基于遥感全脉冲数据的雷达辐射源型号识别方法

发布时间：2021-07-29 21:19

　　针对遥感全脉冲数据"大数据、小样本",传统基于模板序列匹配的识别方法时间复杂度高,深度学习算法训练样本不足导致泛化能力差的问题,提出一种基于AdaBoost.M2-DT算法的识别方法。首先采用决策树实现基分类器,然后使用Adaboost.M2的集成学习方法构建识别模型。实验采用9型雷达辐射源的外场数据,分别使用序列匹配方法、SVM（支持向量机）、CNN（卷积神经网络）和AdaBoost.M2-DT算法进行训练和识别并对比实验结果,表明AdaBoost.M2-DT算法对小样本的遥感全脉冲数据具有较高的识别正确率和较小的时间复杂度。 

【文章来源】：电子信息对抗技术. 2020,35(05)

【文章页数】：6 页

【部分图文】：

Adaboost.M2_DT识别结果

该算法通过级联多个基分类器实现强学习算法[5],具有强自适应性。其自适应体现在:上一个分类器错分的样本会被用来训练下一个分类器。AdaBoost.M2-DT方法是一种有监督学习的迭代算法,在每一轮迭代中加入一个新的基分类器,直到样本错误率达到设定的域值。训练过程中,每一个训练样本都被赋予一个权重,表明它被某个分类器选入训练集的概率。如果某个样本已经被正确的分类,那么在构造下一个训练集时,它被选中的概率就被降低;相反,如果某个样本没有被正确的分类,那么它的权重就会提高。AdaBoost.M2-DT方法对噪声数据和异常数据较敏感,但相对于用雷达辐射源识别的其它方法,却又不容易出现过拟合现象。其处理流程如图1所示。该方法通过在每轮降低被正确分类样例的权重,增加被错误分类样例的权重,使得分类器在迭代过程中逐步改进,最终将所有分类器组合得到强分类器。AdaBoost.M2_DT的训练过程和雷达辐射源专家识别的过程很相似,都是将重点聚焦于那些较难分的样本上,因此相比基于神经网络的识别算法,具有更好的可解释性。

将用于训练的样本数据经过标准高斯归一化、PCA(主成分分析)降维后,观测其特征的可分性如图2所示。从图2中可以直观地看到,9类型号的特征形成明显的3簇,簇之间线性可分,但是簇的内部混叠严重,在PCA降维之后仍然不可分。导致样本不可分的原因是多功能雷达的特征参数值相似,想要通过人工方式或者简单识别算法进行区分,非常困难。样本经过训练后,形成模型,供识别阶段使用。

【参考文献】：
期刊论文
[1]基于深度学习的雷达辐射源型号识别方法[J]. 雷涛,旷生玉,杨玲.  电子信息对抗技术. 2019(04)
[2]基于AdaBoost和决策树的雷达辐射源识别方法[J]. 唐晓婧,陈维高,席龙飞,慈言海.  电子信息对抗技术. 2018(04)
[3]一种改进的BP-Adaboost算法及在雷达多目标分类上的应用[J]. 李蓓,张兴敢,方晖.  南京大学学报(自然科学). 2017(05)
[4]基于SLIDE+SVM的雷达辐射源信号识别[J]. 黄颖坤,金炜东.  系统仿真学报. 2017(09)
[5]基于专家系统的雷达识别方法[J]. 李东海.  舰船电子对抗. 2014(05)
[6]一种基于模板脉冲序列的雷达辐射源识别方法[J]. 龚亮亮,罗景青,吴世龙.  现代防御技术. 2008(05)

博士论文
[1]基于决策树的数据建模分析方法及其在铁路中的应用研究[D]. 吕晓艳.中国铁道科学研究院 2007

硕士论文
[1]基于AdaBoost算法的目标检测系统研究[D]. 王旭.电子科技大学 2012



本文编号：3310074