第1章绪论
1.1研究背景和研究意义
无线电监测是获取频谱数据和维护电波秩序的重要手段。对于保证国家安全以及人们的日常生活具有重要的意义。日常监测作为无线电监测之本，其主要任务是为无线电管理部门的工作人员定期地提供直观的具有结论性报告，包括：频段利用率、各业务频段的背景状况和信道占用度等信息。为无线电频率的指配、规划和协调等方面的管理提供技术支持。通过日常监测及时发现并排除有害千扰，以便维护空中电波的正常传输，从而可以有效地保卫国家安全，为社会稳定和经济建设服务。目前的无线电监测网智能化水平不高，主要依靠监测人员的知识和经验对信号进行分析。这样不仅要求无线电监测人员具有很高的业务水平，同时也加大了工作量。由于无线电异常信号的信号特征不易精确描述，且其出现的时间也是随机的，因此不易监测。随着需要监测的数据量越来越多，传统的数据处理方法己经不能满足日趋复杂的数据分析要求。因此，借助计算机高速的处理速度，结合新的数据挖掘技术对非正常信号进行自动分析，具有重要的理论意义及实用价值。
1.2国内外研究现状
为了确保能够找出异常信号，许多专家学者做出了不解的努力，取得了大量的研究成果。将模糊集理论、神经网络理论等应用于异常信号分析是目前的热门研宄方向。文献[12]提出了一种基于模糊模式识别的无线电智能分析方法，通过模糊聚类对C波段异常信号进行分类。文献[13]借助模糊C均值处理数据，提取信号属性特征并进行归一化处理，借助有序加权聚合算子进行信号识别。该方法己经成功运用到广播频段异常信号的识别研究。文献[14]将支持向量机引入C波段异常信号类型识别中，采用径向基核函数，优化选取参数。文献[15]采用改进的BP神经网络进行异常信号识别，取得了较好的识别效果。这些方法大多是根据专家经验选取信号的若干频域特征作为输入指标。在实际应用中，由于同一信号特征在不同类型的无线电信号分析中所起的作用是不同的，对所有信号选取同样的信号特征，会导致某些信号的某些重要特征流失。如何在选取较少特征维数的同时，最大限度的保证信息的完整性，是一个值得深入研究的问题。
................
第2章预备知识
2.1模糊集理论
任何一个概念均由其内涵和外延两部分组成，概念的外延是一个集合1……。有些概念在特定的情况下具有明确的外延，例如，“偶数”这个概念的外延就是所有能被2整除的自然数组成的集合。而有些概念却没有确定的标准和界限，不具有明确的外延，我们称这些概念为模糊概念。在客观世界中这类概念是大量存在的，例如，“漂亮”，“高个儿”，“关系密切”等等。对于这些概念，如果给出一个确切的界限，让人回答“是”或“非”，与客观情况不相符。如“身高超过180cm的是高个儿”，张三身高179cm，因此说张三不是高个儿，这显然是不合理的。为了定量地描述模糊概念，美国计算机与控制论专家Zadeh在经典集合的基础上于1965年发表了模糊数学的开创性论文[19]。在该文中Zadeh首次引入了模糊集的概念，将经典集合论中集合的特征函数扩充至值域为区间[OJ]的函数。这样既可以表达有明确外延的经典集合（隶属程度取0或1)，又可以表达没有明确外延的模糊概念》
2.2模糊聚类分析(FCM)
一般说来，直接求解目标函数/(足厂)是非常困难的，我们可以采用迭代运算法计算出其近似解。J.CBezdek于1977年证明了模糊ISODATA算法迭代求解模糊分类矩阵及和聚类中心矩阵F是可行的，并且证明了该迭代过程最终是收敛的。具体算法如下。
第3章特征提取......12
3.1基于主成分賺征提取 ......12
3.2SVD在PCA中的应用.... 14
3.3本章小结.......................... 16
第4章C波段异常信号的分类方法 .....................................17
4.1C波段异常信号分类方法.................................... 17
4.2实验 ............................19
4.3基于熵权法加权的模糊C均值(WFCM) ..........................21
4.3.1基于熵权法计算权重........................................... 21
结论与展望....................28
第4章C波段异常信号的分类方法
4.1 C波段异常信号分类方法
在C波段信号的监测中，该波段常见的异常信号有单载波、单频点、雷达、千扰机信号等。通过大量的无线电监测，相关部门得到了异常信号样本库。因此，通过聚类分析技术，对无线电监测数据（训练集）进行聚类分析，而后通过判断异常信号与聚类中心之间的距离，将异常信号划分至与之距离最近的聚类中心所属类型，判断其所属类别，实现对C波段异常信号的监测。为了尽可能的简化聚类分析的计算过程，首先要对数据进行降维处理。在特征空间中，相对于正常信号，异常信号可以视为孤立点。
4.2实验
利用频谱仪对C波段四种实测无线电异常信号进行采集，每帕401个采样点，以频点的能量值为样本数据，采集这四种异常信号。将样本数据分成训练样本集和测试样本集两组。每种信号训练样本数和测试样本数均为100，四种信号共有训练样本集400组，测试样本集400组。其频谱图如下所示：
试验结果表明，基于主成分分析的信号识别方法比直接根据专家经验进行特征提取有更好的分类准确率，但是准确率仍需提高。究其原因，主成分分析法虽然保证了各特征的完整性，但是在运用传统模糊C均值法聚类时，各个属性的特征被认为是同等重要的，然而在实际中，这些特征的重要程度是不同的。为了解决这一问题，本文将熵权法引入模糊C均值中，通过熵权法利用各个指标的信息载量对特征客观有效的赋权。
.............
结论与展望
无线电的发展导致电磁环境日趋复杂。同时出现了许多异常信号：包括非法信号和使用不规范的信号。给无线电监测带来了越来越多的困难。传统的数理统计方法己经不能满足数据分析的需求。为了最大可能保证无线电信号特征的完整，提高监测的准确性。本文提出了一种基于主成分分析法的信号分类方法来提取特征。对目前常用的根据专家经验选取特征的方法进行改进，最大可能的刻划无线电信号保证信息的完整性。详细介绍了模糊C均值，熵权法，将熵权法引入模糊聚类中，降低了因属性特征重要程度不同而造成的影响。具体内容如下：1介绍了 C波段异常信号分类的研宄背景与意义。2对主成分分析法进行研宄。从信息利用率入手，运用主成分分析法提取信号的主成分，对目前常用的运用专家经验选取特征的方法进行改进。保证信息的完整性。3将熵权法引入模糊C均值。利用熵权定义权值，通过加权来表达各维特征的重要度，解决特征对分类贡献不均匀的问题。4将本文提出的基于PCA和WFCM异常信号分类的方法同目前常用的专家经验值选取特征进行对比。通过对比两个实验结果的正确率，验证该方法的有效性。
.............
参考文献（略）