基于密度峰值聚类的宽角域散射中心聚类

宽角域合成孔径雷达(wide-angle synthetic aperture radar,WA-SAR)有着更广泛的角度覆盖范围,基于此得到的宽角域散射中心(wide-angle scattering centers,WA-SCs)包含了目标物体更加丰富的电磁散射特征,这对雷达的目标建模、目标识别等有着重要的意义。为了克服WA-SCs数据维度高、所含信息复杂的特点,并从中提取出所需的目标物体特征,采取密度峰值聚类(density peak clustering,DPC)算法研究WA-SCs。基于SLICY模型数据,从聚类内部评价指标、聚类可视化和算法自动化程度3个方面,将本文算法与经典的K-means、DBSCAN和MeanShift算法进行了对比实验。结果表明,DPC算法具有自动化程度高、高维数据适应性强、聚类精度高等优点,有望为后续的一系列基于WA-SCs的目标建模、目标识别等工作提供技术支撑。

基于光谱信息散度-光谱角的自适应密度峰值聚类波段选择方法

针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题,提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法(SSDPC:Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择,取代传统的欧氏距离构建波段相似矩阵。通过构建波段评分策略,有效自动选择出重要的光谱波段子集。在3组高光谱数据集上调用RX(Reed-Xiaoli)算法进行异常检测,在SSDPC的相似性度量方法下,异常检测精度较欧氏距离度量方法分别平均提高1.16%、1.18%和0.07%;在自适应的SSDPC波段选择方法下,异常检测精度相较原始RX算法分别提升6.49%、2.71%和0.05%。结果表明,该算法具有良好的鲁棒性,能提升高光谱图像异常检测的性能并降低其虚警率。

基于AIS和Canopy+Kmeans算法的高频雷达阵列幅相校准

阵列通道幅相校准是高频地波雷达方位估计必不可少的环节。文中提出一种基于自动识别系统(AIS)和Canopy+Kmeans的聚类算法对阵列的幅相误差进行校准。AIS直接用于阵列幅相校准将会出现许多虚假和错误的校准值信息,因此还需要对AIS得到的校准值进行进一步筛选。该方法结合机器学习中的Canopy算法和Kmeans算法,利用AIS船只信号得到的幅度和相位校准值进行自动聚类,从而得到正确的幅度和相位校准值。校准之后的雷达数据用多重信号分类算法进行到达角(DOA)估计,DOA估计的准确度有了大幅的提高。

一种基于大规模MIMO系统的三维空间指纹定位方法

针对现有指纹定位技术存在指纹数据量较大、存储与处理困难、复杂空间定位适应性不足等问题,提出了一种基于大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的三维室内空间指纹定位方法。首先,提出一种处理速度更快、存储需求更小的角度-时延信道频率功率(Angle Delay Channel Frequency Power,ADCFP)指纹矩阵;其次,引入新的相似度准则即卡方距离以提高定位精度;然后提出一种改进的次方加权K近邻(Weighted K-Nearest Neighbor,WKNN)匹配算法,根据不同次方值对权重下降速度的影响差异,针对指纹相似度的大小分配以不同的权重;最后,对ADCFP指纹采用按行按列压缩的存储方法得到三种压缩指纹,进一步减少指纹数据量,并引入中心到达角(Central Angle of Arrival,CAOA)聚类算法缩短定位时长。仿真结果表明,ADCFP指纹矩阵2 m精度可靠性可达89.2%,采用卡方距离相较于曼哈顿距离的平均定位误差降低了5.63%,改进次方WKNN算法相较于传统WKNN算法平均定位误差降低了4.45%,引入CAOA聚类算法可使定位速度提升为未聚类情况下的1.72倍,平均定位误差较K均值聚类算法降低了44.05%,定位性能有较大提升。