 2 Flow chart of proposed signal sorting algorithm

表1 雷达脉冲信号仿真参数信息

Table 1 Radar pulse signal parameters information

雷达序号	载频 $C F / G H z$	脉宽 $P W / μ s$	到达角 $D O A / (°)$	脉冲数量（个）
1	3.50（频率固定，误差1 MHz）	4.5~5.2	30.0~32.0	310
2	3.95（频率固定，误差1 MHz）	5.0~5.3	34.5~35.5	305
3	3.45~3.65（频率跳变，间隔25 MHz）	5.7~7.0	31.5~33.5	300
4	3.75~3.90（频率跳变，间隔10 MHz）	6.7~7.3	31.0~32.5	295
5	3.35~3.45（频率捷变）	7.0~7.7	34.0~35.0	290
6	3.65~3.80（频率捷变）	6.1~6.8	32.5~34.0	320

表1 雷达脉冲信号仿真参数信息

Table 1 Radar pulse signal parameters information

雷达序号	载频 $C F / G H z$	脉宽 $P W / μ s$	到达角 $D O A / (°)$	脉冲数量（个）
1	3.50（频率固定，误差1 MHz）	4.5~5.2	30.0~32.0	310
2	3.95（频率固定，误差1 MHz）	5.0~5.3	34.5~35.5	305
3	3.45~3.65（频率跳变，间隔25 MHz）	5.7~7.0	31.5~33.5	300
4	3.75~3.90（频率跳变，间隔10 MHz）	6.7~7.3	31.0~32.5	295
5	3.35~3.45（频率捷变）	7.0~7.7	34.0~35.0	290
6	3.65~3.80（频率捷变）	6.1~6.8	32.5~34.0	320

图3 仿真信号三维图

Fig. 3 Three dimensional diagram of simulated signal

图4 仿真信号载频和脉宽二维图

Fig. 4 Two dimensional diagram of simulated signal carrier frequency and pulse width

图5 仿真信号载频和到达角二维图

Fig. 5 Two dimensional diagram of simulated signal carrier frequency and direction of arrival

图6 仿真信号脉宽和到达角二维图

Fig. 6 Two dimensional diagram of simulated signal pulse width and direction of arrival

图7 凸聚类过程示意图

Fig. 7 Schematic diagram of convex clustering process

图8 凸聚类最终结果

Fig. 8 Final result of convex clustering

表2 信号分选准确率

Table 2 Accuracy of signal sorting

雷达序号	信号数量	分选完成信号数量	正确分选信号数量	准确率
总计	1 820	1 820	1 776	0.975 8
1	310	310	310	1
2	305	305	305	1
3	300	311	294	0.945 3
4	295	298	286	0.959 7
5	290	290	290	1
6	320	306	291	0.950 1

图9 算法稳定性比较

Fig.9 Comparison of algorithm stability

表3 算法准确率与运行时间对比

Table 3 Comparison of algorithm accuracy and running time

算法

平均迭代

次数

平均准确

率/%

平均运行

时间/s

9.63

0.02

97.58

图10 不同信噪比下的分选准确率

Fig. 10 Sorting accuracy under different SNR

参考文献 15

[1]	刘峻臣，胡进，何航峰. 一种基于网格划分数据场的雷达信号分选方法［J］. 电讯技术， 2021， 61（10）： 1270-1276.
	LIU Junchen， HU Jin， HE Hangfeng. A Radar Signals Sorting Method Based on Grid Division Data Field［J］. Telecommunication Engineering， 2021， 61（10）： 1270-1276.
[2]	袁泽恒，田润澜，张旭洲. 改进加权SVC的雷达信号分选新方法［J］. 现代防御技术， 2018， 46（3）： 86-92.
	YUAN Zeheng， TIAN Runlan， ZHANG Xuzhou. New Method of Radar Signals Sorting Based on Improved Weighted SVC［J］. Modern Defence Technology， 2018， 46（3）： 86-92.
[3]	郭杰，陈军文. 一种处理未知雷达信号的聚类分选方法［J］. 系统工程与电子技术， 2006， 28（6）： 853-856， 863.
	GUO Jie， CHEN Junwen. Clustering Approach for Deinterleaving Unknown Radar Signals［J］. Systems Engineering and Electronics， 2006， 28（6）： 853-856， 863.
[4]	NGUYEN B， DE BAETS B. Kernel-Based Distance Metric Learning for Supervised K-Means Clustering［J］. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（10）： 3084-3095.
[5]	FENG Xin， HU Xiaoxi， LIU Yang. Radar Signal Sorting Algorithm of K-Means Clustering Based on Data Field［C］∥2017 3rd IEEE International Conference on Computer and Communications （ICCC）. Piscataway： IEEE， 2017： 2262-2266.
[6]	GAO Lipeng， SHAN Huiyu， JI Fengyou. A Radar Signal Sorting Algorithm Based on Improved K-Means Dynamic Clustering and Sub Linear Time Algorithm［C］∥2017 First International Conference on Electronics Instrumentation & Information Systems （EIIS）. Piscataway： IEEE， 2017： 1-5.
[7]	CAO Sheng， WANG Shucheng， ZHANG Yan. Density-Based Fuzzy C-Means Multi-center Re-clustering Radar Signal Sorting Algorithm［C］∥2018 17th IEEE International Conference on Machine Learning and Applications （ICMLA）. Piscataway： IEEE， 2018： 891-896.
[8]	贾然，胡进. 一种基于数据场聚类的雷达信号分选算法［J］. 现代防御技术， 2017， 45（4）： 124-129.
	JIA Ran， HU Jin. A Radar Signal Sorting Algorithm Based on Data Field Clustering［J］. Modern Defence Technology， 2017， 45（4）： 124-129.
[9]	吴连慧，周秀珍，宋新超. 基于改进OPTICS聚类的雷达信号预分选方法［J］. 舰船电子对抗， 2018， 41（6）： 95-99.
	WU Lianhui， ZHOU Xiuzhen， SONG Xinchao. Radar Signal Pre-sorting Method Based on Improved OPTICS Clustering［J］. Shipboard Electronic Countermeasure， 2018， 41（6）： 95-99.
[10]	权祯臻，陈松灿. 结合弱监督信息的凸聚类研究［J］. 计算机研究与发展， 2017， 54（8）： 1763-1771.
	QUAN Zhenzhen， CHEN Songcan. Convex Clustering Combined with Weakly-Supervised Information［J］. Journal of Computer Research and Development， 2017， 54（8）： 1763-1771.
[11]	LINDSTEN F， OHLSSON H， LJUNG L. Just Relax and Come Clustering： A Convexification of K-Means Clustering［M］. Linköping： Linköping University Electronic Press， 2011.
[12]	TSENG P. Applications of Splitting Algorithm to Decomposition in Convex Programming and Variational Inequalities［J］. SIAM Journal on Control and Optimization， 1991， 29（1）： 119-138.
[13]	CHI E C， LANGE K. Splitting Methods for Convex Clustering［J］. Journal of Computational and Graphical Statistics， 2015， 24（4）： 994-1013.
[14]	HOCKING T D， JOULIN A， BACH F， et al. Clusterpath： An Algorithm for Clustering Using Convex Fusion Penalties［C］∥Proceedings of the 28th International Conference on International Conference on Machine Learning. Madison： Omnipress， 2011： 745-752.
[15]	翁永祥，赵万磊，郑志娟. 基于PCA联合K-Means聚类的雷达信号分选算法［J］. 舰船电子对抗， 2020， 43（2）： 38-42， 60.
	WENG Yongxiang， ZHAO Wanlei， ZHENG Zhijuan. Radar Signal Sorting Algorithm Based on PCA Combined K-Means Clustering［J］. Shipboard Electronic Countermeasure， 2020， 43（2）： 38-42， 60.