电讯技术

雷达	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
1	250～290 参差	8300～8600 捷变	450～950 滑变	35～38	500
2	90～110 捷变	8300～8500 参差	450～550 抖动	36～39	200
120 固定	8500～8700 抖动	500～600 捷变	36～39	300
130～150 参差	8800～9100 捷变	600～700 参差	36～39	200
3	80～120 滑变	9000～9200 参差	700～800 捷变	37～40	500
4	140～160 捷变	9200～9400 参差	700～800 抖动	38～41	200
160～180 参差	9400～9600 参差	800～900 捷变	38～41	200
180～200 参差	9600～9800 捷变	900～1000 参差	38～41	300
5	210～250 捷变	9500～9800 滑变	550～800 参差	39～42	400
6	180～200 滑变	8300～8500 参差	400～500 捷变	40～43	200
205～230 参差	8500～8600 捷变	550～650 参差	40～43	200
230～250 捷变	8600～8700 参差	600～700 抖动	40～43	200
7	170～210 参差	8700～8900 参差	800～1100 滑变	41～42	550
8	210～225 捷变	9000～9200 抖动	650～750 参差	44～47	200
230～250 抖动	9200 固定	750～850 捷变	44～47	300
255～270 滑变	9200～9400 参差	850～950 抖动	44～47	200

雷达	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
1	250～290 参差	8300～8600 捷变	450～950 滑变	35～38	500
2	90～110 捷变	8300～8500 参差	450～550 抖动	36～39	200
120 固定	8500～8700 抖动	500～600 捷变	36～39	300
130～150 参差	8800～9100 捷变	600～700 参差	36～39	200
3	80～120 滑变	9000～9200 参差	700～800 捷变	37～40	500
4	140～160 捷变	9200～9400 参差	700～800 抖动	38～41	200
160～180 参差	9400～9600 参差	800～900 捷变	38～41	200
180～200 参差	9600～9800 捷变	900～1000 参差	38～41	300
5	210～250 捷变	9500～9800 滑变	550～800 参差	39～42	400
6	180～200 滑变	8300～8500 参差	400～500 捷变	40～43	200
205～230 参差	8500～8600 捷变	550～650 参差	40～43	200
230～250 捷变	8600～8700 参差	600～700 抖动	40～43	200
7	170～210 参差	8700～8900 参差	800～1100 滑变	41～42	550
8	210～225 捷变	9000～9200 抖动	650～750 参差	44～47	200
230～250 抖动	9200 固定	750～850 捷变	44～47	300
255～270 滑变	9200～9400 参差	850～950 抖动	44～47	200

算法	分选正确率/%	总正确率/%
本文算法	100.00	97.43	96.00	98.57	97.00	98.17	98.18	99.71	98.13
LPACD^[12]	95.00	95.71	94.00	96.00	92.50	96.67	96.36	98.29	95.57
SLPACD^[13]	97.60	97.14	95.00	98.29	95.00	97.50	97.82	99.43	97.22
k-means^[23]	0.00	44.57	99.60	99.29	0.00	69.17	99.27	76.43	61.04

算法	分选正确率/%	总正确率/%
本文算法	100.00	97.43	96.00	98.57	97.00	98.17	98.18	99.71	98.13
LPACD^[12]	95.00	95.71	94.00	96.00	92.50	96.67	96.36	98.29	95.57
SLPACD^[13]	97.60	97.14	95.00	98.29	95.00	97.50	97.82	99.43	97.22
k-means^[23]	0.00	44.57	99.60	99.29	0.00	69.17	99.27	76.43	61.04

类别	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
杂散脉冲	80～290	8300～9800	400～1000	35～47	M

类别	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
杂散脉冲	80～290	8300～9800	400～1000	35～47	M

改进复杂网络社区检测的多功能雷达信号分选

PDF下载

李世通 , 胡进 , 严波

电讯技术 | 应用基础与前沿技术 2025,65(11): 1851-1858

收起

电讯技术 | 应用基础与前沿技术 2025, 65(11): 1851-1858

改进复杂网络社区检测的多功能雷达信号分选

全屏

李世通, 胡进, 严波

作者信息

中国船舶集团有限公司第七二四研究所，南京 211153

李世通男，1998年生于河南南阳，2021年获学士学位，现为硕士研究生，主要研究方向为雷达信号分选。

胡进男，1982年生于湖北天门，2010年获博士学位，现为研究员，主要研究方向为雷达与电子侦察技术。

严波男，1986年生于江苏泰州，2012年获硕士学位，现为高级工程师，主要研究方向为数据处理。

通讯作者:

李世通 Email: datong2215@163.com

Multi-functional Radar Signal Sorting Based on Improved Complex Network Community Detection

Shitong LI, Jin HU, Bo YAN

Affiliations

The 724th Research Institute of China State Shipbuilding Corporation Limited，Nanjing 211153，China

出版时间: 2025-11-28 doi: 10.20079/j.issn.1001-893x.240613003

文章导航

摘要

收起

针对复杂电磁环境下常规信号分析方法难以解决的多功能雷达信号分选“增批”和“漏批”问题，提出了一种改进的复杂网络社区检测信号分选方法。该方法首先通过有限穿透可视图将信号映射为复杂网络，引入基于密度的空间聚类去除杂散脉冲；然后根据节点的介数中心性改进标签传播算法，提高了社区划分的稳定性；最后利用密度峰值聚类合并子社区，完成分选过程。仿真结果表明，所提方法对多功能雷达信号分选正确率为98.13%；且增加杂散脉冲占比至35%时，分选批数未发生变化，能够有效处理“增批”和“漏批”问题。

关键词

多功能雷达 / 信号分选 / 增批 / 漏批 / 有限穿透可视图 / 复杂网络社区检测

Abstract

收起

For the problem that conventional signal analysis methods are prone to cause the“increasing batch”and“missing batch”in multi-functional radar signal sorting in complex electromagnetic environments, a multi-functional radar signal sorting method based on improved complex network community detection is proposed. This method first transforms the signal sequence into the complex network using limited penetration visibility graph. Then, it introduces spatial clustering with density to eliminate spurious pulses. Subsequently, the label propagation algorithm is improved according to the between centrality of nodes,enhancing the stability of community division. Finally,the sub-communities are merged to complete the signal sorting task by density peak clustering. Simulation results show that the proposed method achieves a sorting accuracy of 98.13% for multi-functional radar signals. Moreover,even when the proportion of spurious pulses increases to 35% , the number of sorted batches remains unchanged, effectively alleviating the“increasing batch”and“missing batch”problems.

Key words

multi-functional radar / signal sorting / increasing batch / missing batch / limited penetrable visible graph / complex network community detection

引用本文

李世通, 胡进, 严波. 改进复杂网络社区检测的多功能雷达信号分选. 电讯技术, 2025 , 65 (11) : 1851 -1858 . DOI: 10.20079/j.issn.1001-893x.240613003

Shitong LI, Jin HU, Bo YAN. Multi-functional Radar Signal Sorting Based on Improved Complex Network Community Detection[J]. Telecommunication Engineering, 2025 , 65 (11) : 1851 -1858 . DOI: 10.20079/j.issn.1001-893x.240613003

正文

收起

0　引言

收起

雷达信号分选是指从交错的雷达脉冲序列中分选出来自同一辐射源信号的过程。随着多功能雷达的广泛应用，分选任务面临着新的挑战。一方面，由于多功能雷达在不同工作模式下动态调整信号参数，不同工作模式的雷达信号很容易被误判为来自不同雷达辐射源，造成“增批”，或将来自不同雷达辐射源信号误判为来自同一雷达辐射源，造成“漏批”^[1]。另一方面，复杂电磁环境中的杂散脉冲加大了信号分选难度。

目前，雷达信号分选方法基本分为三大类：第一类是基于脉冲重复间隔（Pulse Repetition Interval，PRI）的分选算法，如PRI直方图法^[2]、PRI变换法^[3]和平面变换法^[4]等；第二类是基于脉内调制特征的分选算法，如时频分析法^[5]、模糊函数法^[6]和无意调制特征^[7]等；第三类是基于机器学习的分选算法，如支持向量机（Support Vector Machine，SVM）^[8]、神经网络^[9]、静态聚类^[10]和数据流聚类等^[11]。

基于脉冲重复间隔的分选算法适用于PRI较为固定且脉冲密度较小的场景，然而，由于不同工作模式下多功能雷达信号的PRI调制不同，这类算法很难完成多功能雷达信号分选任务。基于脉内调制特征的分选算法能够在高信噪比的情况下对相似雷达信号分选，但是，这类方法抗噪性较差，难以完成复杂电磁环境下的分选任务。基于机器学习分选方法可以从样本数据中获得规律并利用规律对未知数据进行预测，然而，如深度学习的方法对大量训练样本和训练时间的需求难以适应实时战况，常规聚类方法易把多功能雷达不同工作模式下的信号误判为来自多个辐射源，导致分选正确率低。

为解决多功能雷达信号分选的“增批”和“漏批”问题，一些学者尝试将复杂网络社区检测方法引入信号分选领域，取得了一定的效果^[12-13]。然而，这些方法在存在杂散脉冲干扰的非理想电磁环境下分选效果不佳。

鉴于上述问题，本文提出一种改进的复杂网络社区检测信号分选方法，利用基于密度的空间聚类去除复杂网络中的干扰点，并将介数中心性作为节点的重要度改进复杂网络社区检测算法，提高了算法的准确性。实验证明该方法在存在杂散脉冲条件下对多功能雷达信号分选准确高于现有的复杂网络社区检测算法和k-means算法，能够有效处理“增批”和“漏批”问题。

1　复杂网络社区检测与信号分选

收起

复杂网络是一种由众多节点和连边组成的抽象模型，可应用于各科学领域中复杂系统的建模与分析。对复杂网络进行社区检测有助于揭示其组织原则和拓扑结构等。鉴于雷达脉冲序列是一个时间上的复杂系统，可将基于复杂网络的社区检测方法应用于雷达信号分选，处于同一社区的节点代表着相应的信号来自同一雷达辐射源。

1.1　复杂网络

复杂网络源于图论和拓扑学，将复杂系统中的个体抽象为节点，个体之间的相互联系抽象为边^[14]。网络可以被描述为一个图G=（V，E），其中，V为节点集合，E为边集合。

有限穿透可视图（Limited Penetrable Visibility Graph，LPVG）算法是一种时间序列构建复杂网络方法^[15]。对于任意两个节点y_i和y_j，如果两节点间存在s个节点{y_k}满足式（1），那么y_i和y_j连边，即当y_i和y_j之间的视线被截断次数s不超过有限次T时，y_i和y_j之间存在穿透可视线。

式中：i＜k＜j且0≤s≤T。

1.2　基于复杂网络的社区检测

社区检测是指将复杂网络中关联密切的节点归属到同一个社区中，每个社区内部的节点联系密切，各个社区间的节点联系相对稀疏^[16]。

基于复杂网络的社区检测先利用有限穿透可视图构建时间序列对应的复杂网络，再通过标签传播算法（Label Propagation Algorithm，LPA）快速发现复杂网络中的社区结构^[17]。首先，采用LPVG构建时间序列对应的复杂网络G。其次，为G中每一个节点初始化标签并将所有节点随机排序，依次选取一个节点，根据相连节点的标签情况改变此节点的标签。最后，重复节点标签更新过程，直至节点标签不再改变。相同标签的节点属于同一个社区。

1.3　基于复杂网络社区检测的信号分选

针对多功能雷达信号分选“增批”和“漏批”问题，Chi等人^[12]将复杂网络的社区检测方法引入雷达信号分选。雷达脉冲序列由多维特征组成，该方法对每维数据分别用LPVG构建复杂网络再聚合为总的复杂网络。得到的复杂网络用LPA社区检测得到小型子社区结构，再将子社区合并，得到最终的社区结构。

张洁雯等人^[13]将标签拓展算法（Speaker-listener Label Propagation Algorithm，SLPA）引入基于复杂网络社区检测的信号分选方法，通过给每个节点设置标签存储列表来解决LPA更新节点标签时无法保留历史标签问题，从而降低传播过程中错误标签的影响，提高了信号分选正确性。

2　改进复杂网络社区检测算法设计

收起

雷达接收机截获的杂散脉冲是影响分选准确率的重要因素，其主要产生原因有外界干扰、脉冲分裂、电路毛刺和无关信号影响等，主要分布特征有泊松分布、均匀分布等^[18-19]。在社区检测初始时，基于复杂网络的社区检测方法为所有节点赋予标签，杂散脉冲同样会被赋予标签。随着节点标签的迭代更新，这些杂散脉冲可能会混入各个社区中，从而严重降低分选算法的准确性。因此，在社区检测时过滤掉这些杂散脉冲显得尤为重要。

鉴于复杂网络社区检测方法的性能易受到杂散脉冲干扰，而基于密度的空间聚类算法（Density-based Spatial Clustering of Applications with Noise，DBSCAN）^[20]具有处理异常数据的能力，能够在存在干扰点的条件下发现任意形状的簇。本文将两者有效结合，不仅将脉冲序列映射至复杂网络，还将复杂网络中的干扰点去除，为后续社区检测的准确率提供了保障。

此外，由于复杂网络社区检测算法在更新节点标签时随机更新节点序列，导致社区划分结构不稳定，本文改进改变节点标签传播方式，将介数中心性（Between Centrality，BC）^[21]作为节点重要度，节点标签从重要度高的节点传递到重要度低的节点。通过更稳定的社区划分，提高了信号分选的准确率。

本文分选流程如图1所示。首先，采用有限穿透可视图将信号映射至复杂网络域；其次，使用基于密度空间聚类算法去除网络中的干扰点；然后，采用基于标签传播的社区检测算法将网络划分为多个小型社区；最后，使用密度峰值聚类算法将子社区合并得到分选结果。

2.1　基于有限穿透可视图构建复杂网络

假定雷达脉冲序列的样本集ts={s₁，s₂，…，s_n}，s_i= [PW_i，RF_i，PRI_i，DOA_i]为第i个脉冲样本的特征向量，其中，PW为脉宽，RF为载频，PRI为脉冲重复间隔，DOA为到达角。由于雷达信号不同维度的特征参数跨度大，为了方便处理，需要对D维数据分别进行归一化至[0，1]，即

ts′={x₁，x₂，…，x_n}，x_i = [PW′_i，RF′_i，PRI′_i，DOA′_i]是归一化处理后的脉冲序列与特征向量。雷达信号D维特征参数分别用LPVG得到D个不同的复杂网络，用邻接矩阵A_d（d∈{1，2，…，D}）表示：

式中：a_ij表示（i, y_i）和（j, y_j）间的连边情况。

脉冲序列对应的邻接矩阵

。

2.2　基于密度的空间聚类去除杂散脉冲

本文采用DBSCAN算法^[20]去除复杂网络中的杂散脉冲，算法流程如图2所示。

首先，将复杂网络的邻接矩阵A中所有节点标记为未处理，未访问节点集为X^un。从X^un随机选择一个节点x_i，计算节点x_i半径ε区域内的所有邻居点数N_ε（x_i）。如果节点x_i满足式（5），那么先暂时将其标记为噪声点。

式中：MinPts为核心节点的最低点数，那么该节点被标记为核心节点，为x_i创建一个新簇C_k。

其次，对于节点x_i半径ε邻域内的每一个邻居节点x_j，如果x_j∈X^un，将其加入C_k，并标记为已处理。如果这个邻居节点x_j也是一个核心节点，需要继续查找其邻居节点。然后，重复上述过程直到C_k中所有核心节点的邻居节点都被访问过。

最后，遍历X^un中所有节点，得到所有聚类结果{C₁，C₂，…，C_K}，没有被分入任何簇的节点为噪声点，将其去除后更新邻接矩阵为A′。

2.3　基于标签传播算法检测社区

传统LPA在迭代过程中，节点序列随机更新，会导致社区划分结果不稳定，从而影响信号分选的准确性。针对LPA的缺陷，本文将节点的介数中心性作为重要度引入到标签传播过程中，节点标签不再随机传播，而是从重要度高的节点传播到重要度低的节点。

介数中心性是考虑复杂网络全局拓扑结构，利用经过节点的最短路径数量来衡量节点重要度的方法。在一个n节点的复杂网络中，x_i的介数中心性BC_i为

式中：g_st是x_s到x_t的最短路径的数量；

是x_s到x_t经过x_i的最短路径的数量。

首先，改进后的社区检测算法给每个节点初始化唯一的标签，并计算每个节点的介数中心性按降序排列，得到有序节点集。

其次，依顺序将每个节点的标签分配给予其相似度最高的邻居节点。x_i和x_j的相似度S_ij为

式中：d_ij为节点间的欧氏距离。

最后，重复更新节点标签的过程，直到最大迭代次数P。具有相同标签的节点归为一个社区C^sub。

2.4　基于密度峰值聚类合并子社区

雷达信号构成的复杂网络经LPA算法被分割为众多小规模的子社区^[12]。为了得到同一雷达辐射源的脉冲序列，需要将子社区合并，聚类为更大的社区。

密度峰值聚类（Density Peak Clustering，DPC）算法^[22]是一种简单有效的无监督聚类算法，能自动发现数据中的聚类中心。首先计算各子社区

的局域密度ρ_i和相对距离δ_i:

式中：

表示子社区

与子社区

的节点对之间欧氏距离的累计和；d_c为邻域截断距离；ρ_i描述了社区

的密集程度；δ_i是指比社区

密度更大的社区中最近社区间的距离，规定子社区内节点之间距离为0。

如公式（9），各子社区的密度峰值

通过

和

得到。密度峰值

较大的子社区被选作聚类中心，将所有非聚类中心社区归入聚类中心所在的簇，完成子社区的聚类。

2.5　分选算法流程

本文分选算法伪代码如下：

3　仿真实验与性能分析

收起

为验证所提算法改进效果和可靠性，本文进行多功能雷达信号分选测试和存在杂散脉冲条件下分选测试。以分选正确率r为评价指标，范围为[0，1]。

式中：G_i为第i部雷达发射脉冲数；G_ii为第i部雷达中分选正确的脉冲数。

3.1　多功能雷达信号分选测试

3.1.1　多功能雷达信号参数设置

为测试所提算法对多部多功能雷达的参数混叠信号分选性能和改进效果，本文参考了文献[12-13]中多功能雷达信号的参数设置，使用MATLAB仿真8部雷达辐射源。如表1所示，辐射源1、辐射源3、辐射源5和辐射源7只工作于一种模式，其他4部多功能雷达辐射源分别工作于3种模式。每个雷达辐射源具有脉宽（Pulse Width，PW）、载频（Radio Frequency，RF）、脉冲重复间隔（Pulse Repetition Interval，PRI）和到达角（Direction of Arrival，DOA）四维特征，PW、RF和PRI相互混叠，且有不同的调制样式，如参差、捷变、滑变和抖动等。图3显示了脉冲序列在三维参数空间中的分布情况。

3.1.2　多功能雷达信号分选结果与分析

为测试所提算法的有效性和改进效果，使用本文算法、基于标签传播算法的社区检测（Label Propagation Algorithm Community Detection，LPACD）^[12]、基于标签拓展算法的社区检测（Speaker-listener Label Propagation Algorithm Community Detection，SLPACD）^[13]和k-means算法^[23]对表1中的雷达脉冲信号进行分选。测试100次，统计各算法分选正确率取平均值，结果如表2所示。

分析测试结果可知，本文方法对8部辐射源雷达信号方分选正确率均在96%以上，总分选正确率达到98.13%。实验结果证明了本文方法能有效缓解因信号参数混叠造成的“增批”和“漏批”问题，适用于多功能雷达信号分选。

相较于LPACD^[12]、SLPACD^[13]这两种社区检测方法，本文算法分选正确率分别高2.56%、0.91%。传统的标签传播算法在初始化时随机排序节点，并按此顺序进行标签传播。然而，这种随机性会导致社区划分结果的不稳定，进而影响信号分选方准确性。本文算法改进标签传播方式，将节点的介数中心性作为节点重要度的衡量指标，并按照从大到小的顺序进行标签传播。因此，算法能够优先处理对网络结构影响更大的节点，更准确地确定它们所属的社区，进而使社区划分结果更稳定，提高了信号分选的正确率。

k-means算法^[23]总正确率只有61.04%。为方便分析k-means算法分选正确率低的原因，将本文方法与k-means算法方法进行对比分析。为避免因数据点重叠造成视觉误差，选择脉宽为横轴、载频为纵轴绘制两种方法的分选结果，如图4和图5所示。

在图4和图5中，不同颜色表示分选算法形成的簇，椭圆虚线表示真实雷达辐射源信号的归属情况。在图5中，由于雷达脉冲参数重叠度高，雷达4和雷达5，以及雷达1和雷达6被k-means算法误判为来自同一个雷达辐射源，造成“漏批”，使分选正确率下降。此外，具有3种工作模式的雷达2、雷达6和雷达8被误判为来自两个雷达辐射源，造成“增批”，也降低了分选正确率。由于“增批”和“漏批”问题的出现，使k-means算法相较于本文算法正确率低了37.09%。

通过对多功能雷达信号分选测试的结果分析，本文算法有效解决了多功能雷达信号“增批”和“漏批问题”，总分选正确率达98.13%。相较于LPACD^[12]、SLPACD^[13]算法，本文将介数中心性作为节点重要性，改进复杂网络社区检测算法的标签传播方式，获得更高的分选正确率。而k-means算法^[23]出现严重的“增批”和“漏批”现象，难以分选参数重叠的多功能雷达信号。

3.2　存在杂散脉冲条件下测试

3.2.1　杂散脉冲参数设置

为测试存在杂散脉冲条件下本文算法的分选性能与改进效果，在表1雷达脉冲序列的基础上插入杂散脉冲。首先，将表1中每部雷达脉冲按时间顺序合并，得到原始脉冲序列，脉冲数为N。接着，设置杂散脉冲占比e分别为0%，5%，…，50%，杂散脉冲数M=N·e。为使杂散脉冲遍布整个雷达脉冲序列，随机产生泊松分布的杂散脉冲PW、RF、PRI范围与原始脉冲序列相同，如表3所示。最后，在（0，N）中随机抽取M个脉冲插入杂散脉冲，得到存在杂散脉冲条件下的实验数据。

3.2.2　存在杂散脉冲条件下分选结果与分析

为测试在杂散脉冲条件下3种社区检测算法（本文算法、SLPACD^[13]和LPACD^[12]）性能，增加占比0～50%递增的杂散脉冲。杂散脉冲参数如表3所示。图6和图7展示了3种社区检测算法的分选批数、分选正确率随杂散脉冲变化的结果。随着杂散脉冲增多，3种算法均出现“增批”，算法正确率随之减小。LPACD算法^[12]在杂散脉冲占比从25%增加至30%时，以及SLPACD算法^[13]在杂散脉冲占比从40%增加至45%时，出现“漏批”，分选正确率下降。由于LPACD和SLPACD算法在社区检测时，干扰点和信号节点被同等地赋予标签，大量杂散脉冲最终混入各社区，影响了分选的准确性。相较于另两种社区检测算法，本文算法在杂散脉冲比例达到35%时，仍没有“增批”和“漏批”问题出现，分选正确率为88.75%。在杂散脉冲占比50%时，由于“增批”问题，分选正确率下降至80.6%。

通过对存在杂散脉冲条件下测试的结果分析，本文引入基于密度的聚类算法，在对复杂网络进行社区检测前将复杂网络中的干扰点去除，有效保障了后续社区划分的准确性。实验结果表明，所提方法对杂散脉冲有较强的抗干扰能力，适用于存在杂散脉冲条件下的多功能雷达信号分选。

4　结束语

收起

本文针对参数重叠的多功能雷达信号分选“增批”和“漏批”问题，提出了一种基于改进复杂网络社区检测的多功能雷达信号分选方法。在存在杂散脉冲条件下进行多功能雷达信号分选^[24]测试，并与现有的分选方法对比分析。结果表明，本文方法对多功能雷达信号分选正确率为98.13%，能有效解决多功能雷达信号分选“增批”和“漏批”问题，分选正确率略优于LPACD、SLPACD两种社区检测算法，明显高于k-means算法；且本文算法在杂散脉冲占比35%条件下分选结果未出现“增批”，分选正确率为88.75%，高于LPACD、SLPACD算法，适用于存在杂散脉冲的复杂电磁环境下信号分选。

由于本文算法需要输入完整的复杂网络，对于该算法如何应用于在线分选还有待进一步研究。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

王沙飞, 朱梦韬, 李云杰, 等.对先进多功能雷达系统行为的识别、推理与预测:综述与展望[J].信号处理, 2024, 40(1):17-55.

[2]

关一夫, 张国毅, 刘志鹏.一种基于脉冲样本序列的PRI周期信号分选算法[J].电讯技术, 2014, 54(7):915-920.

[3]

成文海, 卢伟, 刘毅, 等.一种高效的雷达信号综合分选算法[J].电波科学学报, 2023, 38(2):298-305.

[4]

石荣, 吴聪.基于PRI信息的雷达脉冲信号分选技术研究综述[J].电讯技术, 2020, 60(1):112-120.

[5]

李天琪, 张玉, 张进, 等.基于时频与快速熵的IFF辐射源个体识别方法[J].探测与控制学报, 2020, 42(1):87-93.

[6]

普运伟, 陈新杰, 余永鹏, 等.基于模糊函数多维结构度量特征的雷达辐射源信号流在线分选[J].仪器仪表学报, 2023(8):277-288.

[7]

秦鑫, 黄洁, 王建涛, 等.基于无意调相特性的雷达辐射源个体识别[J].通信学报, 2020, 41(5):104-111.

[8]

JIN

, ZHANG

X D

. Radar emitter signal recognition method based on improved collaborative semi-supervised learning[J]. Journal of Systems Engineering and Electronics, 2023, 34(5):1182-1190.

[9]

董章华, 赵士杰, 赖莉.一种基于Swin Transformer神经网络的低截获概率雷达信号调制类型的识别方法[J].四川大学学报(自然科学版), 2023, 60(2):42-48.

[10]

陈涛, 邱宝传, 肖易寒, 等.基于点云分割网络的雷达信号分选方法[J].电子与信息学报, 2024, 46(4):1391-1398.

[11]

王易丽, 杨宇明.一种基于改进谱聚类的雷达信号分选算法[J].电讯技术, 2023, 63(9):1348-1354.

[12]

CHI

, SHEN

J H

, LI

, et al. Multi-function radar signal sorting based on complex network[J]. IEEE Signal Processing Letters, 2021, 28:91-95.

[13]

张洁雯, 孙闽红, 王杰.基于复杂网络和CSLPA的多功能雷达信号分选[J].探测与控制学报, 2023, 45(4):87-94.

[14]

曹金鑫, 许伟忠, 金弟, 等.复杂网络社团发现综述[J].计算机科学, 2023, 50(增刊2):402-412.

[15]

周婷婷, 金宁德, 高忠科, 等.基于有限穿越可视图的时间序列网络模型[J].物理学报, 2012, 61(3):86-96.

[16]

王明月, 邹晓红, 陈晶, 等.基于标签传播与多指标的重叠社区检测算法[J].计算机应用, 2023, 43(增刊2):105-110.

[17]

许星舟.基于节点中心性和标签传播算法的社区检测[J].计算机应用与软件, 2024, 41(3):290-296.

[18]

WANG

H Y

, ZHU

M T

, FAN

R Z

, et al. Parametric model-based deinterleaving of radar signals with non-ideal observations via maximum likelihood solution[J]. IET Radar,Sonar & Navigation, 2022, 16(8):1253-1268.

[19]

陈柯宇, 杨健, 张伟, 等.基于极大似然估计的非理想场景雷达信号分选算法[J].系统工程与电子技术, 2024, 46(7):2276-2284.

[20]

黄一峰, 朱明, 王繁, 等.基于层次密度聚类和谱间隙的雷达信号分选[J].安徽大学学报(自然科学版), 2023, 47(1):54-61.

[21]

刘波, 曾钰洁, 杨荣湄, 等.高阶网络统计指标综述[J].物理学报, 2024, 73(12):390-407.

[22]

RODRIGUEZ

, LAIO

. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191):1492-1496.

[23]

杨亮亮.针对细微特征进行K-means聚类的电台分选识别技术[J].电讯技术, 2022, 62(8):1149-1154.

[24]

王杰, 孙闽红, 张洁雯.基于ILPVG网络的多功能雷达信号分选[J].现代雷达, 2024, 46(11):38-44.

2025年第65卷第11期

PDF下载

130

引用本文

BibTeX

文章信息

doi: 10.20079/j.issn.1001-893x.240613003

接收时间：2024-06-13
首发时间：2026-04-15
出版时间：2025-11-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-06-13
修回日期：2024-07-27

基金

作者信息

中国船舶集团有限公司第七二四研究所，南京 211153

通讯作者:

李世通 Email: datong2215@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dxjs/CN/10.20079/j.issn.1001-893x.240613003

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

雷达	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
1	250～290 参差	8300～8600 捷变	450～950 滑变	35～38	500
2	90～110 捷变	8300～8500 参差	450～550 抖动	36～39	200
120 固定	8500～8700 抖动	500～600 捷变	36～39	300
130～150 参差	8800～9100 捷变	600～700 参差	36～39	200
3	80～120 滑变	9000～9200 参差	700～800 捷变	37～40	500
4	140～160 捷变	9200～9400 参差	700～800 抖动	38～41	200
160～180 参差	9400～9600 参差	800～900 捷变	38～41	200
180～200 参差	9600～9800 捷变	900～1000 参差	38～41	300
5	210～250 捷变	9500～9800 滑变	550～800 参差	39～42	400
6	180～200 滑变	8300～8500 参差	400～500 捷变	40～43	200
205～230 参差	8500～8600 捷变	550～650 参差	40～43	200
230～250 捷变	8600～8700 参差	600～700 抖动	40～43	200
7	170～210 参差	8700～8900 参差	800～1100 滑变	41～42	550
8	210～225 捷变	9000～9200 抖动	650～750 参差	44～47	200
230～250 抖动	9200 固定	750～850 捷变	44～47	300
255～270 滑变	9200～9400 参差	850～950 抖动	44～47	200

雷达

PW/μs

RF/MHz

PRI/μs

DOA/（°）

脉冲数

250～290
参差

8300～8600
捷变

450～950
滑变

35～38

500

90～110
捷变

8300～8500
参差

450～550
抖动

36～39

200

120
固定

8500～8700
抖动

500～600
捷变

36～39

300

130～150
参差

8800～9100
捷变

600～700
参差

36～39

200

80～120
滑变

9000～9200
参差

700～800
捷变

37～40

500

140～160
捷变

9200～9400
参差

700～800
抖动

38～41

200

160～180
参差

9400～9600
参差

800～900
捷变

38～41

200

180～200
参差

9600～9800
捷变

900～1000
参差

38～41

300

210～250
捷变

9500～9800
滑变

550～800
参差

39～42

400

180～200
滑变

8300～8500
参差

400～500
捷变

40～43

200

205～230
参差

8500～8600
捷变

550～650
参差

40～43

200

230～250
捷变

8600～8700
参差

600～700
抖动

40～43

200

170～210
参差

8700～8900
参差

800～1100
滑变

41～42

550

210～225
捷变

9000～9200
抖动

650～750
参差

44～47

200

230～250
抖动

9200
固定

750～850
捷变

44～47

300

255～270
滑变

9200～9400
参差

850～950
抖动

44～47

200

算法	分选正确率/%	总正确率/%
本文算法	100.00	97.43	96.00	98.57	97.00	98.17	98.18	99.71	98.13
LPACD^[12]	95.00	95.71	94.00	96.00	92.50	96.67	96.36	98.29	95.57
SLPACD^[13]	97.60	97.14	95.00	98.29	95.00	97.50	97.82	99.43	97.22
k-means^[23]	0.00	44.57	99.60	99.29	0.00	69.17	99.27	76.43	61.04

算法

分选正确率/%

总正确率/%

雷达1

雷达2

雷达3

雷达4

雷达5

雷达6

雷达7

雷达8

本文算法

100.00

97.43

96.00

98.57

97.00

98.17

98.18

99.71

98.13

LPACD^[12]

95.00

95.71

94.00

96.00

92.50

96.67

96.36

98.29

95.57

SLPACD^[13]

97.60

97.14

95.00

98.29

95.00

97.50

97.82

99.43

97.22

k-means^[23]

0.00

44.57

99.60

99.29

0.00

69.17

99.27

76.43

61.04

类别	PW/μs	RF/MHz	PRI/μs	DOA/（°）	脉冲数
杂散脉冲	80～290	8300～9800	400～1000	35～47	M

类别

PW/μs

RF/MHz

PRI/μs

DOA/（°）

脉冲数

杂散脉冲

80～290

8300～9800

400～1000

35～47