CN101893704B - 一种基于粗糙集的雷达辐射源信号识别方法 - Google Patents
一种基于粗糙集的雷达辐射源信号识别方法 Download PDFInfo
- Publication number
- CN101893704B CN101893704B CN2010102313977A CN201010231397A CN101893704B CN 101893704 B CN101893704 B CN 101893704B CN 2010102313977 A CN2010102313977 A CN 2010102313977A CN 201010231397 A CN201010231397 A CN 201010231397A CN 101893704 B CN101893704 B CN 101893704B
- Authority
- CN
- China
- Prior art keywords
- attribute
- emitter signal
- radar emitter
- rbf neural
- signal sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于粗糙集的雷达辐射源信号识别方法,它涉及信号识别技术领域,它解决了现有的利用粗糙K-均值方法识别雷达辐射源信号时,由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题。本发明的雷达辐射源信号识别方法首先获取雷达辐射源信号样本的脉冲描述字,然后利用粗糙集理论确定粗糙K-均值的聚类数和初始聚类中心,再通过粗糙K-均值获取RBF神经网络隐层神经元的中心,以获得RBF神经网络结构;最后将待识别的雷达辐射源信号的样本描述字输入所述RBF神经网络,获取识别结果,完成雷达辐射源信号的识别。本发明适用于雷达辐射源信号识别。
Description
技术领域
本发明涉及信号识别技术领域,具体涉及一种基于粗糙集的雷达辐射源信号识别方法。
背景技术
雷达辐射源信号识别是雷达系统中重要的环节,雷达辐射源信号经过分选和特征提取后,如何对其体制进行准确分析,为上级决策机构提供识别结果和决策支持是雷达辐射源信号识别的主要任务。传统的雷达辐射源识别方法主要有特征参数匹配法,人工智能分析法,脉内特征分析法,数据融合法等。由于电磁环境的日益恶化和各种噪声的影响,雷达侦察接收机接收到的信号很大程度上受到了污染和干扰。传统的识别方法对这些参数不全甚至畸变的信号显得无能为力。粗糙集理论是解决这一困难的有效工具,粗糙集理论在没有任何先验信息的条件下,通过知识约简,在保持分类精度不变的同时,对雷达辐射源信号可以进行规则提取,得出识别结论。
但是粗糙集对噪声非常的敏感,噪声对识别结果影响很大。所以很多方法将粗糙集与神经网络相结合。陈婷,罗景青提出用粗糙集理论提取出识别规则后,用BP神经网络进行训练,然而BP神经网络学习时间比较长,而且容易收敛到局部解。韩俊,何明浩,朱元清,等采用径向基神经网络,但没有具体给出基函数的聚类中心的计算方法。张政超,关欣,李应升等提出将粗糙K-均值方法获得的聚类中心应用于径向基神经网络,从而对雷达辐射源信号进行识别,但是应用粗糙K-均值算法首先需要选定聚类数以及初始中心值。粗糙K-均值对于初始中心值的依赖性非常强,选取不同的初始聚类中心值往往会得到差别很大的聚类中心。所以,通常需要计算最小平方和来确定最优的初始聚类中心,这个过程需要大量的计算。
发明内容
为了解决现有的利用粗糙K-均值方法识别雷达辐射源信号时,由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题,本发明提供一种基于粗糙集的雷达辐射源信号识别方法,并根据粗糙集理论对神经网络结构进行优化,进一步提高系统效率。
本发明的一种基于粗糙集的雷达辐射源信号识别方法,它包括以下步骤:
步骤一:获取雷达辐射源信号样本的脉冲描述字,所述脉冲描述字为训练待建立的RBF神经网络的样本描述字;
步骤四:根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心,再根据所述初始聚类中心进行粗糙K-均值聚类,以获取新聚类中心,并将所述新聚类中心作为待建立的RBF神经网络的隐层神经元基函数的中心,其中,k=1,2,…,K,并根据所述中心计算高斯函数方差;
步骤五:根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络,并获得所述RBF神经网络输出函数,其中,为输出层神经元对隐层神经元的权值,该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得,J为输出层神经元个数,,,其中,X i 为RBF神经网络输入数据的条件属性的值,为聚类中心的条件属性的值,为高斯函数方差;
步骤六:将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络,获取识别结果,完成雷达辐射源信号的识别。
本发明的有益效果:本发明提供了一种计算量小、收敛速度快的RBF神经网络雷达辐射源信号识别方法;本发明根据粗糙集理论确定粗糙K-均值算法的初始聚类中心,避免了计算最小平方和来确定最优初始中心带来的大量计算;本发明根据雷达辐射源信号样本的各个条件属性的属性重要程度,对RBF神经网络进行改进,加快了RBF神经网络收敛速度。
附图说明
图1是本发明的一种基于粗糙集的雷达辐射源信号识别方法的流程图。
具体实施方式
具体实施方式一:根据说明书附图1具体说明本实施方式,本实施方式所述的一种基于粗糙集的雷达辐射源信号识别方法,它包括以下步骤:
步骤一:获取雷达辐射源信号样本的脉冲描述字,所述脉冲描述字为训练待建立的RBF神经网络的样本描述字;
步骤四:根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心,再根据所述初始聚类中心进行粗糙K-均值聚类,以获取新聚类中心,并将所述新聚类中心作为待建立的RBF神经网络的隐层神经元基函数的中心,其中,k=1,2,…,K,并根据所述中心计算高斯函数方差;
步骤五:根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络,并获得所述RBF神经网络输出函数,其中,为输出层神经元对隐层神经元的权值,该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得,J为输出层神经元个数,,,其中,X i 为RBF神经网络输入数据的条件属性的值,为聚类中心的条件属性的值,为高斯函数方差;
步骤六:将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络,获取识别结果,完成雷达辐射源信号的识别。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,具体实施方式一在步骤二中,根据所述雷达辐射源信号样本的样本描述字,利用粗糙集理论计算所述雷达辐射源信号样本的条件属性对决策属性D的属性重要度的具体过程为:
按照等距离离散法离散所述雷达辐射源信号样本的样本描述字,并使用粗糙集理论对所述样本描述字进行处理,进而获取条件属性的属性重要度,其中,|U|是所述雷达辐射源信号样本的条件属性的个数,POSc(D)是决策属性D对条件属性集C的正域。
本实施方式所涉及的粗糙集理论是波兰数学家Z. Pawlak于1982年提出的一种新的处理模糊性和不确定性问题的数学工具。与其他识别方法相比,它的优点在于不需要预先给定某些特征或属性的数量描述,也不需要先验模型。它仅仅充分利用数据本身的内部知识,根据不可分辨关系,保持信息系统分类能力不变,通过属性约简和属性值约简,获取论述问题的内在规则,从而作为对其他辐射源识别参考的依据。
定义1 四元组是一个信息系统,其中表示对象的非空有限集合,称为论域;A表示属性的非空有限集合; ,是属性的值域; 表示是一个信息函数,它赋予每个对象的每个属性一个信息值,即,,有。每一个属性子集决定了一个二元不可区分关系:
定义2 设任一子集,为一等价关系,则当能被某些R基本范畴的并表示时,称子集为可定义集,否则称不可定义集即粗集。可定义集是论域的子集,可在知识库中被精确定义,而不可定义集不能在知识库中被定义。但粗集可以被近似定义,为达到此目的,使用两个精确集(粗集的上近似集和下近似集)来描述。
表示对知识、中肯定能归入的元素的集合, 表示对、中可能归入的元素的集合,粗集可由上近似集和下近似集描述。集合称为的边界, 表示对知识既不能归入也不能归入的元素的集合;把称为的域, 称为的负域, 称为的边界域,负域表示对知识不属于集合的元素的集合。
粗糙集是不能处理连续数据的,所以本实施方式首先将连续的数据离散化,本发明中使用的是等距离离散法,然后经过计算各属性重要度,属性约简,属性值约简后,提取分类规则。
粗糙K-均值算法主要通过计算最小欧氏距离作为相似性度量,通过不断调整求得聚类中心。但是这些聚类边界不总是精确给出的,由Lingras提出的粗糙K-均值方法可以有效地解决不确定边界引起的问题。本实施方式中,对该粗糙K-均值算法进行改进,使用粗糙集理论对数据进行预处理,约简冗余的属性,并利用粗糙集提取的分类规则确定粗糙K-均值的初始中心,减少了计算量。
设雷达辐射源信号样本被分成K类,样本X到第k类的初始中心t ok 的距离用d(X, t ok )表示,则用差值d(X, t ok1 )-d(X, t ok ) (1≤k,k 1≤K)来确定X对某一聚类的上下近似隶属性。
在聚类空间中,粗糙K-均值算法的聚类中心为该聚类空间的重心,而由粗糙集理论求得的初始聚类中心可视为其几何中心。所以,以作为初始聚类中心的方法比传统的计算最小平方和法和随机选取初始聚类中心的方法效率更高。
阈值T如果过大,下近似集可能为空集,如果过小,则对边界域没有约束力。T的取值范围确定步骤如下:
①计算所有对象与K个聚类中心的欧氏距离,得到距离矩阵;
②计算每个对象与各个类中心的最小值即距离矩阵每行最小值;
③计算每个对象同其他类中心距离与最小距离的差值,得到差值矩阵;
④找出差值矩阵中每行除0以外的最小值;
⑤阈值T的取值就在最小值中选取。
下近似集合中的元素越少,则下近似的相对重要度要大些,否则下近似的类中心值易被忽略;如果边界域的集合元素越多,则上近似的相对重要度应该越小。上下近似元素的个数可以衡量相对重要度比例:
。
Claims (3)
1.一种基于粗糙集的雷达辐射源信号识别方法,其特征在于所述识别方法包括以下步骤:
步骤一:获取雷达辐射源信号样本的脉冲描述字,所述脉冲描述字为训练待建立的RBF神经网络的样本描述字;
步骤二:根据所述雷达辐射源信号样本的样本描述字,利用粗糙集理论计算所述雷达辐射源信号样本的条件属性Ci对决策属性D的属性重要度γD(Ci),并提取针对所述雷达辐射源信号样本的分类规则,其中,i=1,2,…,N;
步骤三:根据步骤二获得的属性重要度γD(Ci)计算条件属性Ci的属性权值λi,并将所述条件属性Ci的属性权值λi作为建立RBF神经网络的隐层神经元基函数的条件属性的属性权值;
步骤四:根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心tok,再根据所述初始聚类中心tok进行粗糙K-均值聚类,以获取新聚类中心tk,并将所述新聚类中心tk作为待建立的RBF神经网络的隐层神经元基函数的中心,其中,k=1,2,…,K,并根据所述中心计算高斯函数方差;
步骤五:根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络,并获得所述RBF神经网络输出函数j=1,2,...,J其中,ωij为输出层神经元对隐层神经元的权值,该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得,J为输出层神经元个数,tk=[tk1,tk2,...,tki,...,tkN],其中,Xi为RBF神经网络输入数据的条件属性Ci的值,tki为聚类中心tk的条件属性Ci的值,为高斯函数方差;
步骤六:将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络,获取识别结果,完成雷达辐射源信号的识别。
2.根据权利要求1所述的一种基于粗糙集的雷达辐射源信号识别方法,其特征在于在步骤二中,根据所述雷达辐射源信号样本的样本描述字,利用粗糙集理论计算所述雷达辐射源信号样本的条件属性Ci对决策属性D的属性重要度γD(Ci)的具体过程为:
按照等距离离散法离散所述雷达辐射源信号样本的样本描述字,并使用粗糙集理论对所述样本描述字进行处理,进而获取条件属性Ci的属性重要度 其中,|U|是所述雷达辐射源信号样本的条件属性Ci的个数,POSc(D)是决策属性D对条件属性集C的正域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102313977A CN101893704B (zh) | 2010-07-20 | 2010-07-20 | 一种基于粗糙集的雷达辐射源信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102313977A CN101893704B (zh) | 2010-07-20 | 2010-07-20 | 一种基于粗糙集的雷达辐射源信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101893704A CN101893704A (zh) | 2010-11-24 |
CN101893704B true CN101893704B (zh) | 2012-07-25 |
Family
ID=43102954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102313977A Expired - Fee Related CN101893704B (zh) | 2010-07-20 | 2010-07-20 | 一种基于粗糙集的雷达辐射源信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101893704B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540164B (zh) * | 2012-01-04 | 2013-05-01 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
CN102590791A (zh) * | 2012-01-10 | 2012-07-18 | 哈尔滨工程大学 | 一种复杂密集环境下雷达辐射源信号覆盖分选方法 |
CN102608589B (zh) * | 2012-03-16 | 2013-12-04 | 南京理工大学 | 基于仿生模式识别理论的雷达目标识别方法 |
CN103778342B (zh) * | 2014-01-24 | 2018-03-13 | 关欣 | 一种基于区间数和证据理论的辐射源识别方法 |
CN104794431B (zh) * | 2015-03-25 | 2017-10-24 | 中国电子科技集团公司第二十八研究所 | 一种基于模糊匹配的雷达辐射源脉间模式挖掘方法 |
CN105787081B (zh) * | 2016-03-03 | 2019-02-15 | 电子科技大学 | 一种基于辐射源空间位置的辐射平台关联方法 |
CN107305637B (zh) * | 2016-04-21 | 2020-10-16 | 华为技术有限公司 | 基于K-Means算法的数据聚类方法和装置 |
CN106056098B (zh) * | 2016-06-23 | 2019-07-02 | 哈尔滨工业大学 | 一种基于类别合并的脉冲信号聚类分选方法 |
EP3318890B1 (en) * | 2016-11-02 | 2019-05-01 | Aptiv Technologies Limited | Method to provide a vehicle environment contour polyline from detection data |
CN107423580A (zh) * | 2017-04-01 | 2017-12-01 | 吉林大学 | 基于邻域粗糙集的宏基因组片段属性约简及分类方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107656245B (zh) * | 2017-08-22 | 2020-12-04 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
CN108197146B (zh) * | 2017-11-29 | 2020-06-23 | 山东航天电子技术研究所 | 基于脉冲流数据的精分类辐射源识别参量在轨生成系统 |
FR3091355B1 (fr) | 2018-12-27 | 2021-05-21 | Avantix | Système et procédé d’identification de source radar |
CN110109059B (zh) * | 2019-03-27 | 2023-04-07 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110598738B (zh) * | 2019-08-07 | 2021-12-28 | 中国电子科技集团公司第二十九研究所 | 一种基于空间信息的分布式聚类方法 |
CN110632584B (zh) * | 2019-09-20 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于并联径向基网络的目标外辐射源被动定位方法 |
TWI730436B (zh) * | 2019-10-02 | 2021-06-11 | 立積電子股份有限公司 | 辨識物體的方法、物體辨識系統及更新物體辨識系統中主要分類器的方法 |
CN110717540B (zh) * | 2019-10-10 | 2023-11-03 | 中国电子科技集团公司第三十八研究所 | 一种对雷达新辐射源个体的识别方法及装置 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
-
2010
- 2010-07-20 CN CN2010102313977A patent/CN101893704B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
Non-Patent Citations (1)
Title |
---|
张政超等.《基于粗糙集与RBF神经网络的雷达辐射源信号识别研究》.《航空计算技术》.2009,第39卷(第4期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN101893704A (zh) | 2010-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN104091321B (zh) | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
Fu et al. | Low-level feature extraction for edge detection using genetic programming | |
CN107122375A (zh) | 基于图像特征的图像主体的识别方法 | |
CN107515895A (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
Jagtap et al. | Agricultural plant leaf disease detection and diagnosis using image processing based on morphological feature extraction | |
CN107657279A (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN110348486A (zh) | 基于采样与特征简约的非平衡数据集转换方法及系统 | |
CN111259140B (zh) | 一种基于lstm多实体特征融合的虚假评论检测方法 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN104331716A (zh) | 面向大规模训练数据的svm主动学习分类算法 | |
CN106056581B (zh) | 一种利用改进模糊聚类算法提取红外行人目标的方法 | |
CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104268587B (zh) | 一种基于指波变换和svm的假指纹检测方法 | |
Bai et al. | Cell segmentation based on FOPSO combined with shape information improved intuitionistic FCM | |
CN115858906A (zh) | 企业搜索方法、装置、设备、计算机存储介质及程序 | |
CN114842507A (zh) | 一种基于组优化奖励的强化行人属性识别方法 | |
CN104537392B (zh) | 一种基于判别性语义部件学习的对象检测方法 | |
Ahmed et al. | Improving prediction of plant disease using k-efficient clustering and classification algorithms | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
CN113780378B (zh) | 一种疾病高危人群预测装置 | |
CN115410250A (zh) | 阵列式人脸美丽预测方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120725 Termination date: 20160720 |
|
CF01 | Termination of patent right due to non-payment of annual fee |