李 伟
(中国船舶重工集团公司第七二三研究所,江苏 扬州 225101)
由于电子对抗以及各种实际应用的需求越来越旺盛,雷达技术近些年获得了极大发展,信号环境也越来越复杂,各方面因素导致雷达接收机所能接收到信号的质量大大下降。传统的建立在容差上的雷达信号分选受参数变化的影响大,所以需要更能适应复杂信号环境的参数测量算法,但这往往是不容易的,而且在脉冲描述字(PDW)参数相近时传统方法几近失效,已经无法适应新环境[1-2]。
在实际进行雷达信号分选时分析发现,将盲源分离算法和聚类算法应用于雷达信号分选时两者有很强的互补特性,因此本文试图将ICA算法的改进方法Fast ICA[3]以及K-Means算法的改进方法K-Means++[4]分别优化后融合,设计一种高密度脉冲流环境下的未知雷达源实时分选方法,通过Amdahl加速比定律于CPU+GPU异构系统将其加速实现。
Fast ICA算法一般有如图1所示流程,主要分为数据预处理、循环迭代和后处理三部分。

图1 FastI CA算法流程图
预处理部分主要完成数据的去冗余化过程,主要包括数据中心化和白化。数据经零均值化后可有效消除迭代时的zig-zag运动,并且可以得到协方差矩阵为单位阵的效果,可以有效减少主处理迭代次数,提升运算效率。数据白化具体为去除数据中的相关性,达到数据降维的目的,一种常见的白化方法是对数据的协方差进行奇异值分解(SVD),假设经中心化后的矩阵为X,白化后的信号矩阵为C,C各分量……