本发明涉及雷达信号分选领域，具体涉及一种基于数据场和finch-means的多功能雷达信号分选方法。
背景技术：
1、雷达信号分选(radar signal sorting,rss)，也称为去交织或去重叠，用于将交织或重叠的雷达信号（由侦察接收机截获）精确分离为多个独立的雷达发射器类别。然而，随着新体制雷达的广泛使用，电磁环境愈发恶劣，如多功能雷达(multifunction radar,mfr)工作于多种模式，同时应用多种复杂波形，传统方法已经无法适用于这种雷达信号。如何有效地在高密度、脉冲交叠严重的环境下对mfr脉冲信号进行分选是一个亟待解决的问题。
2、现有的 rss 方法基本分为三类：(1)基于脉间调制特征的分选方法等，(2)基于脉内调制特征的分选方法，(3)基于机器学习的分选方法。早期脉间调制特征的rss方法中的基于pri的分选方法效果良好一直被广泛学者采用，但易受pri估计误差的影响。而随着电磁环境变得越来越复杂，基于脉间调制特征的rss方法遇到了许多严峻挑战。为了解决这些问题，许多学者开始专注于提取更稳定、更精细、参数交叠更少且区分度更高的脉内调制特征。
3、基于脉内调制特征又可以分为有意调制特征(intentional modulation pulse,imop)和无意调制特征(unintentional modulation on pulse,umop)。有意调制特征是指人为地对信号进行调制，使其在包络的频率、相位、幅度等方面呈现出两种或多种混合调制。无意调制特征，也称为指纹特征，通常由发射机自身引入并附加在信号上。由于每个雷达的个体差异，这些特征各不相同，属于雷达信号的固有特征，难以人为修改。这种特征有着细微性、稳定性、参数交叠少、区分度更高的特点。无论是有意还是无意调制特征，一直都有学者在进行研究，但是脉内调制特征有着特征提取复杂且易受多径效应的问题，在面对复杂多变的雷达脉冲信号时可能无法有效进行信号分选。
4、机器学习近年来已成为广泛关注的研究主题之一，机器学习又分为有监督学习和无监督学习。有监督学习方法有支持向量机、神经网络等。无监督学习适用于没有先验信息的雷达脉冲信号样本，即数据集没有标签，主要是用聚类算法进行rss，如k-means算法。但是聚类算法有对电磁环境比较敏感，需要对数据进行去噪处理及设置初始聚类数目的问题。
5、针对上述问题有学者提出基于数据场聚类的rss方法,将数据场聚类方法用于rss，依据势值和辐射因子将数据进行划分，取得良好的效果，但面对多部雷达多种信号交叠严重和干扰脉冲信号数量多的情况下，会出现”漏批”和“增批“现象的问题。
技术实现思路
1、本发明的目的在于：针对现有算法尚未完全克服对手动设置参数的依赖性，并且面对多部雷达多种信号交叠严重和干扰脉冲信号数量多的情况下，会出现”漏批”和“增批“现象的问题，提供了一种基于数据场和finch-means的多功能雷达信号分选方法，提出将更能区分雷达信号不同的脉内特征与传统pdw结合，构建新的特征用于数据场剔除干扰脉冲，然后提出改进的基于第一邻近点的k均值聚类算法(finch-means)，以克服聚类算法需要先验知识和面对多部雷达信号交叠严重和干扰严重出现”漏批””增批”等不足；从而解决了上述问题。
2、本发明提供了一种基于数据场和finch-means的多功能雷达信号分选方法，包括：
3、步骤s1:根据pdw数据生成雷达脉冲信号，提取脉冲上升沿(pulse rising edge，pre)特征；
4、步骤s2:引入pre与pdw结合，并加入1000个干扰脉冲，这些干扰脉冲的参数在混合雷达信号的取值范围内生成，使用rand函数产生均匀随机数，形成”epdw”数据进行后续rss；
5、步骤s3:根据设置的不同影响因子得到的势熵值大小确定最佳的影响因子；
6、步骤s4:根据最佳影响因子σ及数据点构建数据场，计算各数据点的势值；
7、步骤s5:根据设置的阈值，将势值小于阈值的数据点作为干扰点进行剔除；
8、步骤s6:利用finch聚类方法，使用精确距离或近似最近邻方法计算每个样本的首邻点；
9、步骤s7:根据首邻点构建邻接矩阵得到首个分区；
10、步骤s8:根据每个首邻点构建邻接矩阵得到的每个分区，计算每个聚类的均值，得到新的数据矩阵；
11、步骤s9:计算新数据矩阵上首邻点，构建新的邻接矩阵，得到新的分区。如果新的分区仅包含一个聚类，则终止算法，否则更新聚类标签并继续递归；
12、步骤s10:利用k-means算法将步骤s9中得到的最终分区，作为初始聚类数目；
13、步骤s11:计算各类簇的簇中心点以及聚类误差平方和；
14、步骤s12:根据簇中心的值不再发生变化，聚类完成。否则，重复进行步骤s11。
15、进一步地，所述步骤s1，包括：
16、步骤s13:利用希尔伯特变换提取信号包络；
17、步骤s14:利用滑窗平均等方法对包络中的噪声进行抑制；
18、步骤s15:对滑窗平均处理后得到的脉冲包络信号进行一阶差分计算，得到pre。
19、进一步地，所述步骤s1，包括：
20、
21、式中：t为时间；
22、τ为信号持续的时间间隔；
23、
24、式中：x(t)表示实信号；
25、表示希尔伯特变换；
26、e(t)表示原始信号包络；
27、所述步骤s15，包括：
28、
29、式中：表示一阶差分计算。
30、进一步地，所述步骤s2，包括：
31、步骤s16: 对n个epdw数据对象采用max-min规则进行归一化处理；
32、进一步地，所述归一化处理，包括：
33、
34、式中：其中n为脉冲数据样本数量;
35、经过归一化处理后的新脉冲描述字为,均为n维列向量;
36、表示的矩阵。
37、进一步地，所述步骤s3和s4，包括：
38、
39、式中：表示样本之间的影响程度，；
40、为辐射因子，取常数；
41、表示样本点到点的欧氏距离；
42、
43、式中：是标准化因子；
44、表示样本点的势值；
45、表示样本点的势熵。
46、进一步地，所述步骤s5，包括：
47、
48、式中：为环境检测系数，取。
49、进一步地，所述步骤s7，包括：
50、
51、式中：表示邻接矩阵中的元素；
52、n和m表示样本点。
53、关键内容：
54、一、引入雷达脉冲信号的指纹特征(pre)与传统pdw结合，形成新的epdw特征参数；
55、二、提出一种基于第一邻近点的k均值聚类算法(finch-means)。
56、本发明与现有技术相比，其优点在于：
57、一种基于数据场和finch-means的多功能雷达信号分选方法，该方法引入雷达脉冲信号的指纹特征(pre)与传统pdw结合，形成新的epdw特征参数作为输入，通过finch聚类算法对epdw样本进行初次聚类，得到初始聚类数目，后采用k-means聚类算法进行数据划分，完成分选过程。该方法展现出以下优势：做到无需手动设置初始条件，能够自动准确的选择聚类数目和聚类中心。对于数据量大，干扰信号多的复杂环境鲁棒性更强。分选性能明显优于k-means聚类和基于数据场联合pri聚类算法，对于”漏批””增批”问题有较强的针对性。
1.一种基于数据场和finch-means的多功能雷达信号分选方法，包括：
2.根据权利要求1所述的基于数据场和finch-means的多功能雷达信号分选方法，其特征在于：所述步骤s1，包括：
3.根据权利要求1所述的基于数据场和finch-means的多功能雷达信号分选方法，其特征在于：所述步骤s3和s4，包括：
4.根据权利要求1所述的基于数据场和finch-means的多功能雷达信号分选方法，其特征在于：所述步骤s5，包括：
5.根据权利要求1所述的基于数据场和finch-means的多功能雷达信号分选方法，其特征在于：所述步骤s7，包括：
