简介基于核聚类的雷达信号在线分选Matlab实现代码包围绕信号生成、核模糊聚类分选、类别在线更新与删除等环节提供完整仿真流程面向雷达信号处理与电子侦察方向的本科生、研究生也可用于智能优化方法在信号处理中的交叉教学与课题预研。压缩包共13个文件以7个m源码为主程序覆盖信号创建、分选、新类别新增、类别删除等关键函数另含4张png运行结果图、1份txt说明和1份PDF算法文档整体仅824KB便于快速下载与复现。目前已有214人学习下载程序在MATLAB 2014/2019a环境中可直接运行内置仿真示例便于对照结果。资源亮点在于不仅能动手复现在线分选效果还通过算法文档阐释了核模糊聚类在雷达辐射源分选中的应用原理适合课内实验、毕业设计或算法对比研究时作为起点资料。1. 用核聚类做雷达信号在线分选先解决交织脉冲流的归属问题雷达信号在线分选面对的是多部雷达交织的脉冲流任务是把每条脉冲按辐射源归属划开。用 MATLAB 做核聚类在线分选是雷达侦察数据链路上常见的一道工序和直接在五维 PDW 上跑 K-means 相比核聚类对频率捷变、重频参差造成的类重叠更不敏感。核聚类的做法是先把 PDW 映射到高维特征空间让缠绕的脉冲簇重新可分再用核距离完成归属判定天然契合流式到达的在线场景。下文按为什么核聚类能打 → 在线分选框架怎么设计 → σ 和阈值怎么定 → 怎么验证展开给出 MATLAB 实现和可直接照抄的参数建议。新手照着代码能跑通一条仿真脉冲流熟手可以顺着边界条件做工程化改造。2. 核聚类为何能打PDW特征空间与RBF核的几何直觉2.1 雷达脉冲描述字的特征维度与类间重叠来源分选的输入是脉冲描述字PDW每条脉冲经侦察接收机测量后形成一条记录进入分选处理时常用到这几个维度特征符号典型量级在分选里的作用载频RFGHz 级雷达工作频段的直接表征脉宽PWμs 级区分不同体制雷达到达角DOA度空间位置上的强区分特征脉幅PAdBm 级受距离与天线扫描增益影响权重低到达时间TOA微秒级时间戳留给 PRI 与扫描周期估计不进聚类特征进入聚类前先对 RF、PW、DOA、PA 四个连续特征做 z-score 归一化TOA 单独走重频分析。真正的难点在于数据形态频率捷变雷达的 RF 在几个离散点之间跳变重频参差雷达的 PW 多值交替样本在原始空间呈现多模态且互相穿插的分布。类内方差被拉大类间边界被重叠掩埋线性 K-means 会把一部雷达撕成几块又把几部雷达混在一起。核聚类在这里的定位就是处理这种线性不可分但映射后可分的分布。2.2 RBF核矩阵的MATLAB实现与K(xi,xj)的几何含义核聚类的核心动作用非线性映射 φ 把样本送到高维特征空间再在特征空间里做 K-means。整个算法只需要样本间的内积 ⟨φ(xi),φ(xj)⟩这个内积由一个核函数直接给出不必显式构造 φ(x) 的坐标。雷达分选里最常用的是 RBF 核K(xi,xj) exp(−||xi−xj||² / (2σ²))对应的核矩阵构建代码function K rbf_kernel(X, sigma) % X: n x d 的PDW特征矩阵行是脉冲列是已归一化特征 % sigma: RBF核宽控制特征空间的分辨率 n size(X,1); D2 sum(X.^2,2)*ones(1,n) ones(n,1)*sum(X.^2,2) - 2*(X*X); D2 max(D2, 0); % 数值保护浮点误差可能产生微小负值 K exp(-D2 / (2*sigma^2)); end这段代码用矩阵展开一次性算出全部距离平方避免双重 for 循环。D2 是欧氏距离平方的矩阵形式max(D2,0) 防止舍入误差产生负距离导致核值异常。σ 越小相似度随距离衰减越快聚类对局部结构敏感σ 越大映射越平缓逐步退化为线性情形。σ 的取值方法在第 4 章展开这里先记住一个定性结论核聚类比线性聚类多出来的能力几乎全部由 σ 这一个旋钮决定。2.3 特征空间距离公式核K-means的归属判据在特征空间里做 K-means样本 xi 到第 c 个簇中心 mc(1/nc)Σφ(xj) 的距离平方展开后只剩核值项||φ(xi) − mc||² K(xi,xi) − (2/nc)Σj∈c K(xi,xj) (1/nc²)Σp,q∈c K(xp,xq)RBF 核下 K(xi,xi)1第一项是常数第二项衡量 xi 与簇内已有样本的平均相似度第三项是簇内紧致度只由簇自身决定。这个分解对在线分选至关重要新样本到来时不需要重算全局核矩阵只需要计算它和每个簇已存样本的核值再叠加各簇维护的簇内项 Wc就能完成归属判定。这也是在线能跑得动的根本原因——单条样本的判定开销只和簇代表点的数量有关和累计脉冲总数无关。下一章的 MATLAB 实现就是按这个结构组织的。3. 在线分选框架与核聚类MATLAB实现3.1 在线分选与离线批处理的三个关键差异离线分选拿到整段脉冲流后一次性聚类类数可以事后用轮廓系数调在线分选是脉冲逐个到达、边到边分必须处理三个差异差异点离线批处理在线分选样本到达方式全集已知流式到达未来未知类数可全局搜索 k运行中动态增减非平稳性忽略新雷达开机、旧雷达关机围绕这三条常见做法是初始化 增量判定 周期合并三段式先用一段初始缓冲例如 200 条脉冲跑批量核 K-means 建簇之后每条新脉冲计算与各簇的特征空间距离小于阈值就归入最近簇否则开新类每隔固定条数检查簇间距离过近的簇合并。这个框架不绑定核聚类换普通 K-means 也能跑但核版本在重叠分布下的判定稳定性明显更好。3.2 初始化阶段核K-means的MATLAB核心代码初始化阶段复用 rbf_kernel 得到核矩阵再迭代更新标签function label kernel_kmeans_init(K, k, max_iter) % K: 预计算的n x n核矩阵; k: 初始类数; max_iter: 最大迭代轮数 n size(K, 1); label randi([1 k], n, 1); % 随机初始化标签 for it 1:max_iter new_label zeros(n, 1); for i 1:n best_obj inf; for c 1:k idx (label c); nc sum(idx); if nc 0, continue; end % 跳过空类 dist K(i,i) - 2*mean(K(i, idx)) ... sum(sum(K(idx, idx)))/nc^2; if dist best_obj best_obj dist; new_label(i) c; end end end if isequal(new_label, label), break; end label new_label; end enddist 的表达式就是 2.3 节公式的直接翻译mean(K(i,idx)) 替代 sum/nc 避免中间变量。需要留意的是第三项 sum(sum(K(idx,idx)))/nc² 每次迭代都会对每个簇重算簇大时开销不小工程上把每个簇的这项缓存下来只在成员变化时更新。随机初始化偶尔会得到空类代码用 continue 跳过若空类持续出现说明 k 给大了或者 σ 过小把样本都吸到了少数簇。初始类数 k 取场上辐射源数量上界一般 3~8 够用。3.3 新脉冲归属判定与新类生成逻辑初始化之后进入在线环节。每个簇维护三样东西样本点集合 points、样本数 count、簇内项 W(1/nc²)ΣΣK。新样本到簇的距离写成 dist(x,c)1−(2/nc)ΣK(x,xj)Wc判定代码如下function [label, cluster] online_assign(x, cluster, sigma, theta_new) % x: 1xd 的新PDW向量; cluster: 结构体数组; theta_new: 新类阈值 nC length(cluster); dist_c zeros(1, nC); for c 1:nC P cluster(c).points; if isempty(P), dist_c(c) inf; continue; end s sum(exp(-sum((P - x).^2, 2) / (2*sigma^2))); dist_c(c) 1 - 2*s/size(P,1) cluster(c).W; end [dmin, cidx] min(dist_c); if dmin theta_new label cidx; nc cluster(cidx).count; s_new sum(exp(-sum((cluster(cidx).points - x).^2, 2) / (2*sigma^2))); W_new (nc^2*cluster(cidx).W 2*s_new 1) / (nc1)^2; cluster(cidx).count nc 1; cluster(cidx).W W_new; cluster(cidx).points [cluster(cidx).points; x]; else label nC 1; % 开新类 cluster(end1).points x; %#okAGROW cluster(end).count 1; cluster(end).W 1; % 单点簇 K(x,x)1 end endW 的增量更新来自一个代数事实加入新样本后(1/(nc1)²)ΣΣ 可以由旧 W、新样本与簇内旧成员的核值之和 s_new、以及 K(x,x)1 三部分拼出。这样每条新脉冲只需要一次和簇代表点的核值计算不需要重建核矩阵。theta_new 的语义是特征空间距离上限设得越小越容易开新类设得大会把不同雷达并成一簇第 4 章给出取值基线。points 字段必须做容量上限例如 500 条超出后随机抽样子集替代否则在线跑几小时后计算量线性膨胀。注意这里的在线指逐脉冲处理的软件分选不是硬件级实时触发工程实现一般按 50~100 条一批缓冲处理吞吐更稳。4. 核聚类参数定标σ、新类阈值与合并策略4.1 RBF核宽σ的自适应估计与auto_sigma代码σ 是核聚类里最敏感的参数。PDW 各特征量纲差异极大RF 是 GHz 级、PW 是 μs 级直接按全局经验公式取没有意义前提是先对特征做 z-score 归一化再用样本间距离分布来定 σfunction sigma auto_sigma(X) % 基于中位成对距离自适应取σ对量纲不敏感 n min(size(X,1), 1000); % 采样上限控制计算量 idx randsample(size(X,1), n, false); D pdist(X(idx, :)); sigma median(D) / sqrt(2); % 典型距离处核值约为e^-1 end取 median(D)/sqrt(2) 的理由RBF 核的距离项是 ||x−y||²/(2σ²)当样本距离等于中位距离时指数项为 exp(−1)核值约 0.37相似度既不塌到 0 也不接近 1正好落在可分性最强的区间。σ 取小了核值迅速归零每个样本都像孤立点在线判定会疯狂开新类σ 取大了核值全部趋近 1特征空间退化效果约等于线性 K-means。建议在 auto_sigma 输出值的 0.5 倍到 2 倍之间做网格搜索用分选正确率挑档。提示σ 和 theta_new 是一对耦合参数改其中一个必须重跑参数扫描别只调单项。4.2 新类阈值theta_new与合并机制配合theta_new 决定多近算同一部雷达它和 σ 是耦合的σ 变大时样本间距离普遍变小阈值必须跟着调小。归一化后的特征空间里theta_new 常见基线在 0.5~2.0但必须结合 σ 一起标定不要单独照抄参数建议范围取值偏小取值偏大σmedian(D)/2 ~ median(D)*2过聚类类数爆炸欠聚类不同雷达合并theta_new0.5 ~ 2.0归一化后一部雷达拆成多簇多部雷达并成一簇合并周期每 50~100 条脉冲计算开销大簇碎片化拖尾合并机制的具体做法每隔 M 条脉冲用各簇代表点集合算两两单连接距离若某两簇距离小于 merge_threshold取 theta_new 的 0.6~0.8 倍就合并并重建新簇的 points、count、W。合并阈值不能设成和 theta_new 一样否则会出现刚开新类又被立即合并的震荡循环。合并操作本身的开销由簇数决定雷达侦察场景里辐射源数量通常是个位数到几十个这个代价可以接受。4.3 分选正确率与类数的联合评估评估在线分选不能只看正确率。一个把 10 部雷达分成 30 个簇的系统正确率可能不低但完全不可用。实际要用三个量一起看分选正确率、类数误差、过聚类还是欠聚类。正确归属用混淆矩阵每行取最大计数求和容忍同一源分散在多个簇的部分正确类数误差用唯一簇数和真实源数对比function [acc, nerr] eval_sort(label_est, label_true) % label_est: 分选出的簇编号; label_true: 真实辐射源编号 nT max(label_true); nE max(label_est); tbl zeros(nT, max(nE,1)); for i 1:length(label_true) tbl(label_true(i), label_est(i)) tbl(label_true(i), label_est(i)) 1; end acc sum(max(tbl, [], 2)) / length(label_true); % 每行取多数 nerr abs(length(unique(label_est)) - nT) / nT; % 类数误差 endacc 的语义是每个真实源里被正确认领的比例的均值nerr 反映过/欠聚类程度。调参顺序有讲究先让 nerr 稳定在 0 附近再谈 accnerr 不为 0 时 acc 再高都不可信。目前能搜到的雷达信号分选公共数据集以仿真 PDW 流为主标注口径不统一调参阶段建议先用第 5 章的仿真数据做基线稳定后再迁移到第三方数据集做交叉验证。5. 仿真验证用MATLAB跑通雷达信号在线分选链路5.1 用三类仿真雷达脉冲流验证在线分选效果构造三部雷达一部频率捷变、一部重频参差、一部常规脉冲PDW 加噪后交织再按帧喂给在线分选链路rng(2); n1400; n2350; n3300; X [randn(n1,3)*0.3 repmat([1 2 1],n1,1); randn(n2,3)*0.6 repmat([1.8 2.2 3],n2,1); % 捷变雷达方差大 randn(n3,3)*0.3 repmat([3 1 1.5],n3,1)]; label_true [ones(n1,1); 2*ones(n2,1); 3*ones(n3,1)]; perm randperm(size(X,1)); % 同一个置换保证样本与标签配对 X X(perm,:); label_true label_true(perm,:); sigma auto_sigma(X(1:200,:)); K rbf_kernel(X(1:200,:), sigma); lb0 kernel_kmeans_init(K, 3, 50); cluster init_from_labels(X(1:200,:), lb0, sigma); lab zeros(size(X,1),1); lab(1:200) lb0; for i 201:size(X,1) [lab(i), cluster] online_assign(X(i,:), cluster, sigma, 1.2); end [acc, nerr] eval_sort(lab, label_true); fprintf(准确率%.2f%% 类数误差%.2f\n, acc*100, nerr); function cluster init_from_labels(X, label, sigma) u unique(label); for c 1:length(u) idx (label u(c)); cluster(c).points X(idx, :); cluster(c).count sum(idx); Kc rbf_kernel(X(idx, :), sigma); cluster(c).W sum(Kc(:)) / cluster(c).count^2; end endinit_from_labels 是主脚本末尾的局部函数MATLAB 2016b 之后允许脚本带局部函数。它做的事只有一件按初始标签分组对每簇样本调 rbf_kernel 算出 W 字段。仿真里第二部雷达方差取 0.6就是为了模拟捷变造成的类内散布验证核版本在重叠条件下不撕簇。跑通后做一次参数扫描σ 取 0.5/1/2 倍基线theta_new 取 0.8/1.2/1.69 组对比 acc 和 nerrσ 偏小的组合里 nerr 会明显抬升这是参数边际的直接证据。5.2 三个高频问题与排查顺序问题一新类越开越多几分钟后簇数翻倍。先查 σ 是否偏小再看 theta_new 是否低于簇内正常距离波动。还有一个容易被忽略的点PA 维度动态范围大且与天线扫描周期强相关不把它归一化进聚类特征、只保留 RF/PW/DOA能显著减少拖尾开新类。问题二同一部雷达的脉冲在两三个簇之间反复横跳。这是合并周期太长或 merge_threshold 太小把合并周期从 100 条降到 50 条或把合并阈值提到 theta_new 的 0.8 倍即可。震荡本身不是 bug在线分选的工程共识是允许中间态碎片化靠周期合并收敛。问题三处理速度持续下降。这是簇的 points 无上限导致的给每个簇的 points 加 500 条上限超出后随机置换掉部分旧样本W 用增量公式重建即恢复稳定。预算核学习budgeted kernel learning的核心就是存不下就不存只保留代表点子集和簇内项。交付项目时建议把工作区整理成固定结构根目录放 main_sort_demo.m 主脚本kernel/ 目录放 rbf_kernel.m、kernel_kmeans_init.m、online_assign.m、auto_sigma.mdata/ 放仿真生成的 .mat 文件。整套只依赖统计与机器学习工具箱randsample、pdist不依赖优化工具箱和深度学习工具箱R2021b 之后的 MATLAB 都能直接跑。打 zip 包时勾选包含文件名编码信息避免中文注释在部分环境解压后乱码上传前在干净环境跑一遍主脚本确认不依赖当前工作区的路径变量。本文还有配套的精品资源点击获取 基于核聚类的雷达信号在线分选：MATLAB实现与参数调优
简介基于核聚类的雷达信号在线分选Matlab实现代码包围绕信号生成、核模糊聚类分选、类别在线更新与删除等环节提供完整仿真流程面向雷达信号处理与电子侦察方向的本科生、研究生也可用于智能优化方法在信号处理中的交叉教学与课题预研。压缩包共13个文件以7个m源码为主程序覆盖信号创建、分选、新类别新增、类别删除等关键函数另含4张png运行结果图、1份txt说明和1份PDF算法文档整体仅824KB便于快速下载与复现。目前已有214人学习下载程序在MATLAB 2014/2019a环境中可直接运行内置仿真示例便于对照结果。资源亮点在于不仅能动手复现在线分选效果还通过算法文档阐释了核模糊聚类在雷达辐射源分选中的应用原理适合课内实验、毕业设计或算法对比研究时作为起点资料。1. 用核聚类做雷达信号在线分选先解决交织脉冲流的归属问题雷达信号在线分选面对的是多部雷达交织的脉冲流任务是把每条脉冲按辐射源归属划开。用 MATLAB 做核聚类在线分选是雷达侦察数据链路上常见的一道工序和直接在五维 PDW 上跑 K-means 相比核聚类对频率捷变、重频参差造成的类重叠更不敏感。核聚类的做法是先把 PDW 映射到高维特征空间让缠绕的脉冲簇重新可分再用核距离完成归属判定天然契合流式到达的在线场景。下文按为什么核聚类能打 → 在线分选框架怎么设计 → σ 和阈值怎么定 → 怎么验证展开给出 MATLAB 实现和可直接照抄的参数建议。新手照着代码能跑通一条仿真脉冲流熟手可以顺着边界条件做工程化改造。2. 核聚类为何能打PDW特征空间与RBF核的几何直觉2.1 雷达脉冲描述字的特征维度与类间重叠来源分选的输入是脉冲描述字PDW每条脉冲经侦察接收机测量后形成一条记录进入分选处理时常用到这几个维度特征符号典型量级在分选里的作用载频RFGHz 级雷达工作频段的直接表征脉宽PWμs 级区分不同体制雷达到达角DOA度空间位置上的强区分特征脉幅PAdBm 级受距离与天线扫描增益影响权重低到达时间TOA微秒级时间戳留给 PRI 与扫描周期估计不进聚类特征进入聚类前先对 RF、PW、DOA、PA 四个连续特征做 z-score 归一化TOA 单独走重频分析。真正的难点在于数据形态频率捷变雷达的 RF 在几个离散点之间跳变重频参差雷达的 PW 多值交替样本在原始空间呈现多模态且互相穿插的分布。类内方差被拉大类间边界被重叠掩埋线性 K-means 会把一部雷达撕成几块又把几部雷达混在一起。核聚类在这里的定位就是处理这种线性不可分但映射后可分的分布。2.2 RBF核矩阵的MATLAB实现与K(xi,xj)的几何含义核聚类的核心动作用非线性映射 φ 把样本送到高维特征空间再在特征空间里做 K-means。整个算法只需要样本间的内积 ⟨φ(xi),φ(xj)⟩这个内积由一个核函数直接给出不必显式构造 φ(x) 的坐标。雷达分选里最常用的是 RBF 核K(xi,xj) exp(−||xi−xj||² / (2σ²))对应的核矩阵构建代码function K rbf_kernel(X, sigma) % X: n x d 的PDW特征矩阵行是脉冲列是已归一化特征 % sigma: RBF核宽控制特征空间的分辨率 n size(X,1); D2 sum(X.^2,2)*ones(1,n) ones(n,1)*sum(X.^2,2) - 2*(X*X); D2 max(D2, 0); % 数值保护浮点误差可能产生微小负值 K exp(-D2 / (2*sigma^2)); end这段代码用矩阵展开一次性算出全部距离平方避免双重 for 循环。D2 是欧氏距离平方的矩阵形式max(D2,0) 防止舍入误差产生负距离导致核值异常。σ 越小相似度随距离衰减越快聚类对局部结构敏感σ 越大映射越平缓逐步退化为线性情形。σ 的取值方法在第 4 章展开这里先记住一个定性结论核聚类比线性聚类多出来的能力几乎全部由 σ 这一个旋钮决定。2.3 特征空间距离公式核K-means的归属判据在特征空间里做 K-means样本 xi 到第 c 个簇中心 mc(1/nc)Σφ(xj) 的距离平方展开后只剩核值项||φ(xi) − mc||² K(xi,xi) − (2/nc)Σj∈c K(xi,xj) (1/nc²)Σp,q∈c K(xp,xq)RBF 核下 K(xi,xi)1第一项是常数第二项衡量 xi 与簇内已有样本的平均相似度第三项是簇内紧致度只由簇自身决定。这个分解对在线分选至关重要新样本到来时不需要重算全局核矩阵只需要计算它和每个簇已存样本的核值再叠加各簇维护的簇内项 Wc就能完成归属判定。这也是在线能跑得动的根本原因——单条样本的判定开销只和簇代表点的数量有关和累计脉冲总数无关。下一章的 MATLAB 实现就是按这个结构组织的。3. 在线分选框架与核聚类MATLAB实现3.1 在线分选与离线批处理的三个关键差异离线分选拿到整段脉冲流后一次性聚类类数可以事后用轮廓系数调在线分选是脉冲逐个到达、边到边分必须处理三个差异差异点离线批处理在线分选样本到达方式全集已知流式到达未来未知类数可全局搜索 k运行中动态增减非平稳性忽略新雷达开机、旧雷达关机围绕这三条常见做法是初始化 增量判定 周期合并三段式先用一段初始缓冲例如 200 条脉冲跑批量核 K-means 建簇之后每条新脉冲计算与各簇的特征空间距离小于阈值就归入最近簇否则开新类每隔固定条数检查簇间距离过近的簇合并。这个框架不绑定核聚类换普通 K-means 也能跑但核版本在重叠分布下的判定稳定性明显更好。3.2 初始化阶段核K-means的MATLAB核心代码初始化阶段复用 rbf_kernel 得到核矩阵再迭代更新标签function label kernel_kmeans_init(K, k, max_iter) % K: 预计算的n x n核矩阵; k: 初始类数; max_iter: 最大迭代轮数 n size(K, 1); label randi([1 k], n, 1); % 随机初始化标签 for it 1:max_iter new_label zeros(n, 1); for i 1:n best_obj inf; for c 1:k idx (label c); nc sum(idx); if nc 0, continue; end % 跳过空类 dist K(i,i) - 2*mean(K(i, idx)) ... sum(sum(K(idx, idx)))/nc^2; if dist best_obj best_obj dist; new_label(i) c; end end end if isequal(new_label, label), break; end label new_label; end enddist 的表达式就是 2.3 节公式的直接翻译mean(K(i,idx)) 替代 sum/nc 避免中间变量。需要留意的是第三项 sum(sum(K(idx,idx)))/nc² 每次迭代都会对每个簇重算簇大时开销不小工程上把每个簇的这项缓存下来只在成员变化时更新。随机初始化偶尔会得到空类代码用 continue 跳过若空类持续出现说明 k 给大了或者 σ 过小把样本都吸到了少数簇。初始类数 k 取场上辐射源数量上界一般 3~8 够用。3.3 新脉冲归属判定与新类生成逻辑初始化之后进入在线环节。每个簇维护三样东西样本点集合 points、样本数 count、簇内项 W(1/nc²)ΣΣK。新样本到簇的距离写成 dist(x,c)1−(2/nc)ΣK(x,xj)Wc判定代码如下function [label, cluster] online_assign(x, cluster, sigma, theta_new) % x: 1xd 的新PDW向量; cluster: 结构体数组; theta_new: 新类阈值 nC length(cluster); dist_c zeros(1, nC); for c 1:nC P cluster(c).points; if isempty(P), dist_c(c) inf; continue; end s sum(exp(-sum((P - x).^2, 2) / (2*sigma^2))); dist_c(c) 1 - 2*s/size(P,1) cluster(c).W; end [dmin, cidx] min(dist_c); if dmin theta_new label cidx; nc cluster(cidx).count; s_new sum(exp(-sum((cluster(cidx).points - x).^2, 2) / (2*sigma^2))); W_new (nc^2*cluster(cidx).W 2*s_new 1) / (nc1)^2; cluster(cidx).count nc 1; cluster(cidx).W W_new; cluster(cidx).points [cluster(cidx).points; x]; else label nC 1; % 开新类 cluster(end1).points x; %#okAGROW cluster(end).count 1; cluster(end).W 1; % 单点簇 K(x,x)1 end endW 的增量更新来自一个代数事实加入新样本后(1/(nc1)²)ΣΣ 可以由旧 W、新样本与簇内旧成员的核值之和 s_new、以及 K(x,x)1 三部分拼出。这样每条新脉冲只需要一次和簇代表点的核值计算不需要重建核矩阵。theta_new 的语义是特征空间距离上限设得越小越容易开新类设得大会把不同雷达并成一簇第 4 章给出取值基线。points 字段必须做容量上限例如 500 条超出后随机抽样子集替代否则在线跑几小时后计算量线性膨胀。注意这里的在线指逐脉冲处理的软件分选不是硬件级实时触发工程实现一般按 50~100 条一批缓冲处理吞吐更稳。4. 核聚类参数定标σ、新类阈值与合并策略4.1 RBF核宽σ的自适应估计与auto_sigma代码σ 是核聚类里最敏感的参数。PDW 各特征量纲差异极大RF 是 GHz 级、PW 是 μs 级直接按全局经验公式取没有意义前提是先对特征做 z-score 归一化再用样本间距离分布来定 σfunction sigma auto_sigma(X) % 基于中位成对距离自适应取σ对量纲不敏感 n min(size(X,1), 1000); % 采样上限控制计算量 idx randsample(size(X,1), n, false); D pdist(X(idx, :)); sigma median(D) / sqrt(2); % 典型距离处核值约为e^-1 end取 median(D)/sqrt(2) 的理由RBF 核的距离项是 ||x−y||²/(2σ²)当样本距离等于中位距离时指数项为 exp(−1)核值约 0.37相似度既不塌到 0 也不接近 1正好落在可分性最强的区间。σ 取小了核值迅速归零每个样本都像孤立点在线判定会疯狂开新类σ 取大了核值全部趋近 1特征空间退化效果约等于线性 K-means。建议在 auto_sigma 输出值的 0.5 倍到 2 倍之间做网格搜索用分选正确率挑档。提示σ 和 theta_new 是一对耦合参数改其中一个必须重跑参数扫描别只调单项。4.2 新类阈值theta_new与合并机制配合theta_new 决定多近算同一部雷达它和 σ 是耦合的σ 变大时样本间距离普遍变小阈值必须跟着调小。归一化后的特征空间里theta_new 常见基线在 0.5~2.0但必须结合 σ 一起标定不要单独照抄参数建议范围取值偏小取值偏大σmedian(D)/2 ~ median(D)*2过聚类类数爆炸欠聚类不同雷达合并theta_new0.5 ~ 2.0归一化后一部雷达拆成多簇多部雷达并成一簇合并周期每 50~100 条脉冲计算开销大簇碎片化拖尾合并机制的具体做法每隔 M 条脉冲用各簇代表点集合算两两单连接距离若某两簇距离小于 merge_threshold取 theta_new 的 0.6~0.8 倍就合并并重建新簇的 points、count、W。合并阈值不能设成和 theta_new 一样否则会出现刚开新类又被立即合并的震荡循环。合并操作本身的开销由簇数决定雷达侦察场景里辐射源数量通常是个位数到几十个这个代价可以接受。4.3 分选正确率与类数的联合评估评估在线分选不能只看正确率。一个把 10 部雷达分成 30 个簇的系统正确率可能不低但完全不可用。实际要用三个量一起看分选正确率、类数误差、过聚类还是欠聚类。正确归属用混淆矩阵每行取最大计数求和容忍同一源分散在多个簇的部分正确类数误差用唯一簇数和真实源数对比function [acc, nerr] eval_sort(label_est, label_true) % label_est: 分选出的簇编号; label_true: 真实辐射源编号 nT max(label_true); nE max(label_est); tbl zeros(nT, max(nE,1)); for i 1:length(label_true) tbl(label_true(i), label_est(i)) tbl(label_true(i), label_est(i)) 1; end acc sum(max(tbl, [], 2)) / length(label_true); % 每行取多数 nerr abs(length(unique(label_est)) - nT) / nT; % 类数误差 endacc 的语义是每个真实源里被正确认领的比例的均值nerr 反映过/欠聚类程度。调参顺序有讲究先让 nerr 稳定在 0 附近再谈 accnerr 不为 0 时 acc 再高都不可信。目前能搜到的雷达信号分选公共数据集以仿真 PDW 流为主标注口径不统一调参阶段建议先用第 5 章的仿真数据做基线稳定后再迁移到第三方数据集做交叉验证。5. 仿真验证用MATLAB跑通雷达信号在线分选链路5.1 用三类仿真雷达脉冲流验证在线分选效果构造三部雷达一部频率捷变、一部重频参差、一部常规脉冲PDW 加噪后交织再按帧喂给在线分选链路rng(2); n1400; n2350; n3300; X [randn(n1,3)*0.3 repmat([1 2 1],n1,1); randn(n2,3)*0.6 repmat([1.8 2.2 3],n2,1); % 捷变雷达方差大 randn(n3,3)*0.3 repmat([3 1 1.5],n3,1)]; label_true [ones(n1,1); 2*ones(n2,1); 3*ones(n3,1)]; perm randperm(size(X,1)); % 同一个置换保证样本与标签配对 X X(perm,:); label_true label_true(perm,:); sigma auto_sigma(X(1:200,:)); K rbf_kernel(X(1:200,:), sigma); lb0 kernel_kmeans_init(K, 3, 50); cluster init_from_labels(X(1:200,:), lb0, sigma); lab zeros(size(X,1),1); lab(1:200) lb0; for i 201:size(X,1) [lab(i), cluster] online_assign(X(i,:), cluster, sigma, 1.2); end [acc, nerr] eval_sort(lab, label_true); fprintf(准确率%.2f%% 类数误差%.2f\n, acc*100, nerr); function cluster init_from_labels(X, label, sigma) u unique(label); for c 1:length(u) idx (label u(c)); cluster(c).points X(idx, :); cluster(c).count sum(idx); Kc rbf_kernel(X(idx, :), sigma); cluster(c).W sum(Kc(:)) / cluster(c).count^2; end endinit_from_labels 是主脚本末尾的局部函数MATLAB 2016b 之后允许脚本带局部函数。它做的事只有一件按初始标签分组对每簇样本调 rbf_kernel 算出 W 字段。仿真里第二部雷达方差取 0.6就是为了模拟捷变造成的类内散布验证核版本在重叠条件下不撕簇。跑通后做一次参数扫描σ 取 0.5/1/2 倍基线theta_new 取 0.8/1.2/1.69 组对比 acc 和 nerrσ 偏小的组合里 nerr 会明显抬升这是参数边际的直接证据。5.2 三个高频问题与排查顺序问题一新类越开越多几分钟后簇数翻倍。先查 σ 是否偏小再看 theta_new 是否低于簇内正常距离波动。还有一个容易被忽略的点PA 维度动态范围大且与天线扫描周期强相关不把它归一化进聚类特征、只保留 RF/PW/DOA能显著减少拖尾开新类。问题二同一部雷达的脉冲在两三个簇之间反复横跳。这是合并周期太长或 merge_threshold 太小把合并周期从 100 条降到 50 条或把合并阈值提到 theta_new 的 0.8 倍即可。震荡本身不是 bug在线分选的工程共识是允许中间态碎片化靠周期合并收敛。问题三处理速度持续下降。这是簇的 points 无上限导致的给每个簇的 points 加 500 条上限超出后随机置换掉部分旧样本W 用增量公式重建即恢复稳定。预算核学习budgeted kernel learning的核心就是存不下就不存只保留代表点子集和簇内项。交付项目时建议把工作区整理成固定结构根目录放 main_sort_demo.m 主脚本kernel/ 目录放 rbf_kernel.m、kernel_kmeans_init.m、online_assign.m、auto_sigma.mdata/ 放仿真生成的 .mat 文件。整套只依赖统计与机器学习工具箱randsample、pdist不依赖优化工具箱和深度学习工具箱R2021b 之后的 MATLAB 都能直接跑。打 zip 包时勾选包含文件名编码信息避免中文注释在部分环境解压后乱码上传前在干净环境跑一遍主脚本确认不依赖当前工作区的路径变量。本文还有配套的精品资源点击获取