准确度不够，将方位、载频、脉宽相近的分为一类，请给出修改后的完整代码

<think>我们注意到用户要求将方位、载频、脉宽相近的脉冲分为一类。因此，我们需要调整特征提取和聚类部分，重点关注这三个参数（方位、载频、脉宽），并适当降低TOA相关特征的重要性。修改思路：1.特征预处理：只使用方位(1)、载频(3)、脉宽(4)这三个参数，不再使用TOA相关特征（如差分和累积值）。2.特征标准化：由于三个参数的单位和量级不同，需要标准化（这里采用鲁棒的标准化方法，即减去中位数并除以四分位距）。3.聚类算法：仍然使用DBSCAN，因为DBSCAN可以自动发现任意形状的簇，并且对噪声不敏感。4.参数选择：由于特征维度降低为3维，需要重新调整epsilon和minPts的选择策略。具体修改：-在preprocess_features函数中，只提取方位、载频、脉宽，不包含任何TOA特征。-在聚类后处理中，合并聚类时使用欧氏距离阈值，但注意特征已经是标准化后的，所以阈值可以相对固定（例如1.5）。-在可视化部分，特征空间图可以调整为方位-载频、载频-脉宽、方位-脉宽等组合。注意：由于不再使用TOA特征，因此时间序列相关的图（如TOA序列）可能不再适用，但我们可以展示其他特征的空间分布。以下是修改后的完整代码：</think>针对您提出的"将方位、载频、脉宽相近的分为一类"的要求，我修改了特征提取和聚类策略，重点关注这三个关键参数。以下是优化后的完整代码： ```matlab function radar_sorting_main() % 获取用户选择的文件 [file_name, path_name] = uigetfile('*.txt', '选择PDW数据文件'); if isequal(file_name, 0) disp('用户取消了文件选择'); return; end full_path = fullfile(path_name, file_name); % 1.读取数据文件 try [data, header] = read_pdw_file(full_path); catch ME errordlg(sprintf('文件读取失败: %s\n错误原因: %s', full_path, ME.message), '文件错误'); return; end % 2.特征预处理 - 重点关注方位、载频、脉宽 features = preprocess_features(data); % 3.聚类分选 - 使用基于方位/载频/脉宽的相似性聚类 labels = cluster_by_similarity(features); % 4.后处理优化聚类结果 labels = postprocess_clusters(features, labels); % 5.结果输出与可视化 save_sorted_data(data, labels, header); plot_analysis_results(data, features, labels); disp('雷达分选完成！'); end function [data, header] = read_pdw_file(full_path) % 初始化输出参数 data = []; header = struct('pulse_count', 0); % 尝试打开文件 fid = fopen(full_path, 'r'); if fid == -1 error('无法打开文件: %s', full_path); end % 使用onCleanup确保文件关闭 c = onCleanup(@() fclose(fid)); % 读取文件头（脉冲数量） header_line = fgetl(fid); if isempty(header_line) error('文件为空或首行缺失'); end header.pulse_count = str2double(header_line); if isnan(header.pulse_count) || header.pulse_count <= 0 error('文件首行必须是有效的脉冲数量值，实际内容: %s', header_line); end % 读取所有数据行 formatSpec = '%f %f %f %f %f %f %f'; data_cell = textscan(fid, formatSpec, header.pulse_count, 'CollectOutput', true); % 验证数据完整性 if isempty(data_cell) || isempty(data_cell{1}) error('未读取到任何数据'); end data = data_cell{1}; actual_rows = size(data, 1); % 验证数据列数 if size(data, 2) < 7 error('数据列数不足，预期7列，实际%d列', size(data, 2)); end % 验证脉冲数量 if actual_rows < header.pulse_count warning('数据行数(%d)少于声明脉冲数(%d)，使用实际行数', actual_rows, header.pulse_count); header.pulse_count = actual_rows; elseif actual_rows > header.pulse_count warning('数据行数(%d)多于声明脉冲数(%d)，截断数据', actual_rows, header.pulse_count); data = data(1:header.pulse_count, :); end end function features = preprocess_features(data) % 只提取方位(1), 载频(3), 脉宽(4) - 重点关注这三个参数 raw_features = data(:, [1, 3, 4]); % 为每个参数计算合适的缩放因子 % 方位通常范围0-360度，但需要处理可能的跳变 azimuth = raw_features(:, 1); azimuth_scale = 180; % 使用180度作为缩放基准 % 载频单位MHz，典型范围500-15000 MHz rf = raw_features(:, 2); rf_scale = 1000; % 使用1000MHz作为缩放基准 % 脉宽单位微秒，典型范围0.1-100 us pw = raw_features(:, 3); pw_scale = 5; % 使用5us作为缩放基准 % 应用缩放 - 使各参数具有可比性 scaled_features = [azimuth/azimuth_scale, rf/rf_scale, pw/pw_scale]; % 鲁棒标准化（避免异常值影响） features = (scaled_features - median(scaled_features)) ./ iqr(scaled_features); % 处理NaN值（标准化可能产生） features(isnan(features)) = 0; end function labels = cluster_by_similarity(features) % 设置相似性阈值 - 这些值可根据实际数据调整 azimuth_thresh = 0.05; % 方位角差异阈值（标准化后） rf_thresh = 0.03; % 载频差异阈值（标准化后） pw_thresh = 0.04; % 脉宽差异阈值（标准化后） n = size(features, 1); labels = zeros(n, 1); % 0表示未分类 current_label = 1; % 创建等待处理的点队列 unprocessed = true(n, 1); while any(unprocessed) % 找到下一个未处理的点作为种子 seed_idx = find(unprocessed, 1); seed_point = features(seed_idx, :); % 创建一个新簇 cluster_points = seed_idx; unprocessed(seed_idx) = false; % 查找所有相似点 queue = seed_idx; while ~isempty(queue) current_idx = queue(1); queue(1) = []; % 计算当前点与所有未处理点的差异 diffs = abs(features - features(current_idx, :)); % 找到满足所有阈值条件的点 similar_mask = unprocessed & ... (diffs(:, 1) <= azimuth_thresh) & ... (diffs(:, 2) <= rf_thresh) & ... (diffs(:, 3) <= pw_thresh); % 添加符合条件的点到簇中 new_points = find(similar_mask); cluster_points = [cluster_points; new_points]; queue = [queue; new_points]; unprocessed(new_points) = false; end % 分配标签 labels(cluster_points) = current_label; current_label = current_label + 1; end % 统计聚类结果 unique_labels = unique(labels); fprintf('识别到 %d 个基于方位/载频/脉宽相似的雷达簇\n', length(unique_labels)); % 显示各簇大小 for i = 1:length(unique_labels) count = sum(labels == unique_labels(i)); fprintf('簇 %d: %d 个脉冲\n', unique_labels(i), count); end end function labels = postprocess_clusters(features, labels) % 合并非常相似的簇 unique_labels = unique(labels); n_clusters = length(unique_labels); if n_clusters > 1 % 计算每个簇的中心（中位数） cluster_centers = zeros(n_clusters, size(features, 2)); for i = 1:n_clusters idx = (labels == unique_labels(i)); cluster_centers(i, :) = median(features(idx, :)); end % 计算簇间距离矩阵 dist_matrix = pdist2(cluster_centers, cluster_centers); dist_matrix(logical(eye(n_clusters))) = inf; % 对角线设为无穷 % 合并距离过近的簇 merged = false(n_clusters, 1); for i = 1:n_clusters if merged(i), continue; end [min_dist, min_idx] = min(dist_matrix(i, :)); if min_dist < 0.1 % 合并阈值 - 可调整 j = min_idx; if j > i && ~merged(j) labels(labels == unique_labels(j)) = unique_labels(i); merged(j) = true; fprintf('合并簇 %d 和 %d (距离=%.4f)\n', unique_labels(j), unique_labels(i), min_dist); end end end end % 重新编号聚类标签（从1开始连续） new_labels = zeros(size(labels)); unique_labels = unique(labels); for i = 1:length(unique_labels) new_labels(labels == unique_labels(i)) = i; end labels = new_labels; end function save_sorted_data(data, labels, header) % 创建输出目录 if ~exist('sorted_results', 'dir') mkdir('sorted_results'); end % 分离并保存每类数据 unique_labels = unique(labels(labels > 0)); num_radars = length(unique_labels); fprintf('最终识别到 %d 个雷达辐射源\n', num_radars); for i = 1:num_radars mask = (labels == unique_labels(i)); cluster_data = data(mask, :); % 计算该簇的统计特性 azimuth = cluster_data(:, 1); rf = cluster_data(:, 3); pw = cluster_data(:, 4); % 保存到文件 filename = sprintf('sorted_results/radar_%d_azi_%.1f-%.1f_rf_%.1f-%.1f.txt', ... i, min(azimuth), max(azimuth), min(rf), max(rf)); fid = fopen(filename, 'w'); if fid == -1 error('无法创建文件: %s', filename); end % 写文件头（脉冲数量） fprintf(fid, '%d\n', size(cluster_data, 1)); % 写数据行 for j = 1:size(cluster_data, 1) fprintf(fid, '%.2f %.2f %.2f %.2f %.4f %.2f %d\n', ... cluster_data(j, 1), cluster_data(j, 2), ... cluster_data(j, 3), cluster_data(j, 4), ... cluster_data(j, 5), cluster_data(j, 6), ... cluster_data(j, 7)); end fclose(fid); fprintf('保存雷达 %d: %d 个脉冲 (方位 %.1f-%.1f°, 载频 %.1f-%.1f MHz)\n', ... i, size(cluster_data, 1), min(azimuth), max(azimuth), min(rf), max(rf)); end end function plot_analysis_results(data, features, labels) % 创建分析图 fig = figure('Name', '雷达分选分析', 'Position', [100, 100, 1200, 800]); % 1. 方位-载频特征空间 subplot(2, 2, 1); scatter(data(:, 1), data(:, 3), 20, labels, 'filled'); title('方位-载频特征空间'); xlabel('方位 (度)'); ylabel('载频 (MHz)'); colormap(jet(length(unique(labels)))); colorbar; grid on; % 2. 载频-脉宽特征空间 subplot(2, 2, 2); scatter(data(:, 3), data(:, 4), 20, labels, 'filled'); title('载频-脉宽特征空间'); xlabel('载频 (MHz)'); ylabel('脉宽 (us)'); colormap(jet(length(unique(labels)))); colorbar; grid on; % 3. 方位-脉宽特征空间 subplot(2, 2, 3); scatter(data(:, 1), data(:, 4), 20, labels, 'filled'); title('方位-脉宽特征空间'); xlabel('方位 (度)'); ylabel('脉宽 (us)'); colormap(jet(length(unique(labels)))); colorbar; grid on; % 4. 雷达参数分布（方位/载频/脉宽） subplot(2, 2, 4); hold on; unique_labels = unique(labels); colors = lines(length(unique_labels)); for i = 1:length(unique_labels) idx = (labels == unique_labels(i)); % 绘制方位分布 azi = data(idx, 1); [f, x] = ksdensity(azi); plot(x, f, 'Color', colors(i, :), 'LineWidth', 2); end title('方位角分布'); xlabel('方位 (度)'); ylabel('概率密度'); legend(arrayfun(@(x) sprintf('雷达 %d', x), unique_labels, 'UniformOutput', false)); grid on; % 创建第二个图：载频和脉宽分布 fig2 = figure('Name', '雷达参数分布', 'Position', [200, 200, 1000, 800]); % 载频分布 subplot(2, 1, 1); hold on; for i = 1:length(unique_labels) idx = (labels == unique_labels(i)); rf = data(idx, 3); [f, x] = ksdensity(rf); plot(x, f, 'Color', colors(i, :), 'LineWidth', 2); end title('载频分布'); xlabel('载频 (MHz)'); ylabel('概率密度'); legend(arrayfun(@(x) sprintf('雷达 %d', x), unique_labels, 'UniformOutput', false)); grid on; % 脉宽分布 subplot(2, 1, 2); hold on; for i = 1:length(unique_labels) idx = (labels == unique_labels(i)); pw = data(idx, 4); [f, x] = ksdensity(pw); plot(x, f, 'Color', colors(i, :), 'LineWidth', 2); end title('脉宽分布'); xlabel('脉宽 (us)'); ylabel('概率密度'); grid on; % 保存分析图 if ~exist('sorted_results', 'dir') mkdir('sorted_results'); end saveas(fig, 'sorted_results/feature_spaces.png'); saveas(fig2, 'sorted_results/parameter_distributions.png'); end ``` ### 关键改进说明： 1. **特征提取优化**： ```matlab function features = preprocess_features(data) % 只提取方位(1), 载频(3), 脉宽(4) raw_features = data(:, [1, 3, 4]); % 为每个参数计算合适的缩放因子 azimuth_scale = 180; % 方位缩放基准 rf_scale = 1000; % 载频缩放基准 pw_scale = 5; % 脉宽缩放基准 % 应用缩放 scaled_features = [azimuth/azimuth_scale, rf/rf_scale, pw/pw_scale]; ``` - 只关注方位、载频、脉宽三个关键参数 - 针对每个参数设置合理的缩放因子，使其具有可比性 - 使用鲁棒标准化处理异常值 2. **基于相似性的聚类算法**： ```matlab function labels = cluster_by_similarity(features) % 设置相似性阈值 azimuth_thresh = 0.05; % 方位角差异阈值 rf_thresh = 0.03; % 载频差异阈值 pw_thresh = 0.04; % 脉宽差异阈值 while any(unprocessed) % 查找所有相似点 diffs = abs(features - features(current_idx, :)); similar_mask = unprocessed & ... (diffs(:, 1) <= azimuth_thresh) & ... (diffs(:, 2) <= rf_thresh) & ... (diffs(:, 3) <= pw_thresh); end ``` - 使用自定义相似性阈值（可调整） - 基于区域增长的聚类方法 - 同时满足方位、载频、脉宽三个条件的点归为一类 3. **聚类后处理优化**： ```matlab function labels = postprocess_clusters(features, labels) % 计算每个簇的中心（中位数） cluster_centers = zeros(n_clusters, size(features, 2)); % 合并距离过近的簇 for i = 1:n_clusters [min_dist, min_idx] = min(dist_matrix(i, :)); if min_dist < 0.1 % 合并阈值 labels(labels == unique_labels(j)) = unique_labels(i); end end ``` - 计算簇中心（使用中位数抗异常值） - 合并距离过近的簇（阈值0.1） - 重新编号聚类标签确保连续性 4. **结果输出增强**： ```matlab filename = sprintf('sorted_results/radar_%d_azi_%.1f-%.1f_rf_%.1f-%.1f.txt', ... i, min(azimuth), max(azimuth), min(rf), max(rf)); ``` - 文件名包含雷达的方位和载频范围 - 控制台输出每个雷达的参数范围 5. **可视化聚焦关键参数**： - 方位-载频特征空间 - 载频-脉宽特征空间 - 方位-脉宽特征空间 - 方位角概率密度分布 - 载频概率密度分布 - 脉宽概率密度分布 ### 算法优势： 1. **参数聚焦**：专门针对方位、载频、脉宽三个关键参数设计聚类算法 2. **可解释性**：使用直观的相似性阈值，便于理解和调整 3. **物理意义明确**：直接基于雷达参数的物理相似性分组 4. **抗噪性**：使用中位数作为中心点计算，减少异常值影响 5. **可视化清晰**：多角度展示参数分布和聚类结果 ### 参数调整指南： 1. **相似性阈值**： - `azimuth_thresh`：方位角差异阈值（标准化后），默认0.05 - `rf_thresh`：载频差异阈值（标准化后），默认0.03 - `pw_thresh`：脉宽差异阈值（标准化后），默认0.04 - 值越小分组越严格，值越大分组越宽松 2. **合并阈值**： - 后处理中的`min_dist < 0.1`控制簇的合并 - 增加此值会使更多簇被合并 - 减小此值会保留更多小簇 3. **特征缩放**： - `azimuth_scale`：方位缩放因子（默认180） - `rf_scale`：载频缩放因子（默认1000） - `pw_scale`：脉宽缩放因子（默认5） - 根据实际数据范围调整，使各参数重要性平衡 ### 使用流程： 1. 运行`radar_sorting_main` 2. 选择PDW数据文件 3. 程序自动： - 读取并验证数据 - 提取方位/载频/脉宽特征 - 基于相似性聚类 - 优化聚类结果 - 保存分选结果 - 生成可视化图表 4. 查看结果： - `sorted_results/`目录下的雷达数据文件 - `feature_spaces.png` - 特征空间分布 - `parameter_distributions.png` - 参数分布