CN109490838A - 一种面向数据库残缺的雷达辐射源识别方法 - Google Patents

Abstract

本发明公开了一种面向数据库残缺的雷达辐射源识别方法，属于雷达信号处理技术领域。该方法包括如下步骤：针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，样本子集中每个样本依据其所属雷达辐射源建立标签。针对各样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型。利用识别模型处理待识别数据，获得待识别数据的雷法辐射源识别结果。该方法通过多重划分获得的不含缺失参数的样本子集，使得后期再进行子分类器构建时，能够在少量先验知识、大参数丢失率的条件下，取得较优的识别效果，具备识别准确率高，鲁棒性、泛化能力强的优势。

Description

一种面向数据库残缺的雷达辐射源识别方法

技术领域

本发明涉及雷达信号处理技术领域，具体涉及一种面向数据库残缺的雷达辐射源识别方法。

背景技术

雷达辐射源识别作为电子侦察系统的核心环节，是指在雷达先验知识数据库的基础上，通过对比匹配或相应算法推断出目标信号辐射源型号的过程，是掌握目标雷达的工作规律、技战术特点，甚至推断其目的意图的前提，其识别效果的优劣不仅直接决定了态势和威胁估计的准确性，还将对电子对抗指挥员的作战决策和目标雷达的情报分析产生极大影响。

由于情报获取渠道的多源性、各种干扰的存在以及侦察设备本身的测量误差等原因，雷达先验知识库中的特征参数会存在残缺现象，无法直接利用常规识别方法进行处理。如何充分地利用这些残缺的信息对多功能雷达辐射源进行有效识别，是雷达情报分析所面临的一大现实问题。

针对先验知识缺失的分类识别问题，当前流行的方法主要分为删除法、插值法以及非完备系统处理法三种。

其中删除法通过列表删除、配对删除等思想将非完备系统的识别问题转化为完备系统进行解决，在数据库样本充足且缺失数据较少时，该方法是有效的，一旦雷达数据库中样本数量较少，盲目的删减必然导致先验知识不充分而大大降低识别准确率。

插值法通过对缺失数据填充固定的值，将非完备系统转化为完备系统进行处理，常用的有均值替代、随机替代、以及回归插值等方法。其中均值替代、随机替代的思想必然影响样本分布，识别效果不佳；回归插值方法主要通过期望最大化、神经网络、以及支持向量机等算法对缺失数据进行参数估计来构建完备数据集，但存在复杂度高、计算成本巨大的问题。

非完备系统处理法无需对缺失数据进行插补或删除，直接对不完备数据集进行处理，典型的有基于粗糙集理论、基于粒度计算以及神经网络集成等方法。其中基于神经网络集成的非完备系统处理方法能够充分利用己有先验知识信息，通过多个子分类器构建强分类器，达到高识别准确率的目的，但算法存在着训练样本需求量高、计算量大的问题，并不适用于高时效性需求的雷达辐射源识别中。

因此，如何对非完备系统处理法进行改进，改善训练样本需求量大、计算量大的缺陷，从而能够应用于高时效性需求的雷达辐射源识别是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种面向数据库残缺的雷达辐射源识别方法，其具有对先验知识数据样本需求量少、对参数缺失和噪声干扰鲁棒性强的优势。

为达到上述目的，本发明的技术方案包括如下步骤：

步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，样本子集中每个样本依据其所属雷达辐射源建立标签。

步骤二、针对各样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型。

步骤三、利用识别模型处理待识别数据，获得待识别数据的雷法辐射源识别结果。

包含缺失参数的雷达先验知识数据样本集为X＝{x₁,x₂,…,x_l}，每个样本具备n维特征，特征集为D＝{α₁,α₂,…,α_n}；其中x_i为X中的任意样本，i为整数，取值范围为[1，l]，l为样本总数；n为特征维数，α₁,α₂,…,α_n为第1～n维特征；为样本x_i中第1～n维特征的取值。

则针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，具体步骤如下：

S101、依据缺失参数的属性对雷达先验知识数据样本集中每个样本进行标记，在第i个样本中，若存在一个特征集合当前样本在包含的所有特征上参数缺失，在其他特征上存在参数值，则该特征集合即为当前样本的缺失特征集，对应的完全特征集为

遍历整个雷达先验知识数据样本集X，得到X的完全特征集的集合D′＝{D′₁,D′₂,…,D′_l}，以及缺失特征集的集合

遍历整个缺失特征集的集合合并其中重复出现的子集，得到缺失模式集合s为缺失模式的数量，1≤s＜l；unique为合并重复子集操作。

S102、设V＝{V₁,V₂,…,V_s}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集，V₁,V₂,…,V_s为其中的特征子集，则对于任意特征子集V_a，a为整数，取值范围为1≤a≤s。

V_a＝D-S_a。

S103、在多重划分后的特征集V＝{V₁,V₂,…,V_s}中，每个特征子集均对应了多重划分后样本子集的特征，利用X对各特征子集V₁,V₂,…,V_s进行投影，删除参数值缺失的样本，获得多重划分后的样本集其中即为不含缺失参数的样本子集。

对于X对任意特征子集V_a投影

其中Φ表示缺失值；α_e、分别指X的第e个特征和第i个样本第e个特征的参数值。

进一步地，针对各样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型，具体为：

S201、样本子集对应的标签集为样本子集对应的特征集为V_b；样本子集中包含的样本包括x_b1～x_bN，N为中样本个数；对x_b1～x_bN依据其所属雷达辐射源建立的标签分别y_b1～y_bN，即b为整数，取值范围为[1,s]。

取组成随机森林的决策树个数为η；对样本子集对应的特征集V_b进行η次随机取样，每次取样的特征数为sqrt(|V_b|)；|V_b|指V_b中特征个数，sqrt(|V_b|)为对|V_b|的平方根操作；随机取样后得到特征集V_b的采样子集V′_b1,V′_b2,…,V′_bη；由组成第b个训练样本，共s个训练样本。

S202、针对第b个训练样本进行η次随机的有放回随机采样，即Bootstrap采样，每次采样的个数与样本总数一致，投影至采样子集V′_b1,V′_b2,…,V′_bη中，得到η个训练样本子集

S203、针对训练样本子集d＝1,2,…,η，采用随机森林算法训练获得随机森林子决策树

共η个随机森林子决策树组成第b个随机森林子分类器，投票法得到第b个随机森林子分类器的类别判定结果。

S204、针对共s个训练样本，均执行S202～S203，得到共s个随机森林子分类器，s个随机森林子分类器组成识别模型，利用投票法组合s个随机森林子分类器的类别判定结果，作为识别模型的类别判定结果，获得训练后的识别模型。

进一步地，S203中，随机森林算法训练的过程中，选用决策树分类算法即CART构建随机森林的子决策树，利用基尼Gini指数和采样子集V′_bd对树节点进行分裂，并且不进行剪枝处理，任其生长，最终获得随机森林子决策树分类器

进一步地，η的采用如下方法进行取值：通过交叉验证，选取最优的决策树个数η^*作为η的取值。

有益效果：

本发明所提供的一种面向数据库残缺的雷达辐射源识别方法，通过对雷达先验知识样本集进行多重划分，将原始的雷达先验知识数据样本转化为多个不含缺失参数的样本子集，使得分类器能够充分利用未缺失的样本参数。然后引入随机森林算法，对各个样本子集构建子分类器，进而通过投票组合得到最终的识别模型。该方法通过多重划分获得的不含缺失参数的样本子集，使得后期再进行子分类器构建时，能够在少量先验知识、大参数丢失率的条件下，取得较优的识别效果，具备识别准确率高，鲁棒性、泛化能力强的优势。

附图说明

图1为本发明所提供的一种面向数据库残缺的雷达辐射源识别方法流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种面向数据库残缺的雷达辐射源识别方法，其流程如图1所示，包括：

步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，样本子集中每个样本依据其所属雷达辐射源建立标签。

本发明实施例中，雷达先验知识数据样本集可以通过采集雷达平时数据获取，例如本发明实施例中所采集到的包含缺失参数的雷达先验知识数据样本集为：

X＝{x₁,x₂,…,x_l}。

其中x₁,x₂,…,x_l为l个样本，l为样本总数；每个样本具备n维特征，特征集为D＝{α₁,α₂,…,α_n}，n为特征维数，α₁,α₂,…,α_n为第1～n维特征；即以x_i为X中的任意样本，i为整数，取值范围为[1，l]；为样本x_i中第1～n维特征的取值。

为了充分发挥先验知识数据样本集中未缺失参数对识别模型的贡献，同时避免传统的删除法、插补法造成的参数分布偏差问题，本发明中将参数缺失的样本库进行多重划分处理。多重划分的目的是通过分析原始先验知识数据样本集参数缺失特点，尽可能多地挖掘出不含缺失参数的样本子集，以便后续处理可以直接利用。

基于上述目的，本发明实施例中针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，具体步骤如下：

S101、依据缺失参数的属性对雷达先验知识数据样本集中每个样本进行标记，在第i个样本中，若存在一个特征集合当前样本在包含的所有特征上参数缺失，在其他特征上存在参数值，则该特征集合即为当前样本的缺失特征集，对应的完全特征集为

遍历整个雷达先验知识数据样本集X，得到X的完全特征集的集合D′＝{D′₁,D′₂,…,D′_l}，以及缺失特征集的集合

遍历整个缺失特征集的集合合并其中重复出现的子集，得到缺失模式集合s为缺失模式的数量，1≤s＜l；unique为合并重复子集操作。

S102、设V＝{V₁,V₂,…,V_s}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集，V₁,V₂,…,V_s为其中的特征子集，则对于任意特征子集V_a，a为整数，取值范围为1≤a≤s。

V_a＝D-S_a。

S103、在多重划分后的特征集V＝{V₁,V₂,…,V_s}中，每个特征子集均对应了多重划分后样本子集的特征，利用X对各特征子集V₁,V₂,…,V_s进行投影，删除参数值缺失的样本，获得多重划分后的样本集其中即为不含缺失参数的样本子集。

对于X对任意特征子集V_a投影

其中Φ表示缺失值，在具体实例中，Φ可能是空值或者错误值；α_e、分别指X的第e个特征和第i个样本第e个特征的参数值。

步骤二、针对各样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型。

该步骤具体包括S201～S204：

S201、样本子集对应的标签集为样本子集对应的特征集为V_b；样本子集中包含的样本包括x_b1～x_bN，N为中样本个数；对x_b1～x_bN依据其所属雷达辐射源建立的标签分别y_b1～y_bN，即b为整数，取值范围为[1,s]。

取组成随机森林的决策树个数为η；对样本子集对应的特征集V_b进行η次随机取样，每次取样的特征数为sqrt(|V_b|)；|V_b|指V_b中特征个数，sqrt(|V_b|)为对|V_b|的平方根操作；随机取样后得到特征集V_b的采样子集V′_b1,V′_b2,…,V′_bη；由组成第b个训练样本，共s个训练样本。

S202、针对第b个训练样本进行η次随机的有放回随机采样，即Bootstrap采样，每次采样的个数与样本总数一致，投影至采样子集V′_b1,V′_b2,…,V′_bη中，得到η个训练样本子集：

S203、针对训练样本子集d＝1,2,…,η，采用随机森林算法训练获得随机森林子决策树

共η个随机森林子决策树组成第b个随机森林子分类器，投票法得到第b个随机森林子分类器的类别判定结果。

随机森林算法训练的过程中，选用决策树分类算法即CART构建随机森林的子决策树，利用基尼Gini指数和采样子集V′_bd对树节点进行分裂，并且不进行剪枝处理，任其生长，最终获得随机森林子决策树分类器

S204、针对共s个训练样本，均执行S202～S203，得到共s个随机森林子分类器，s个随机森林子分类器组成识别模型，利用投票法组合s个随机森林子分类器的类别判定结果，作为识别模型的类别判定结果，获得训练后的识别模型。

η的采用如下方法进行取值：通过交叉验证，选取最优的决策树个数η^*作为η的取值。

相对于其它识别算法，基于决策树组合的随机森林算法，通过对样本和特征的随机选择，较好地克服了决策树过学习、泛化能力差的缺点，具备结构简单、运算速度快、鲁棒性高等优势。

步骤三、利用识别模型处理待识别数据，获得待识别数据的雷法辐射源识别结果。

此时的待识别即为从雷达获取的辐射源未知数据，即MFR信号，将该辐射源未知数据对步骤一生成的各特征子集V₁,V₂,…,V_s进行投影，得到s个具备不同特征的未知样本子集。将获得的未知样本子集输入到识别模型中，获得识别结果。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向数据库残缺的雷达辐射源识别方法，其特征在于，包括：

步骤一、针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，所述样本子集中每个样本依据其所属雷达辐射源建立标签；

步骤二、针对各所述样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型；

步骤三、利用所述识别模型处理待识别数据，获得所述待识别数据的雷法辐射源识别结果。

2.如权利要求1所述的方法，其特征在于，所述包含缺失参数的雷达先验知识数据样本集为X＝{x₁,x₂,…,x_l}，每个样本具备n维特征，特征集为D＝{α₁,α₂,…,α_n}；其中x_i为X中的任意样本，i为整数，取值范围为[1，l]，l为样本总数；n为特征维数，α₁,α₂,…,α_n为第1～n维特征；为样本x_i中第1～n维特征的取值；

则所述针对包含缺失参数的雷达先验知识数据样本集进行多重划分，获得不含缺失参数的样本子集，具体步骤如下：

S101、依据缺失参数的属性对所述雷达先验知识数据样本集中每个样本进行标记，在第i个样本中，若存在一个特征集合当前样本在包含的所有特征上参数缺失，在其他特征上存在参数值，则该特征集合即为当前样本的缺失特征集，对应的完全特征集为

遍历整个雷达先验知识数据样本集X，得到X的完全特征集的集合D′＝{D′₁,D′₂,…,D′_l}，以及缺失特征集的集合

遍历整个缺失特征集的集合合并其中重复出现的子集，得到缺失模式集合s为缺失模式的数量，1≤s＜l；unique为合并重复子集操作；

S102、设V＝{V₁,V₂,…,V_s}代表针对雷达先验知识数据样本集进行多重划分后生成的特征集，V₁,V₂,…,V_s为其中的特征子集，则对于任意特征子集V_a，a为整数，取值范围为1≤a≤s；

V_a＝D-S_a；

S103、在多重划分后的特征集V＝{V₁,V₂,…,V_s}中，每个特征子集均对应了多重划分后样本子集的特征，利用X对各特征子集V₁,V₂,…,V_s进行投影，删除参数值缺失的样本，获得多重划分后的样本集其中即为不含缺失参数的样本子集；

对于X对任意特征子集V_a投影

其中Φ表示缺失值；α_e、分别指X的第e个特征和第i个样本第e个特征的参数值。

3.如权利要求1或2所述的方法，其特征在于，所述针对各所述样本子集及其标签，采用随机森林算法构建子分类器，并采用投票法组合个子分类器的结果，训练获得识别模型，具体为：

S201、样本子集对应的标签集为样本子集对应的特征集为V_b；样本子集中包含的样本包括x_b1～x_bN，N为中样本个数；对x_b1～x_bN依据其所属雷达辐射源建立的标签分别y_b1～y_bN，即b为整数，取值范围为[1,s]；

取组成随机森林的决策树个数为η；对样本子集X_vb对应的特征集V_b进行η次随机取样，每次取样的特征数为sqrt(|V_b|)；|V_b|指V_b中特征个数，sqrt(|V_b|)为对|V_b|的平方根操作；随机取样后得到特征集V_b的采样子集V′_b1,V′_b2,…,V′_bη；由组成第b个训练样本，共s个训练样本；

S202、针对第b个训练样本进行η次随机的有放回随机采样，即Bootstrap采样，每次采样的个数与样本总数一致，投影至采样子集V′_b1,V′_b2,…,V′_bη中，得到η个训练样本子集

S203、针对训练样本子集采用随机森林算法训练获得随机森林子决策树

共η个随机森林子决策树组成第b个随机森林子分类器，投票法得到所述第b个随机森林子分类器的类别判定结果；

S204、针对共s个训练样本，均执行S202～S203，得到共s个随机森林子分类器，s个随机森林子分类器组成识别模型，利用投票法组合s个随机森林子分类器的类别判定结果，作为所述识别模型的类别判定结果，获得训练后的识别模型。

4.如权利要求3所述的方法，其特征在于，所述S203中，随机森林算法训练的过程中，选用决策树分类算法即CART构建随机森林的子决策树，利用基尼Gini指数和采样子集V′_bd对树节点进行分裂，并且不进行剪枝处理，任其生长，最终获得随机森林子决策树分类器

5.如权利要求3所述的方法，其特征在于，所述η的采用如下方法进行取值：通过交叉验证，选取最优的决策树个数η^*作为η的取值。