论文部分内容阅读
在日趋复杂的战场电磁环境下,通信侦察装备源源不断地截获并上报海量的参数级侦察数据。为了能够挖掘出参数级数据内部潜在的情报信息,侦察数据的分析处理技术已经成为现代信息化战争的重要组成部分,在夺取信息优势、掌握战场态势中发挥着越来越重要的作用。论文立足于战场无线网络对抗要求,以无线通信侦察数据为研究对象,对适用于不同战场环境下的通信侦察数据聚类分析方法展开研究,完成对通信侦察数据潜藏信息的挖掘。论文的主要工作与进展如下:1、提出了一种基于SOFM网络的二阶段聚类算法,完成通信网数目未知情况下通信侦察数据的聚类分析。该算法分为基于SOFM网络的粗聚类和基于k-means算法的细聚类两部分。在粗聚类阶段,通过SOFM网络的自组织学习过程,以获胜神经元的权值分布表示数据初步的聚类结果;在细聚类阶段,通过密度峰值方法确定获胜神经元的权值中心与聚类数目,然后通过k-means算法对获胜神经元进行聚类,将聚类结果映射到原始数据,完成通信侦察数据的聚类分析。仿真实验表明,所提出的算法聚类正确率较高,能够在通信网数目未知时有效完成通信侦察数据的聚类分析。2、提出了一种基于谱聚类的不规则含噪数据聚类方法,完成通信电台地理位置分布不规则时通信侦察数据的聚类分析。通信电台在地理位置上依据任务部署、地理环境等因素呈现出不规则形状的分布时,常规的聚类算法难以满足要求。同时,通过现有的离群点检测算法去除此环境下通信侦察数据中存在的外界干扰与噪声时,去噪效果较差,需要一种适用于不规则形状数据集与复杂分布的多维数据集的离群点检测算法。因此,提出了一种基于相似度剪枝的离群点检测算法,去除通信侦察数据中的干扰与噪声;然后,通过谱聚类算法对去噪后的数据进行聚类。仿真实验表明,该方法可以有效地消除通信电台地理位置分布不规则、通信侦察数据中夹杂噪声目标对通信侦察数据聚类分析的影响,能够取得较好的聚类结果。3、研究了一种基于半监督谱聚类的通信侦察数据分析方法,解决非合作方在具备一定量先验知识的情况下通信侦察数据的聚类分析。非合作方在对侦察数据的分析过程中具备一定量的先验知识,充分利用这些先验知识对于指导通信侦察数据的聚类过程具有重要的意义。首先,分析了非合作方所具备的先验知识的存在形式;然后,将先验知识转化为判别通信电台间通联关系的约束条件,并对通信电台间的成对约束进行扩展;最后,通过以通信电台间通联关系作为约束条件的半监督谱聚类算法完成对通信侦察数据的聚类过程。仿真实验表明,该方法可以有效地利用非合作方所具备的先验知识,辅助通信侦察数据的聚类过程,提高通信侦察数据聚类结果的正确率。