А.А. Науменко1, К.А. Кивва2

1 АО «ЦНИРТИ им. академика А.И. Берга» (Москва, Россия)

2 МГТУ им. Н. Э. Баумана (Москва, Россия)

1 post@cnirti.ru

Постановка проблемы. В современных радиотехнических системах обработка и анализ данных о принятых радиолокационных сигналах имеет важное значение. При этом основными задачами являются определение числа источников излучения и группировка принятых радиолокационных сигналов по их принадлежности к различным устройствам. Однако измерительные погрешности, а также отражения радиосигналов от различных объектов приводят к тому, что измеряемые характеристики существенно отличаются от исходных, что приводит к формированию перекрывающих друг друга облаков точек. Следовательно, для решения задачи корректной группировки по источникам излучения радиолокационных сигналов, полученных как напрямую, так и после отражения, необходимо разработать соответствующий метод кластеризации.

Цель. Провести сравнительный анализ существующих методов кластеризации отраженных радиолокационных сигналов, которые могут стать основой для нового метода.

Результаты. Сформулирована задача кластеризации применительно к получаемым радиолокационным сигналам, отраженных от объектов. Рассмотрены параметры радиолокационных импульсов, на основе которых может быть проведена кластеризация сигналов, и в качестве оптимальных определены частота, длительность и период импульса. Отмечено, что изменение температуры окружающей среды приводит к появлению ошибок в измерениях характеристик сигнала. Описаны следующие группы методов кластеризации: секционирования, иерархические, вероятностные, методы на основе плотности, сеток, нечеткой логики, нейронных сетей. Выбраны критерии сравнения рассмотренных методов кластеризации, существенные для решения поставленной задачи: форма обнаруживаемых кластеров, необходимость заранее задавать их количество, устойчивость к выбросам, применимость для обработки больших данных. Проведен сравнительный анализ описанных групп методов по выделенным критериям, в результате которого установлено, что оптимальными методами решения задачи кластеризации отраженных радиосигналов с учетом ограничений и требований, накладываемых задачей, являются методы на основе плотности и методы с применением нейронных сетей.

Практическая значимость. Представленные результаты позволяют обоснованно выбрать или разработать наиболее эффективный метод для кластеризации отраженных радиолокационных сигналов, что способствует повышению точности и надежности анализа радиолокационных данных.

Науменко А.А., Кивва К.А. Сравнительный анализ методов кластеризации отраженных радиолокационных сигналов // Радиотехника. 2025. Т. 89. № 5. С. 137-146. DOI: https://doi.org/10.18127/j00338486-202505-15

1. Ji Z., Bu Y. A signal sorting algorithm based on LOF de-noised clustering. Springer. Singapore. 2020.
2. J. Han, et al. A new method for sorting radar signal based on entropy features. Atlantis Press. 2018.
3. Рыжов А.О. и др. Влияние термостабилизации опорного генератора на точность измерения частоты радиосигналов и рекомендации по минимизации ее негативных побочных эффектов // Вестник ВГТУ. 2018.
4. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения. СПб: Университет ИТМО. 2022. 53 c.
5. Omran M., A.Salman A., Engelbrecht A. An overview of clustering methods // IOS Press, Intelligent Data Analysis 11. 2007.
6. Kang K., et al. Key radar signal sorting and recognition method based on clustering combined with PRI transform algorithm // Journal of Artificial Intelligence and Technology. 2022.
7. Wang S.Q., et al. Analysis of radar emitter signal sorting and recognition model structure // Procedia Computer Science. 2019.
8. Хоменко И.В., Косых А.В. Кварцевые резонаторы и генераторы. Омск: ОмГТУ. 2018. 160 с.
9. Aggarwal C.C., Reddy K.C. Data clustering. Minneapolis: CRC Press. 2011. 321 р.
10. Lia M., et al. A new clustering and sorting algorithm for radar emitter signals // Journal of Physics: Conference Series. 2020.
11. Everitt B.S., et al. Cluster Analysis. London: Wiley. 2022. 53 р.
12. Gao T., et al. Adaptive density peaks clustering: Towards exploratory EEG analysis. 2022.
13. Ковалев С.П. Использование алгоритма кластеризации DBSCAN для фильтрации выбросов в данных // БГУИР. 2019.
14. Khalid U., Karim N., Rahnavard N. RF signal transformation and classification using deep neural networks // University of Central Florida. Orlando. USA. 2022.
15. Жилов Р.А. Применение нейронных сетей при кластеризации данных // Известия КБНЦ РАН. 2021.