[發明專利]基于權重聚類的信號測量特征匹配標注方法

有效

• 申請號: 202010010182.6
• 申請日: 2020-01-06
• 公開（公告）號: CN111353379B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 李思奇;王成剛;賀文嬌;徐雄;趙文彬
• 申請（專利權）人: 西南電子技術研究所(中國電子科技集團公司第十研究所)
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2337;G06F18/22;G01R29/02
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 周浩杰

本發明提出了一種基于權重聚類的信號測量特征匹配標注方法，利用本方法可實現對測量特征自動標注，可顯著地提升標注效率和準確率。本發明通過下述技術方案予以實現：輸入偵測的輻射源信號測量特征數據，分別作規范化、異常值剔除和數據壓縮方面的預處理，按統一內部格式存儲管理；再采用多維特征權重聚類分析算法，分別作每一維信號特征粗判決和多維特征權重綜合相似度判決，形成聚類分析后的類中心集；利用模糊匹配算法計算聚類中心集與標簽知識庫關聯的綜合模糊隸屬度，從中選取最大綜合模糊隸屬度作為最優關聯標簽結果；并根據關聯結果對標簽庫樣本數據更新維護，完成對輸入的未知信號測量特征數據自動標注屬性標簽。

技術領域

本發明涉及輻射源信號特征偵測分析技術，尤其是涉及在偵測的大數據背景下對未知信號測量特征的聚類分析與自動標注方法。

背景技術

信號測量特征標注是采用人工或機器處理等方法，給偵測的未知信號測量特征自動填上屬性標簽，以及可以描述信號測量特征的關鍵詞。信號測量特征自動標注在例如特征檢索、特征知識提取等輻射源/目標挖掘分析領域有著極廣泛的應用，同時隨著智能處理技術快速發展，標注后的信號測量特征可作為深度學習模型訓練的樣本集。信號特征是指經信號處理后獲得的可表征輻射源電磁特征的參數。信號測量特征是指偵察裝備對輻射源發射信號進行實時偵測，接收后對測量信號進行參數測量、特征提取等分析處理，形成對此輻射源信號特征描述，如射頻、帶寬、脈寬、調制方式等特征參數。實際應用中為有效傳遞信源產生的原始基帶信號，通常要對其進行多種處理，包括：信號調制使信號形成調幅調頻等多種信號樣式，信號編碼使信號具備抗干擾能力等，這些有意加工處理形成了信號最基本的特征，可作為輻射源/目標屬性判證的主要依據之一。

已有信號測量特征標注方法主要采用：(1)人工標注樣本方法；(2)支持向量機分類標注方法。方法(1)傳統的人工標注樣本，主要是通過專家經驗知識辨識后標注上測量樣本屬性，但隨著大數據時代來臨，人工標注的方式主要缺點有：一是多平臺多架次偵測數據呈爆炸式增長，用人工方式標注信號測量特征數據難以完成；二是專家經驗不同造成對信號測量特征的認識理解不一致，缺乏統一評判標準，導致樣本標注結果會出現差異。方法(2)支持向量機分類標注方法是基于有監督的學習方式，先利用帶標簽樣本作為訓練樣本，對構造的分類器參數進行訓練學習后，再對測量樣本類別進行標注，主要缺點有：一是需要大量帶標簽樣本數據，當有限數量的訓練樣本時，分類器的效果難以得到最優狀態；二是分類器結構復雜參數繁多，不易調節參數以適應新一類對象標注，影響對樣本標注的準確率。

信號測量特征標注過程也可以轉換為數據聚類或分類問題。聚類分析起源于分類學，但是聚類不等于分類，聚類與分類的不同在于：聚類所劃分出的類別是未知的，分類所形成的類別是已知的。聚類是按照某個設定的特定準則把一個數據集分割成不同的類，所生成的類是一組數據對象的集合，這些對象與同一個類中的對象彼此相似，同時不同類的數據對象差異性也盡可能地大。目前，有大量的聚類算法，而對于具體應用，聚類算法的選擇取決于數據的類型和聚類的目的等，常用聚類算法分為：基于密度的方法、基于網格的方法以及基于模型的方法等。然而，聚類問題的研究不僅僅局限于上述的硬聚類，模糊聚類也是聚類分析中研究較為廣泛的一個分支。模糊聚類通過隸屬函數來確定每個測量數據隸屬于各個類的程度，而不是將一個數據對象硬性地歸類到某一類中。應用較多的模糊聚類，如K均值聚類、模糊C均值聚類、層次聚類等算法，但各個算法還是存在優缺點，如K均值聚類和模糊C均值聚類對初始聚類中心敏感，需要人為確定聚類數，容易陷入局部最優解；層次聚類雖然可不用確定類數，但是一旦某個分裂或者合并被執行，就不能修正，聚類質量受限制。

發明內容

本發明的目的是針對多平臺多架次偵測的輻射源信號特征大數據，提供一種基于權重聚類的未知信號測量特征自動匹配標注方法，以提升信號測量特征標注效率和準確率。