專利名稱：一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種雷達(dá)輻射源識別的分析領(lǐng)域，特別是一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法。
背景技術(shù)：
隨著傳感器技術(shù)、數(shù)據(jù)采集、存儲和處理技術(shù)的發(fā)展，民用和國防領(lǐng)域都面臨著 “數(shù)據(jù)爆炸，知識不足”的問題。同理，隨著雷達(dá)輻射源情報(bào)偵察技術(shù)的進(jìn)步，雷達(dá)輻射源訓(xùn)練樣本是動態(tài)增加的。如何根據(jù)動態(tài)增加的訓(xùn)練樣本進(jìn)行有效的增量式學(xué)習(xí)，自適應(yīng)地調(diào)整雷達(dá)輻射源分類模型是一個迫切需要解決的難題。然而，現(xiàn)有分類建模方法在輸出結(jié)果穩(wěn)定性、計(jì)算成本和異常點(diǎn)識別三方面存在明顯不足，難以進(jìn)行增量式學(xué)習(xí)。有些分類建模方法的增量式學(xué)習(xí)是啟發(fā)式的，其輸出結(jié)果收訓(xùn)練樣本輸入順序的影響，具有不確定性。例如，當(dāng)訓(xùn)練樣本順序不同的時候，神經(jīng)網(wǎng)絡(luò)的輸出權(quán)重是不相同的， 對同一個測試數(shù)據(jù)集的分類結(jié)果也是不相同的。有些分類建模方法由于計(jì)算成本的限制難以適應(yīng)增量式學(xué)習(xí)。如，D-S證據(jù)理論方法中，每個特征對應(yīng)一個有相應(yīng)基本概率分配函數(shù)的證據(jù)。D-S證據(jù)理論運(yùn)用D-S融合準(zhǔn)則進(jìn)行多證據(jù)融合。當(dāng)訓(xùn)練數(shù)據(jù)的類型數(shù)目增加時，相應(yīng)的計(jì)算成本將呈指數(shù)型增加。再如，決策樹是進(jìn)行多階段決策的一種方法。多階段決策的基本思想是把一個復(fù)雜的決策分解成為一些簡單決策的集合。決策樹產(chǎn)生的規(guī)則易于理解。但是，如何設(shè)計(jì)一個最優(yōu)決策樹分類器是一個NP問題，而決策樹的性能在很大程度上都受到樹的設(shè)計(jì)結(jié)構(gòu)的影響。對決策樹進(jìn)行優(yōu)化的現(xiàn)有方法的一個基本問題就是計(jì)算成本太高昂，另一個問題則是誤差可能層層傳遞下來，特別是訓(xùn)練樣本類型較多的時候。現(xiàn)有分類建模方法存在的另一個不足在于其缺乏識別未知類型的能力，其判別的類型只能屬于已知類型。當(dāng)測試樣本不屬于任何已知類型的時候，現(xiàn)有分類建模方法無法判斷。

發(fā)明內(nèi)容
發(fā)明目的本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)在增量式學(xué)習(xí)中結(jié)果穩(wěn)定性、計(jì)算成本和未知類型識別三方面的不足，提供一種新的基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法。為了解決上述技術(shù)問題，本發(fā)明公開了一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法。假設(shè)在用于構(gòu)建雷達(dá)輻射源分類模型的雷達(dá)輻射源原始的訓(xùn)練樣本中，總共有m 條雷達(dá)輻射源樣本，每條雷達(dá)輻射源樣本由η個信號特征以及該雷達(dá)輻射源所屬的類型組成，初始有k個類型；其中m、η為自然數(shù)，k為大于等于2的自然數(shù)；設(shè)定門限值r作為雷達(dá)輻射源分類建模中選擇的信號特征數(shù)目，針對動態(tài)變化的連續(xù)型(參見《統(tǒng)計(jì)學(xué)》，賈俊平，清華大學(xué)出版社，應(yīng)用統(tǒng)計(jì)學(xué)系列教材，2006)訓(xùn)練樣本增量式地更新訓(xùn)練樣本描述矩陣和調(diào)整雷達(dá)輻射源分類模型，具體包括r個選擇的信號特征，以及基于這r個信號特征構(gòu)建的每個雷達(dá)輻射源類型j的信號特征均值向量矩陣[mean(i，j)]rxk,和協(xié)方差矩陣 [C(p,q, j)]rXrXk,。該方法包括以下具體步驟步驟1，根據(jù)原始的訓(xùn)練樣本初始化訓(xùn)練樣本描述矩陣，獲得類型-特征和矩陣、 類型-特征平方和矩陣以及類型-特征乘積和矩陣步驟la，類型-特征和矩陣[Σ (i，j)]nxk為一個nXk的矩陣，每行對應(yīng)一個信號特征i，每列對應(yīng)一個類型j，每個單元Σ (i，j)的值為所有類型j的訓(xùn)練樣本的信號特征i值的總和，如公式(1)所示
權(quán)利要求
1.一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，在用于構(gòu)建雷達(dá)輻射源分類模型的雷達(dá)輻射源原始的訓(xùn)練樣本中，共有m條雷達(dá)輻射源樣本，每條雷達(dá)輻射源樣本由η個信號特征以及該雷達(dá)輻射源所屬的類型組成，初始有k個類型；其中m、η為自然數(shù)，k為大于等于2的自然數(shù)；其特征在于，設(shè)定門限值r作為雷達(dá)輻射源分類建模中選擇的信號特征數(shù)目，對m條雷達(dá)輻射源樣本進(jìn)行以下步驟處理步驟1，根據(jù)原始的訓(xùn)練樣本初始化訓(xùn)練樣本描述矩陣，訓(xùn)練樣本描述矩陣包括類型-特征和矩陣、類型-特征平方和矩陣以及類型-特征乘積和矩陣步驟2，根據(jù)所述三個矩陣和門限值r構(gòu)建雷達(dá)輻射源分類模型，獲得基于r個選擇的信號特征的雷達(dá)輻射源類型的信號特征均值向量矩陣[mean (i，j) Lxk和協(xié)方差矩陣[C(p， q，j)]rXrXk ；步驟2之后，如果雷達(dá)輻射源訓(xùn)練樣本的信號特征數(shù)目、類型數(shù)目或者樣本數(shù)目有更新，則記更新后的信號特征數(shù)目為η'，類型數(shù)目為k'，樣本數(shù)目為m'；步驟3，判斷是否有新的信號特征加入訓(xùn)練樣本，如果有，進(jìn)行步驟4，否則，更新后的信號特征數(shù)目η'不變，即η' =n，進(jìn)行步驟5;步驟4，擴(kuò)充信號特征的數(shù)目η'，根據(jù)新的信號特征更新所述三個矩陣，并獲得更新后的訓(xùn)練樣本；步驟5，判斷是否有新的雷達(dá)輻射源樣本加入訓(xùn)練樣本，如果有，根據(jù)下述公式獲得更新后的樣本數(shù)目m'，m' =m+Am，其中，Am為增加的樣本數(shù)目，進(jìn)行步驟6，否則，更新后的樣本數(shù)目m'不變，即m' =m，更新后的類型數(shù)目k'也不變，即k' =k，跳至步驟9;步驟6，判斷是否有新的類型加入訓(xùn)練樣本，如果有，進(jìn)行步驟7，否則，更新后的類型數(shù)目k'不變，即k' =k，跳至步驟8;步驟7，擴(kuò)充類型數(shù)目，根據(jù)下述公式獲得更新后的類型數(shù)目k' , k' =k+Ak，其中， Ak為增加的類型數(shù)目；步驟8，根據(jù)新的類型數(shù)目k'更新三個矩陣，并獲得更新后的訓(xùn)練樣本 步驟9，根據(jù)更新后的三個矩陣和人工設(shè)定的選擇信號特征數(shù)目r，調(diào)整和輸出雷達(dá)輻射源分類模型。
2.根據(jù)權(quán)利要求1所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，其特征在于，步驟9后為步驟10雷達(dá)輻射源分類，具體包括步驟10a，輸入雷達(dá)輻射源測試樣本每條雷達(dá)輻射源測試樣本數(shù)據(jù)由η'個與訓(xùn)練樣本相同的信號特征組成；步驟10b，根據(jù)雷達(dá)輻射源分類模型，計(jì)算雷達(dá)輻射源測試樣本與每個雷達(dá)輻射源類型的馬哈拉諾比斯距離，包括步驟10bl，獲取雷達(dá)輻射源測試樣本在門限值r個信號特征上的信號特征向量t = ( ” ]，· · ·，tr)；步驟10b2，根據(jù)雷達(dá)輻射源分類模型中每個雷達(dá)輻射源類型j的r維信號特征均值向量 mean』=[mean(i, j)]r 和協(xié)方差矩陣 Cj = [C (p, q, j)]rXr ；步驟10b3，根據(jù)信號特征向量t和每個雷達(dá)輻射源類型j的r維信號特征均值向量 meanj和協(xié)方差矩陣Cp根據(jù)下式計(jì)算雷達(dá)輻射源測試樣本與每個雷達(dá)輻射源類型j的馬哈拉諾比斯距離MDj，假設(shè)該馬哈拉諾比斯距離是滿足自由度為r的χ 2分布的MDtj - ((t - Tneanj )T Cj1 (t - Tneanj ))2 ；步驟10c，判斷雷達(dá)輻射源測試樣本是否屬于已知類型，如果是，則進(jìn)行步驟10d，否則繼續(xù)步驟IOe ；步驟10cl，如果測試樣本t與k'個雷達(dá)輻射源類型對應(yīng)的馬哈拉諾比斯距離中至少有一個小于第97. 5百分位點(diǎn)，判斷雷達(dá)輻射源測試樣本屬于已知類型，進(jìn)行步驟IOd ；步驟10c2，如果測試樣本t與k'個雷達(dá)輻射源類型對應(yīng)的馬哈拉諾比斯距離均大于第97. 5百分位點(diǎn)，判斷雷達(dá)輻射源測試樣本不屬于已知類型，繼續(xù)步驟IOe ；步驟10d，判斷雷達(dá)輻射源測試樣本的類型為對應(yīng)馬哈拉諾比斯距離MDtj最小的類型， 并輸出該類型，結(jié)束；步驟10e，輸出雷達(dá)輻射源測試樣本的類型為未知類型，結(jié)束。
3.根據(jù)權(quán)利要求1所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，其特征在于，步驟1中，所述類型-特征和矩陣[Σ (i，j)]nxk為一個nXk的矩陣，每行對應(yīng)一個信號特征i，每列對應(yīng)一個類型j，每個單元Σ (i，j)的值為所有類型j的訓(xùn)練樣本的信號特征i值的總和，計(jì)算公式為Σ(/，j) = Σ χ⑴；ogQ j所述類型-特征平方和矩陣[Σ 2(i，j)]nxk為一個nXk的矩陣，每行對應(yīng)一個信號特征i，每列對應(yīng)一個類型j，每個單元Σ 2(i，j)的值為所有類型j的訓(xùn)練樣本的信號特征i值平方的總和，計(jì)算公式為 2{i,j、= Σ χ'■’OG Ω J所述類型-特征乘積和矩陣[Σ Pair(p, q，j)]nXnXk為一個nXnXk的矩陣，第一維對應(yīng)一個信號特征P，第二維對應(yīng)一個信號特征q，第三維對應(yīng)一個類型j，每個單元Σ Pair(p, q，j)的值為所有類型j的訓(xùn)練樣本上信號特征P和信號特征q值乘積的總和，計(jì)算公式為^pair (P, q, J)= Σ W ；OE Q j其中，O表示一個訓(xùn)練樣本，Ω ^表示所有屬于類型j的訓(xùn)練樣本，x。i表示訓(xùn)練樣本ο 在特征 i 上的值；當(dāng) P = q 時，Σ Pair(p, q，j) =Σ 2(p，j) =Σ 2(q，j)。
4.根據(jù)權(quán)利要求1所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，其特征在于，步驟4中包括以下步驟步驟4a，每增加一個新信號特征i ‘，使用如下公式依次擴(kuò)展和更新原雷達(dá)輻射源訓(xùn)練樣本的三個矩陣的特征維Σ(",·/)= Σ Xoi’ ； Σ2',7)= Σ ； Σ 氣r,q,j> X XorXog ；oeQj其中，X()i,為訓(xùn)練樣本ο在新信號特征i'上的信號特征值，q為在增加新信號特征i' 之前的信號特征；步驟4b，根據(jù)公式η' =η+Δη獲得更新后的信號特征數(shù)目η'，其中，Δη為增加的信號特征數(shù)目，并獲得更新后的訓(xùn)練樣本，擴(kuò)展和更新后的三個矩陣分別為[Σ (i，j)n, xk、 [Σ 2(i，j)n' Xk 禾口 [ Σ Palr (ρ, q，j)n' Xn' xk。
5.根據(jù)權(quán)利要求1所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，其特征在于，步驟8中，每增加一個新樣本ο'，假設(shè)新樣本ο'所屬類型為j，根據(jù)以下公式依次更新三個訓(xùn)練樣本描述矩陣
6.根據(jù)權(quán)利要求1所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，其特征在于，步驟9包括步驟9a，根據(jù)三個矩陣和門限值r，調(diào)整雷達(dá)輻射源分類模型，獲得更新后的雷達(dá)輻射源類型的信號特征均值向量矩陣[mean(i，j)]rxk,和協(xié)方差矩陣[C(p，q，j)rXrXk,；步驟％，輸出基于r個選擇的信號特征的k'個雷達(dá)輻射源類型的信號特征均值向量矩陣[mean(i, j)]rXk,與協(xié)方差矩陣[C (p, q，j)]rXrXk,。
7.根據(jù)權(quán)利要求1或6所述的一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，步驟 2和步驟9中根據(jù)類型-特征和矩陣和類型-特征平方和矩陣，對每個信號特征進(jìn)行F檢驗(yàn)，選擇類型區(qū)分能力最強(qiáng)的r個信號特征，即選擇F檢驗(yàn)中ρ值小于0. 05中ρ值最小的r個信號特征，信號特征i的Fi值計(jì)算公式如下
全文摘要
本發(fā)明公開了一種基于增量式學(xué)習(xí)的雷達(dá)輻射源分類建模方法，針對雷達(dá)輻射源訓(xùn)練樣本的信號特征數(shù)目增加、類型數(shù)目增加和樣本數(shù)目增加三種情況進(jìn)行增量式學(xué)習(xí)，分別在特征維和類型維對訓(xùn)練樣本描述矩陣進(jìn)行擴(kuò)充和更新，并在此基礎(chǔ)上對原先構(gòu)建的雷達(dá)輻射源分類模型進(jìn)行調(diào)整，具體包括信號特征的重新評估和選擇、模型參數(shù)的更新、模型結(jié)構(gòu)的調(diào)整等。本發(fā)明優(yōu)點(diǎn)為避免了每次雷達(dá)輻射源訓(xùn)練樣本變化都需要針對整個訓(xùn)練樣本重新進(jìn)行學(xué)習(xí)，重新構(gòu)建分類模型，大大節(jié)約了計(jì)算成本，提高了計(jì)算效率；增量式學(xué)習(xí)結(jié)果不受雷達(dá)輻射源訓(xùn)練樣本的數(shù)據(jù)輸入順序的影響，是固定的；本發(fā)明中的雷達(dá)輻射源分類模型能夠辨別出未知類型的雷達(dá)輻射源目標(biāo)。
文檔編號G06K9/62GK102540164SQ201210000629
公開日2012年7月4日 申請日期2012年1月4日 優(yōu)先權(quán)日2012年1月4日
發(fā)明者于永生, 張桂林, 徐欣, 王曉璇 申請人:中國電子科技集團(tuán)公司第二十八研究所