[發(fā)明專利]一種面向復(fù)雜電磁環(huán)境的雷達(dá)輻射源識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010766613.1
• 申請(qǐng)日: 2020-08-03
• 公開（公告）號(hào): CN112115768A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 馮蘊(yùn)天;劉志鵬;韓慧;許雄;陳翔;吳若無;邰寧;馮潤明
• 申請(qǐng)（專利權(quán)）人: 中國人民解放軍63892部隊(duì)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G01S7/02
• 代理公司: 洛陽市凱旋專利事務(wù)所(普通合伙) 41112
• 代理人: 林志堅(jiān)

1.一種面向復(fù)雜電磁環(huán)境的雷達(dá)輻射源識(shí)別方法，其特征是：其包括以下步驟：

S1、使用TrAdaBoost算法對(duì)基分類器支持向量機(jī)模型進(jìn)行構(gòu)建，以解決復(fù)雜電磁環(huán)境D_c下大量新出現(xiàn)的雷達(dá)輻射源與雷達(dá)輻射源數(shù)據(jù)庫D_b中數(shù)據(jù)不滿足同分布假設(shè)的問題，雷達(dá)輻射源數(shù)據(jù)庫D_b中的數(shù)據(jù)為搜集的已知雷達(dá)輻射源，復(fù)雜電磁環(huán)境D_c中的數(shù)據(jù)包含大量未知類別的雷達(dá)輻射源和少量已知的雷達(dá)輻射源；具體操作方法為：

步驟1.1、初始權(quán)重：對(duì)權(quán)重向量W進(jìn)行初始化，

式中，為第i個(gè)權(quán)重的初始化值，|D_b|+|D_c|為權(quán)重向量W中元素的個(gè)數(shù)，其取值等于所有已知輻射源的總個(gè)數(shù)，表示為每個(gè)輻射源都分配一個(gè)權(quán)重值；

步驟1.2、權(quán)重：for t＝1，2，...，N

設(shè)置訓(xùn)練集樣本的權(quán)重分布

式中，W^t為權(quán)重向量W經(jīng)過第t次迭代計(jì)算后的值|D_b|為雷達(dá)輻射源數(shù)據(jù)庫中輻射源的個(gè)數(shù)，|D_c|為復(fù)雜電磁環(huán)境中少量已知輻射源的個(gè)數(shù)，為第i個(gè)權(quán)重經(jīng)過第t次迭代計(jì)算后的取值；

步驟1.3、根據(jù)復(fù)雜電磁環(huán)境D_c中少量已知的樣本、雷達(dá)輻射源數(shù)據(jù)庫D_b中已搜集的樣本和權(quán)重向量W，對(duì)SVM模型進(jìn)行迭代訓(xùn)練，并得到分類映射h_t：X→Y，計(jì)算h_t在復(fù)雜電磁環(huán)境D_c中少量已知樣本上的錯(cuò)誤率，得到

式中，x_i為第i個(gè)輻射源樣本，h_t(x_i)為第i個(gè)輻射源樣本經(jīng)過第t次迭代計(jì)算后得到的類別取值，c(x_i)為第i個(gè)輻射源樣本真實(shí)的類別；

若h_t(x_i)≠c(x_i)，則重新設(shè)置權(quán)重向量為

式中，N為迭代計(jì)算的總次數(shù)；

步驟1.4、重復(fù)上述步驟1.2～步驟1.3多次直至輻射源的識(shí)別準(zhǔn)確率達(dá)到穩(wěn)定，即完成對(duì)權(quán)重向量的調(diào)整，最終得到重構(gòu)后SVM模型為

S2、使用協(xié)同訓(xùn)練算法生成可用的訓(xùn)練數(shù)據(jù)，以解決復(fù)雜電磁環(huán)境下大量未知類別雷達(dá)輻射源的識(shí)別問題；

S3、將基于TrAdaBoost算法的支持向量機(jī)與協(xié)同訓(xùn)練算法相融合以完成雷達(dá)輻射源的識(shí)別。

2.根據(jù)權(quán)利要求1所述的面向復(fù)雜電磁環(huán)境的雷達(dá)輻射源識(shí)別方法，其特征是：其步驟S2中，具體操作方法為：

步驟2.1、針對(duì)雷達(dá)輻射源識(shí)別任務(wù)，定義并構(gòu)建特征集x，將特征集x分為兩部分x₁和x₂，特征集x₁和x₂指的是兩個(gè)視圖，且滿足充分冗余且條件獨(dú)立；

步驟2.2、分別使用特征集x₁和x₂在復(fù)雜電磁環(huán)境D_c中的少量已知的樣本上訓(xùn)練基分類器SVM模型，得到分類器f₁和f₂；

步驟2.3、for t＝1：N

分別使用分類器f₁和f₂對(duì)復(fù)雜電磁環(huán)境D_c中的未知類別的雷達(dá)輻射源進(jìn)行識(shí)別，得到樣本屬于各輻射源類別的后驗(yàn)概率，對(duì)每個(gè)類別都選取p個(gè)置信度最高的樣本，p為自然數(shù)，p的取值為所有樣本個(gè)數(shù)的5～10％；

將上述選取出的樣本加入到訓(xùn)練集中，并在該訓(xùn)練集上重新訓(xùn)練分類器f₁和f₂。

3.根據(jù)權(quán)利要求1或2所述的面向復(fù)雜電磁環(huán)境的雷達(dá)輻射源識(shí)別方法，其特征是：其步驟S3中，具體方法為：

步驟3.1、計(jì)算每個(gè)候選樣本的復(fù)雜電磁環(huán)境適應(yīng)度，復(fù)雜電磁環(huán)境適應(yīng)度能夠反映雷達(dá)輻射源數(shù)據(jù)庫D_b中樣本對(duì)復(fù)雜電磁環(huán)境D_c的適應(yīng)能力，其計(jì)算公式如下

其中，為雷達(dá)輻射源數(shù)據(jù)庫D_b中樣本與復(fù)雜電磁環(huán)境D_c中樣本的相似性距離函數(shù)，f為基于TrAdaBoost方法的SVM分類器，f(x_i)為雷達(dá)輻射源數(shù)據(jù)庫D_b中樣本x_i在分類器f上的預(yù)測(cè)值，y_i為樣本x_i的真實(shí)類別取值，f(x_i)＝＝y(tǒng)_i為樣本x_i在分類器f上的預(yù)測(cè)結(jié)果與其真實(shí)類別的一致性；

步驟3.2、利用步驟S2所構(gòu)建的協(xié)同訓(xùn)練算法，實(shí)現(xiàn)評(píng)估候選樣本類別的置信度；

步驟3.3、將步驟3.1所得到的復(fù)雜電磁環(huán)境適應(yīng)度和步驟3.2所得到的置信度同時(shí)滿足條件的樣本加入到訓(xùn)練集中，重復(fù)這個(gè)過程以不斷增加復(fù)雜電磁環(huán)境D_t中已知輻射源的數(shù)量，從而實(shí)現(xiàn)訓(xùn)練樣本的選擇；

步驟3.4、在所構(gòu)建的訓(xùn)練集中訓(xùn)練重構(gòu)后的SVM模型，即能夠識(shí)別復(fù)雜電磁環(huán)境中的雷達(dá)輻射源。