基于復(fù)雜網(wǎng)絡(luò)和CSLPA的多功能雷達(dá)信號(hào)分選

張潔雯,孫閩紅,王 杰

(杭州電子科技大學(xué)通信工程學(xué)院,浙江 杭州 310018)

0 引言

在現(xiàn)代電子戰(zhàn)中,雷達(dá)信號(hào)分選是偵察系統(tǒng)中不可或缺的環(huán)節(jié)。雷達(dá)信號(hào)分選是指接收機(jī)將接收到的雷達(dá)混合脈沖按照其所屬真實(shí)雷達(dá)進(jìn)行分類(lèi)的過(guò)程。目前,雷達(dá)信號(hào)分選基本分為三類(lèi):1)基于脈沖描述字(PDW)的算法,如擴(kuò)展關(guān)聯(lián)法[1]、脈沖重復(fù)間隔(PRI)直方圖法[2-3]、PRI變換法[4]、平面變換法[5]等;2)基于脈內(nèi)調(diào)制特征的算法,如時(shí)頻分析法[6]、模糊函數(shù)法[7]、無(wú)意調(diào)制特征[8]等;3)基于機(jī)器學(xué)習(xí)的算法,如有監(jiān)督學(xué)習(xí)的支持向量機(jī)(SVM)[9]、神經(jīng)網(wǎng)絡(luò)[10],無(wú)監(jiān)督學(xué)習(xí)有劃分聚類(lèi)、模糊聚類(lèi)等靜態(tài)聚類(lèi)[11]和以DI-ESC算法[12]為代表的數(shù)據(jù)流聚類(lèi)等。在包含多功能雷達(dá)(multi-function radar,MFR)等多種不同體制雷達(dá)工作的復(fù)雜電磁環(huán)境下,雷達(dá)信號(hào)在時(shí)、頻、空等多域的參數(shù)均有可能重疊,且MFR會(huì)根據(jù)實(shí)際任務(wù)切換不同工作模式,動(dòng)態(tài)調(diào)整信號(hào)工作參數(shù),導(dǎo)致使用PDW對(duì)雷達(dá)信號(hào)進(jìn)行分選時(shí),容易將同型雷達(dá)輻射源誤判為多型,造成“增批”,或?qū)⒉煌屠走_(dá)輻射源信號(hào)誤判為同型,出現(xiàn)“漏批”現(xiàn)象。

針對(duì)“漏批”、“增批”的問(wèn)題,有學(xué)者引入復(fù)雜網(wǎng)絡(luò)的社區(qū)檢測(cè)方法[13]實(shí)現(xiàn)多功能雷達(dá)信號(hào)分選,該方法利用滑動(dòng)有限穿透可視圖(sliding limited penetrable visibility graph, SLPVG)將雷達(dá)脈沖序列構(gòu)建為復(fù)雜網(wǎng)絡(luò),并用標(biāo)簽傳播算法(LPA)[14]和密度峰值聚類(lèi)算法(DPC)[15]進(jìn)行社區(qū)檢測(cè),為MFR信號(hào)分選提供了新思路。然而在LPA中,每個(gè)節(jié)點(diǎn)只保留一個(gè)標(biāo)簽,在迭代過(guò)程中歷史標(biāo)簽信息將被新標(biāo)簽覆蓋。當(dāng)鄰居節(jié)點(diǎn)的標(biāo)簽權(quán)重相同時(shí),隨機(jī)選取標(biāo)簽,可能導(dǎo)致傳播初期一個(gè)小的錯(cuò)誤被不斷放大。標(biāo)簽傳播拓展算法(SLPA)[16]給每個(gè)節(jié)點(diǎn)設(shè)置了一個(gè)標(biāo)簽存儲(chǔ)列表來(lái)存儲(chǔ)每次迭代所更新的標(biāo)簽。最終的節(jié)點(diǎn)社區(qū)劃分將由存儲(chǔ)列表中的標(biāo)簽的概率決定,可以降低傳播過(guò)程中錯(cuò)誤標(biāo)簽的影響。

文獻(xiàn)[13]方法僅考慮了常規(guī)的雷達(dá)PDW參數(shù),因此,本文在該方法的基礎(chǔ)上,提出將PDW與更能體現(xiàn)雷達(dá)信號(hào)差異的脈內(nèi)特征相結(jié)合,構(gòu)建SLPVG網(wǎng)絡(luò),然后提出改進(jìn)的條件標(biāo)簽傳播拓展算法(conditional speaker-listener label propagation algorithm, CSLPA),以克服SLPA的隨機(jī)性強(qiáng)、劃分結(jié)果不穩(wěn)定等不足。最后,通過(guò)CSLPA和密度峰值聚類(lèi)實(shí)現(xiàn)社區(qū)檢測(cè)與相似子社區(qū)合并,得到最終信號(hào)分選結(jié)果。

1 基礎(chǔ)知識(shí)

1.1 特征提取

近似熵(approximate entropy,ApEn)[17]可以度量時(shí)間序列的自相似程度來(lái)有效區(qū)分信號(hào)。范數(shù)熵(norm entropy,NoEn)[18]根據(jù)不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)頻譜形狀、能量分布和集中程度實(shí)現(xiàn)信號(hào)分選。高階累積量(higher order cumulant,HOC)[19]是指二階以上的隨機(jī)變量的統(tǒng)計(jì)量,對(duì)于非正態(tài)分布的信號(hào),三階或三階以上的統(tǒng)計(jì)量可以有效表現(xiàn)信號(hào)特征?；谝陨先齻€(gè)特征的雷達(dá)信號(hào)分選有效性在文獻(xiàn)[18]和文獻(xiàn)[20]中已得到驗(yàn)證。

1.1.1近似熵

近似熵定義如下:設(shè)定維數(shù)m表示窗口長(zhǎng)度,根據(jù)原信號(hào){t(i),i=1,2,…,N}構(gòu)造出一組m維向量Tj={t(j),t(j+1),…,t(j+m-1)},其中j=1,2,…,N-m+1。定義向量Tj和其余向量Tl(l=1,2,…,N-m+1,j≠l)的距離為

(1)

(2)

將維數(shù)加1變?yōu)閙+1,重復(fù)以上步驟,得到Φm+1(v),則信號(hào)序列的近似熵為

ApEn(m,v)=Φm(v)-Φm+1(v),

(3)

式(3)中,m通常取2,v通常取(0.1～0.25)SD(x),SD(x)為信號(hào)序列{t(i)}的標(biāo)準(zhǔn)差。本文v取0.2。

1.1.2范數(shù)熵

范數(shù)熵定義如下:設(shè)信號(hào)S={s(i),i=1 , 2 , … ,N},則整個(gè)信號(hào)的范數(shù)熵表達(dá)式為

(4)

式(4)中P取2。當(dāng)P=2時(shí),信號(hào)的范數(shù)熵就是信號(hào)的能量。

1.1.3高階累積量

對(duì)于一個(gè)具有零均值的復(fù)隨機(jī)過(guò)程X(t),其累積量定義為

Cpq=cum(X(t),…,X(t),X*(t),…,X*(t)),

(5)

式(5)中,X(t)為p-q項(xiàng),X*(t)為q項(xiàng),*表示函數(shù)的共軛。cum為聯(lián)合累積量函數(shù),如

cum(x,y,z,w)=E(xyzw)-E(xy)*E(zw)-E(xz)*E(yw)-E(xw)*E(yz),

(6)

式(6)中,E[·]表示求期望運(yùn)算,自變量增加可以此類(lèi)推。

高階累積量可采用絕對(duì)值和比值的形式組合構(gòu)造特征參數(shù),根據(jù)文獻(xiàn)[21],特征參數(shù)F選取如下:

(7)

1.2 滑動(dòng)有限穿透可視圖構(gòu)建復(fù)雜網(wǎng)絡(luò)

生活中的復(fù)雜系統(tǒng)都可以建模成復(fù)雜網(wǎng)絡(luò),通常是將復(fù)雜系統(tǒng)中的個(gè)體抽象成節(jié)點(diǎn),個(gè)體間的相互作用抽象成連邊[22]。網(wǎng)絡(luò)可以被描述為一個(gè)圖G=(V,E),其中V代表節(jié)點(diǎn)集合,E代表邊集合。

將接收到不同雷達(dá)輻射源發(fā)射的n個(gè)雷達(dá)脈沖序列表示為{x1,x2,…,xi},(i=1,…,n),xi=[PWi,RFi,PRIi,DOAi,ApEni,NoEni,HOCi]為第i個(gè)脈沖的特征參數(shù)向量,其中PW表示脈寬,RF表示載波頻率,PRI表示脈沖重復(fù)間隔,DOA為到達(dá)角,ApEn表示近似熵,NoEn表示范數(shù)熵,HOC表示高階累積量。SLPVG模型如圖1所示。圖中縱軸對(duì)應(yīng)脈沖的參數(shù)值,橫軸為節(jié)點(diǎn)1～n,所標(biāo)數(shù)值為歸一化的參數(shù)值。通過(guò)滑動(dòng)窗口將序列劃分為若干個(gè)子序列,可以達(dá)到加快構(gòu)建復(fù)雜網(wǎng)絡(luò)的目的。定義W和L分別為窗口長(zhǎng)度和滑動(dòng)步長(zhǎng),通常滿(mǎn)足W?n,L=1。因此,整個(gè)序列有n-W+1個(gè)窗口,每個(gè)窗口包含W個(gè)脈沖。給定有限的可穿透距離N,對(duì)于任意兩個(gè)節(jié)點(diǎn)(i,xi)和(j,xj)之間存在m個(gè)節(jié)點(diǎn),如果節(jié)點(diǎn)(k,xk)滿(mǎn)足

圖1 滑動(dòng)有限穿透可視圖模型

(8)

式中,i

1.3 社區(qū)檢測(cè)和社區(qū)合并

社區(qū)檢測(cè)是指在圖結(jié)構(gòu)中發(fā)現(xiàn)密集連接的子網(wǎng)絡(luò)[23]。每個(gè)社區(qū)內(nèi)部的節(jié)點(diǎn)之間的連接相對(duì)較為緊密,各個(gè)社區(qū)之間的連接相對(duì)稀疏,如圖2所示是一個(gè)具有社區(qū)結(jié)構(gòu)的網(wǎng)絡(luò),任意兩個(gè)社區(qū)的節(jié)點(diǎn)無(wú)交集,稱(chēng)為非重疊社區(qū),否則稱(chēng)為重疊社區(qū)。文獻(xiàn)[13]中的標(biāo)簽傳播算法是在用唯一的標(biāo)簽初始化每個(gè)節(jié)點(diǎn)之后,根據(jù)與自己相連的節(jié)點(diǎn)中標(biāo)簽數(shù)量最多的社區(qū)標(biāo)簽改變自己的社區(qū)標(biāo)簽的算法,可以快速發(fā)現(xiàn)非重疊社區(qū)。

圖2 具有社區(qū)結(jié)構(gòu)的小型網(wǎng)絡(luò)

社區(qū)合并是對(duì)相似度高的子網(wǎng)絡(luò)進(jìn)行合并操作[13]。如圖2中,社區(qū)1和社區(qū)2可以合并為一個(gè)社區(qū)。

文獻(xiàn)[13]中LPA算法得到的子網(wǎng)絡(luò)包含節(jié)點(diǎn)數(shù)量少,相似度高,可通過(guò)DPC算法進(jìn)行子社區(qū)合并,得到同一輻射源不同工作模式的脈沖簇。定義子社區(qū)的局域密度ρi為

(9)

式(9)中,dij表示子社區(qū)i和j的節(jié)點(diǎn)對(duì)之間歐式距離的累計(jì)和,設(shè)定子社區(qū)內(nèi)部節(jié)點(diǎn)之間距離為0,dc為鄰域截?cái)嗑嚯x。

相對(duì)距離δi指子社區(qū)i與其他密度更高的子社區(qū)j之間的最小距離,對(duì)于ρi最高的子社區(qū),δi定義為

(10)

對(duì)于其余子社區(qū),δi定義為

(11)

然后通過(guò)決策值γ計(jì)算各子社區(qū)的密度峰值:

γi=ρi·δi,

(12)

選取值較大的子社區(qū)作為聚類(lèi)中心,DPC將其余子社區(qū)分配給密度比自己高的最近子社區(qū)所在類(lèi)簇。

2 條件標(biāo)簽傳播拓展算法CSLPA

2.1 條件標(biāo)簽傳播拓展算法

SLPA是LPA的拓展,首先,每個(gè)節(jié)點(diǎn)存儲(chǔ)器中初始化一個(gè)唯一的標(biāo)簽,然后選擇一個(gè)節(jié)點(diǎn)作為listener,它的每個(gè)鄰居節(jié)點(diǎn)speaker根據(jù)隨機(jī)策略選擇一個(gè)標(biāo)簽傳播給listener,listener從標(biāo)簽信息集中根據(jù)隨機(jī)策略選擇一個(gè)標(biāo)簽增加到存儲(chǔ)器,迭代多次后,移除存儲(chǔ)器中概率小于r的標(biāo)簽,得到社區(qū)檢測(cè)結(jié)果。

SLPA算法雖然效率很高,但算法內(nèi)在的隨機(jī)策略使得標(biāo)簽傳播結(jié)果并不穩(wěn)定,針對(duì)SLPA這一不足,本文提出CSLPA,該算法通過(guò)改進(jìn)傳統(tǒng)SLPA算法的listener節(jié)點(diǎn)排序方式,引入listener與speaker節(jié)點(diǎn)相似性,并將其運(yùn)用到標(biāo)簽傳播過(guò)程中,從而提升算法的魯棒性和準(zhǔn)確性,完成社區(qū)檢測(cè)。算法流程如圖3所示。

圖3 CSLPA算法流程圖

圖3中,接近中心性(CC)與節(jié)點(diǎn)相似度的計(jì)算方法:接近中心性是衡量節(jié)點(diǎn)i與其他節(jié)點(diǎn)間的平均距離,度量了向網(wǎng)絡(luò)中其他節(jié)點(diǎn)擴(kuò)散信息時(shí)節(jié)點(diǎn)的重要性[24]。在一個(gè)N節(jié)點(diǎn)的網(wǎng)絡(luò)G中,節(jié)點(diǎn)i的CC可通過(guò)下述公式得到:

(13)

式(13)中,SPL(i,j)是節(jié)點(diǎn)i和節(jié)點(diǎn)j的最短路徑長(zhǎng)度,即從節(jié)點(diǎn)i到達(dá)節(jié)點(diǎn)j的所有路徑中,各邊的權(quán)值總和(稱(chēng)為路徑長(zhǎng)度)最小。

節(jié)點(diǎn)i和節(jié)點(diǎn)j的相似度[13]定義為

(14)

本文設(shè)置最大迭代次數(shù)為20,迭代完成后,每個(gè)節(jié)點(diǎn)都有一個(gè)或多個(gè)標(biāo)簽。由于雷達(dá)脈沖構(gòu)成的復(fù)雜網(wǎng)絡(luò)是非重疊網(wǎng)絡(luò),因此取消閾值r的設(shè)定,直接選取標(biāo)簽出現(xiàn)次數(shù)最多的標(biāo)簽。具有相同標(biāo)簽的節(jié)點(diǎn)屬于同一個(gè)子社區(qū)。

該算法偽代碼如下:

2.2 算法步驟

本文采用SLPVG進(jìn)行復(fù)雜網(wǎng)絡(luò)構(gòu)建,根據(jù)接近中心性和相似度指標(biāo),通過(guò)CSLPA進(jìn)行社區(qū)檢測(cè),DPC進(jìn)行社區(qū)合并,得到雷達(dá)脈沖分選結(jié)果,具體算法步驟如下:

算法2:本文算法輸入:包含n個(gè)樣本雷達(dá)脈沖序列、窗長(zhǎng)W、有限可穿透距離N、特征與PDW總維數(shù)D。輸出:每個(gè)脈沖樣本的標(biāo)簽。流程解析:步驟1: 提取細(xì)微特征后構(gòu)建復(fù)雜網(wǎng)絡(luò)。for d = 1 : D do for g = 1 : n-W+1 do 滿(mǎn)足式(8)則兩節(jié)點(diǎn)連邊;A = A1∨…∨AD;步驟2: 使用CSLPA算法對(duì)A進(jìn)行社區(qū)檢測(cè)。具體見(jiàn)算法1;步驟3: 密度峰值聚類(lèi)算法合并各子社區(qū)。for i = 1 : n do for j = i+1 : n do 根據(jù)式(9)計(jì)算ρi;根據(jù)式(10)或式(11)計(jì)算δi和最近上級(jí)節(jié)點(diǎn)Nodej;根據(jù)式(12)計(jì)算γ,選取聚類(lèi)中心;for i= 1 : Nodej.len do 合并子社區(qū)。

3 仿真實(shí)驗(yàn)與分析

為了驗(yàn)證本文算法在多部多功能雷達(dá)混疊信號(hào)場(chǎng)景下的分選有效性,對(duì)四部雷達(dá)輻射源進(jìn)行仿真。脈寬PW、載頻RF、脈沖重復(fù)間隔PRI和到達(dá)角DOA四個(gè)參數(shù)設(shè)置與文獻(xiàn)[13]相同,如表1所示。輻射源1和輻射源3只工作于一種模式,其他兩部多功能雷達(dá)輻射源分別工作于三種模式。根據(jù)表1參數(shù)產(chǎn)生信號(hào)并提取細(xì)微特征,由于特征參數(shù)之間數(shù)值差異從10-4跨越到109,因此對(duì)其進(jìn)行最大最小歸一化,范圍在[0,1]內(nèi)。

表1 雷達(dá)輻射源參數(shù)設(shè)置

實(shí)驗(yàn)1 本文算法超參數(shù)分析

本文將混疊雷達(dá)脈沖序列轉(zhuǎn)換為復(fù)雜網(wǎng)絡(luò)時(shí)引入的超參數(shù)有限可穿透距離N和滑動(dòng)窗長(zhǎng)W,實(shí)驗(yàn)1研究這兩個(gè)超參數(shù)對(duì)分選結(jié)果的影響。

首先驗(yàn)證有限穿透距離,將W設(shè)為10,將N從1測(cè)試到4。分選結(jié)果如表2所示,其中M為CSLPA得到的子社區(qū)總數(shù),CM為子社區(qū)中所有節(jié)點(diǎn)歸屬同一部輻射源的部分子網(wǎng)絡(luò)。從表2可以看出,CM相對(duì)于M越大時(shí),分選正確率越高。當(dāng)N=2時(shí),分選正確率趨于穩(wěn)定,不再有大幅度提升。因此,有限穿透距離N設(shè)置為2。

表2 不同穿透距離下的分選結(jié)果(W=10)

其次驗(yàn)證滑動(dòng)窗長(zhǎng),將N設(shè)為2,將W從10測(cè)試到30。分選結(jié)果如表3所示,與W=10相比,其他兩種條件下的結(jié)果較好。但在仿真過(guò)程中,運(yùn)算時(shí)間也隨W的增加而增加。W=20和W=30的總正確率較W=10沒(méi)有明顯提升,考慮到精度與計(jì)算代價(jià)之間的權(quán)衡,選擇W=10,N=2。

表3 不同滑動(dòng)窗長(zhǎng)下的分選結(jié)果(N=2)

圖4顯示了此超參數(shù)值下的雷達(dá)分選的可視化結(jié)果。為了便于與文獻(xiàn)[13]對(duì)比,將脈沖序列及分選標(biāo)簽映射回PDW坐標(biāo)系,選取脈寬為橫軸,載頻為縱軸,可以避免因?yàn)閿?shù)據(jù)點(diǎn)的重疊而造成的視覺(jué)誤差。

圖4 本文方法分選結(jié)果

實(shí)驗(yàn)2 社區(qū)檢測(cè)算法對(duì)比分析

為了驗(yàn)證本文方法(PDW+細(xì)微特征+SLPVG+CSLPA+DPC)的改進(jìn)效果,使用文獻(xiàn)[13]的方法(PDW+SLPVG+LPA+DPC)實(shí)現(xiàn)表1中雷達(dá)脈沖分選,超參數(shù)值為W=10,N=2。

兩種社區(qū)檢測(cè)對(duì)比方法的分選結(jié)果如表4所示。

表4 不同分選算法的分選結(jié)果(W=10,N=2)

從表4可以看出,本文方法與文獻(xiàn)[13]算法相比,輻射源1的正確率略為降低0.6%,輻射源2的正確率提高4.43%,輻射源3的正確率提高6.88%,輻射源4的正確率提高3.38%,總正確率提高了3.62%,分選性能提升較為明顯。

實(shí)驗(yàn)3 與k-means聚類(lèi)和PRI變換法對(duì)比

為驗(yàn)證所提算法的有效性,使用傳統(tǒng)的分選算法k-means聚類(lèi)[25]和PRI變換法對(duì)表1中相同的雷達(dá)脈沖樣本進(jìn)行分選,k-means分選結(jié)果如表5和圖5所示,PRI變換法結(jié)果如圖6所示。

表5 k-means聚類(lèi)分選結(jié)果

圖5 k-means聚類(lèi)分選結(jié)果

圖6 PRI變換法分選結(jié)果

圖5中,虛線(xiàn)所標(biāo)框圖為真實(shí)雷達(dá)脈沖輻射源歸屬情況,橢圓內(nèi)的脈沖歸屬于同部雷達(dá)輻射源;圖中顏色類(lèi)別表示k-means聚類(lèi)后形成的簇,同一種顏色代表脈沖被分為同一部輻射源。可以看到雷達(dá)2和雷達(dá)3因?yàn)槊}沖參數(shù)重疊度較高,根據(jù)k-means算法被歸為同一輻射源信號(hào),出現(xiàn)“漏批”的現(xiàn)象,分選效果不佳。同時(shí),三種工作模式的雷達(dá)4被分為兩部輻射源信號(hào),這既導(dǎo)致了“增批”現(xiàn)象,也降低了分選正確率。由表5可知,k-means聚類(lèi)的總正確率比本文方法低了33.33%。

在PRI變換中,PRI譜的峰值大于檢測(cè)門(mén)限,則以此峰值對(duì)應(yīng)的PRI進(jìn)行序列搜索,即超出門(mén)限的序列數(shù)量為類(lèi)別數(shù)量。圖6中,實(shí)線(xiàn)為PRI變換譜,虛線(xiàn)為檢測(cè)門(mén)限。由圖6可知,所有脈沖被分選為歸屬10部輻射源,“增批”問(wèn)題非常嚴(yán)重。但本文方法可以緩解圖5、圖6所示的“增批”問(wèn)題,同時(shí)獲得更高的分選精度,體現(xiàn)了算法的優(yōu)越性。

實(shí)驗(yàn)4 非理想條件下性能測(cè)試

為了更貼合實(shí)際電磁環(huán)境,設(shè)置不同信噪比、漏脈沖率和虛假脈沖率來(lái)測(cè)試本文方法的性能。雷達(dá)脈沖樣本如表1所示,超參數(shù)值為W=10,N=2。

雷達(dá)信號(hào)信噪比變化范圍為[-15 dB,15 dB],得到本文方法的分選結(jié)果如圖7所示。圖7顯示,當(dāng)信噪比為-10 dB時(shí),脈沖分選的總正確率高于90%。當(dāng)信噪比達(dá)到15 dB時(shí),每部雷達(dá)的分選正確率均高于90%。當(dāng)信噪比降低時(shí),由于雷達(dá)2和雷達(dá)3的參數(shù)嚴(yán)重重疊,導(dǎo)致產(chǎn)生的信號(hào)畸變嚴(yán)重,兩臺(tái)輻射源的分選正確率迅速下降。

圖7 不同信噪比下的分選性能對(duì)比

測(cè)試樣本的漏脈沖率和虛假脈沖率按照0%～20%遞增,得到本文分選方法的分選結(jié)果如圖8所示。圖8表明,本文方法在漏脈沖條件下比在虛假脈沖條件下性能明顯更優(yōu),即使有20%的漏脈沖率,本文方法的分選正確率仍高于97%;但隨著虛假脈沖率的增加,分選正確率明顯呈下降趨勢(shì),虛假脈沖率超過(guò)8%時(shí),正確率開(kāi)始低于90%。由此可見(jiàn),虛假脈沖率的提高明顯降低了信號(hào)的分選性能。

圖8 不同漏脈沖率、虛假脈沖率下的分選性能對(duì)比

4 結(jié)論

本文研究了多功能雷達(dá)信號(hào)在PDW參數(shù)重疊度較高的場(chǎng)景下的分選問(wèn)題,提出基于復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)的分選方法。該方法將雷達(dá)脈沖信號(hào)的3個(gè)細(xì)微特征與PDW作為特征向量輸入,通過(guò)SLPVG構(gòu)建復(fù)雜網(wǎng)絡(luò)模型,保持同一輻射源脈沖之間的關(guān)聯(lián)性,并采用CSLPA算法和DPC算法進(jìn)行網(wǎng)絡(luò)劃分,完成分選過(guò)程。仿真實(shí)驗(yàn)分析了不同超參數(shù)值構(gòu)建的網(wǎng)絡(luò)對(duì)分選性能的影響,與現(xiàn)有分選方法進(jìn)行對(duì)比,在非理想條件下進(jìn)行對(duì)比分析。結(jié)果表明,本文方法在參數(shù)重疊較多及存在多功能雷達(dá)信號(hào)的復(fù)雜電磁環(huán)境中,分選性能略?xún)?yōu)于文獻(xiàn)[13]提出的社區(qū)檢測(cè)方法,明顯優(yōu)于k-means聚類(lèi)和基于PRI變換的傳統(tǒng)分選算法,在如低SNR、漏脈沖、虛假脈沖等非理想條件下也有較強(qiáng)的魯棒性,且在漏脈沖條件下比在虛假脈沖條件下性能明顯更穩(wěn)定。