本文档记录了关于雷达分选所用到的一些常用信号参数；介绍了雷达分选的经典算法，并简要分析了各种方法的优缺点。

针对传统聚类算法在复杂多变的电磁环境中聚类质量低、参数需要预先人为设定、噪声孤立点难识别等问题，本文提出一种改进的数据场和决策图联合聚类算法。该算法主要是利用数据对象的势值和到最近大密度点的距离来实现自动确定聚类中心和聚类数目，并且能够有效地处理孤立的噪声点和快速地实现数据对象的聚类划分。文中设置12部雷达信号，包括常规雷达、参差雷达、抖动雷达、捷变频雷达等，其中设有脉宽、到达角、载频设置参数有相同或相近的雷达。经过仿真验证可以看出，改进的数据场和决策图联合聚类有更好的聚类效果。

雷达信号分选

自己编的压缩感知程序，实现对语音信号的分帧以及重构，里面有一个分帧的函数。

本文介绍了基于K-Means算法的雷达信号预分选算法，首相对传统K-Means算法不足进行分析，然后提出相应的解决方案

为了提高雷达调制信号在电子对抗环境中的分选准确度，建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；将预处理后的样本作为TLRF中的训练样本实现信号分选。研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。

对pri变换算法进行优化 发表论文radar signal sorting based on PRI for large jitter 对应的代码 可以下载文献 对应理解

产生雷达信号，对雷达信号进行聚类分选，并比较分选结果

在信号处理中，信号分选是处理信号的前提，可以准确的分选出10以上的重频信号

常见信号（LFM，NS等）的分选识别 亲测可运行 识别率高