CN110717540A - 一种对雷达新辐射源个体的识别方法及装置 - Google Patents
一种对雷达新辐射源个体的识别方法及装置 Download PDFInfo
- Publication number
- CN110717540A CN110717540A CN201910956655.9A CN201910956655A CN110717540A CN 110717540 A CN110717540 A CN 110717540A CN 201910956655 A CN201910956655 A CN 201910956655A CN 110717540 A CN110717540 A CN 110717540A
- Authority
- CN
- China
- Prior art keywords
- dbi
- sample
- cluster
- identified
- samples
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000005855 radiation Effects 0.000 claims abstract description 109
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- CKRLIWFOVCLXTP-UHFFFAOYSA-N 4-phenyl-1-propyl-3,6-dihydro-2h-pyridine Chemical group C1N(CCC)CCC(C=2C=CC=CC=2)=C1 CKRLIWFOVCLXTP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种对雷达新辐射源个体的识别方法及装置,所述方法包括:在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;在离线状态下,计算合群阈值λ;在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个;本发明的优点在于:能够判断待识别目标信号样本是否是新的辐射源个体,提高个体识别的正确率。
Description
技术领域
本发明涉及基于机器学习的辐射源个体识别领域,更具体涉及一种对雷达新辐射源个体的识别方法及装置。
背景技术
辐射源个体识别,是利用观测信号的指纹特征,识别出发射该信号的特定辐射源个体的技术。该技术在电子情报侦察、电子支援、认知无线电及无线网络安全等领域都有应用。
传统辐射源个体识别技术大致可以分为基于模板的识别方法和基于分类器的识别方法。QIN Chang-hai等人提出的基于模板的识别方法,将侦察到的目标信号脉冲上升沿特征与数据库中的模板特征做比对,选择最相似的模板对应的辐射源个体作为该目标的个体类别。HAN Jie等人提出基于分类器的识别方法,利用数据库中已标记的辐射源信号数据训练支持向量机分类器,然后用该分类器对目标信号进行分类,从而判定目标辐射源的个体类别。但是,当出现一个数据库中不存在的新的辐射源个体时,以上方法仍然将其识别为已知个体类别中的一类,并不能发现它是一个新的辐射源个体,导致个体识别错误。
对雷达新辐射源个体的识别问题,类似于数据挖掘中的异常检测问题。Rosner等人提出基于统计的异常检测方法,Knorr等人提出基于距离的异常检测方法,这些方法在数据集中发现行为异常的数据对象,异常数据与正常数据相比具有显著的差异,在特征空间中是强分离的。然而,新的辐射源个体与数据库中的已知辐射源个体相比较,并不是一个“异常类”,只是另一个未知的“正常类”,它们间的特征是相似的,并不是强分离的。因此,新辐射源个体的识别问题并不能简单的归为异常检测问题,有必要特别针对辐射源个体识别问题,设计一种对雷达新辐射源个体的识别方法。
发明内容
本发明所要解决的技术问题在于如何识别一个新的辐射源个体,保证个体识别正确率,提供一种对雷达新辐射源个体的识别方法。
本发明通过以下技术手段实现解决上述技术问题的:一种对雷达新辐射源个体的识别方法,所述方法包括:
在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;
在离线状态下,计算合群阈值λ;
在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
本发明提供一种对雷达新辐射源个体的识别方法,先在离线状态下获得合群阈值,再在在线状态下计算待识别目标信号样本的合群因子,将合群因子与合群阈值进行比较,从而判断出待识别目标信号样本是否是新的辐射源个体,不会将新的辐射源个体识别为已知个体类别中的一类,提高个体识别的正确率。
优选的,所述利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P包括:
优选的,所述在离线状态下,计算合群阈值λ包括:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
将待识别信号样本单独归为一类,定义为第K+1类,此时簇划分为计算此时的聚类性能指标DBIK+1;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
优选的,所述在离线状态下,计算合群阈值λ步骤中性能度量指标DBI的获取过程,包括:
通过获取聚类性能度量指标DBI,其中,K为簇的个数,avg()表示平均值函数;avg(Ci)为簇Ci内样本间的平均距离,avg(Cj)为簇Cj内样本间的平均距离,dcen(Ci,Cj)簇Ci的中心样本与簇Cj的中心样本的距离且xm为簇Ci的中心样本,xn为簇Cj的中心样本。
优选的,所述在在线状态下,对截获的待识别目标信号样本计算合群因子η,包括:在在线状态下,对截获的待识别目标信号样本,将其归入到第1类辐射源,计算此时聚类性能度量指标DBI1’;
依次将待识别目标信号样本归入到第2类、第3类、…、第K类辐射源,分别计算此时的聚类性能指标DBI2’,DBI3’,…,DBIK’;
将待识别信号目标样本单独归为一类,记为第K+1类,计算此时的聚类性能指标DBI(K+1)’;
通过公式η=DBI(K+1)'/minDBI1',DBI2',...,DBI(K+1)')获取合群因子η。
优选的,所述截获的待识别目标信号样本数目等于随机抽取信号样本的数目Q,且数据库中每类已标记辐射源个体信号样本的个数大于Q。
本发明还提供一种对雷达新辐射源个体的识别装置,所述装置包括:
距离度量矩阵获取模块,用于在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;
合群阈值获取模块,用于在离线状态下,计算合群阈值λ;
判定模块,用于在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
优选的,所述距离度量矩阵获取模块具体用于:
优选的,所述合群阈值获取模块具体用于:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
优选的,所述重复上述步骤T次,T=10K。
优选的,所述合群阈值获取模块还用于:
通过获取聚类性能度量指标DBI,其中,K为簇的个数,avg()表示平均值函数;avg(Ci)为簇Ci内样本间的平均距离,avg(Cj)为簇Cj内样本间的平均距离,dcen(Ci,Cj)簇Ci的中心样本与簇Cj的中心样本的距离且xm为簇Ci的中心样本,xn为簇Cj的中心样本。
优选的,所述判定模块具体用于:在在线状态下,对截获的待识别目标信号样本,将其归入到第1类辐射源,计算此时聚类性能度量指标DBI1’;
依次将待识别目标信号样本归入到第2类、第3类、…、第K类辐射源,分别计算此时的聚类性能指标DBI2’,DBI3’,…,DBIK’;
将待识别信号目标样本单独归为一类,记为第K+1类,计算此时的聚类性能指标DBI(K+1)’;
通过公式η=DBI(K+1)'/minDBI1',DBI2',...,DBI(K+1)')获取合群因子η。
优选的,所述截获的待识别目标信号样本数目等于随机抽取信号样本的数目Q,且数据库中每类已标记辐射源个体信号样本的个数大于Q。
本发明的优点在于:
(1)本发明提供一种对雷达新辐射源个体的识别方法和装置,先在离线状态下获得合群阈值,再在在线状态下计算待识别目标信号样本的合群因子,将合群因子与合群阈值进行比较,从而判断出待识别目标信号样本是否是新的辐射源个体,不会将新的辐射源个体识别为已知个体类别中的一类,提高个体识别的正确率。
(2)本发明的识别方法的距离度量学习和合群阈值的计算都是离线完成的,对雷达新辐射源个体进行在线识别时,只需要计算合群因子,算法具有线性计算复杂度。
附图说明
图1为本发明实施例所公开的一种对雷达新辐射源个体的识别方法的流程示意图;
图2为本发明实施例所公开的一种对雷达新辐射源个体的识别方法中计算合群阈值的算法流程示意图;
图3为本发明实施例所公开的一种对雷达新辐射源个体的识别方法中对雷达新辐射源个体进行在线识别的流程示意图;
图4为本发明实施例所公开的一种对雷达新辐射源个体的识别方法的仿真实例中2部不同雷达辐射源信号瞬时频率特征样本数据;
图5本发明实施例所公开的一种对雷达新辐射源个体的识别方法的仿真实例中查全率随合群阈值调节因子的变化情况;
图6本发明实施例所公开的一种对雷达新辐射源个体的识别方法的仿真实例中查准率随合群阈值调节因子的变化情况;
图7本发明实施例所公开的一种对雷达新辐射源个体的识别方法的仿真实例中当待识别样本数M=50时的ROC曲线;
图8本发明实施例所公开的一种对雷达新辐射源个体的识别方法的仿真实例中在不同待识别样本数情况下,本发明方法的ROC曲线与传统方法的ROC曲线的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种对雷达新辐射源个体的识别方法,所述方法包括:
首先,在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P,具体过程为:利用公式获取样本xi和样本xj间的马氏距离,其中,W是正定对称矩阵,且W=PPT,P是距离度量矩阵,()T是矩阵的转置;
采用随机梯度下降法求解公式解得距离度量矩阵P,其中,Ωi表示与样本xi属于同类别的样本的下标集合;N为样本的总数量;Σ是求和符号;用距离度量矩阵P将样本变换到特征空间。
需要说明的是,以上关于距离度量矩阵P的获取过程中的随机梯度下降法、近邻成分分析算法等均属于现有技术,不做详细赘述,另外离线状态是指离线计算,计算前已知所有输入数据,输入数据不会产生变化,本发明中学习到距离度量矩阵P的相关过程用到的数据均是数据库中已标记的辐射源信号样本的数据。
然后,在离线状态下,计算合群阈值λ,具体过程为:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};作为优选方案,一般T=10K。
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
上述提到聚类性能度量指标,聚类性能度量指标是通过公式计算的,其中根据簇划分不同,公式计算结果也不同,例如,将待识别信号样本集φ*归入到第1类辐射源,簇划分为此时计算的聚类性能度量指标为DBI1、DBI2、DBI3、…、DBIK的计算也是通过公式只是由于簇的划分不同,导致结果不同,在此不做赘述,其中,K为簇的个数,avg()表示平均值函数;avg(Ci)为簇Ci内样本间的平均距离,avg(Cj)为簇Cj内样本间的平均距离,dcen(Ci,Cj)簇Ci的中心样本与簇Cj的中心样本的距离且xm为簇Ci的中心样本,xn为簇Cj的中心样本。
接着进入在线识别阶段,在线状态是指实时计算,输入数据是实时化的,且输入数据是在计算前未知的,本发明计算待识别目标信号样本过程中,用到的数据是目标信号样本,是实时变化的,所以采用实时计算。在在线状态下,对截获的待识别目标信号样本计算合群因子η,具体过程为:在在线状态下,对截获的待识别目标信号样本,将其归入到第1类辐射源,计算此时聚类性能度量指标DBI1’;
依次将待识别目标信号样本归入到第2类、第3类、…、第K类辐射源,分别计算此时的聚类性能指标DBI2’,DBI3’,…,DBIK’;
将待识别信号目标样本单独归为一类,记为第K+1类,计算此时的聚类性能指标DBI(K+1)’;
通过公式η=DBI(K+1)'/min DBI1',DBI2',...,DBI(K+1)')获取合群因子η。其中聚类性能度量指标的计算方法与上述离线状态下聚类性能度量指标的计算方法相同,在此不做赘述。
为了提高识别的准确性,所述截获的待识别目标信号样本数目等于随机抽取信号样本的数目Q,且数据库中每类已标记辐射源个体信号样本的个数大于Q,这里的大于指的是数据库中每类已标记辐射源个体信号样本的个数是Q的100倍,1000倍或者10000倍,主要是为了识别的准确率,保证数据库中每类已标记辐射源个体信号样本的个数足够多。
获取截获的待识别目标信号样本的合群因子η以后,判断待识别目标信号样本是否为新的辐射源个体,具体判断标准为:若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
以下通过仿真实例给出本发明与传统方法的性能比较,用于辐射源个体识别的个体特征包括信号包络特征、频域特征、调制特征和变换域特征等。本发明实施例采集10部同型雷达辐射源发射的信号,提取信号的脉冲上升沿包络和瞬时频率,作为验证算法的样本数据。选取其中5部雷达辐射源作为已知辐射源个体,剩余5部雷达辐射源作为新辐射源个体。从已知辐射源个体样本数据中选取部分作为已标记样本,用于离线学习距离度量矩阵和合群阈值;已知辐射源个体剩余的样本和新辐射源个体的所有样本作为测试样本,用于测试算法性能。在算法测试阶段,重复试验500次,每次试验从10部雷达中随机抽取1部,在该雷达的测试样本中随机抽取M个样本,作为待识别样本,用算法识别出这M个样本是来自新辐射源个体还是来自已知辐射源个体。
为了便于评估新个体识别算法性能,本发明实施例作如下定义:用TP表示正确识别出新辐射源个体的次数,FP表示把已知辐射源个体识别为新辐射源个体的次数,TN表示正确识别出已知辐射源个体的次数,FN表示把新辐射源个体识别为已知辐射源个体的次数,定义查全率=TP/(TP+FN),查准率=TP/(TP+FP),假正率=FP/(FP+TN)。
图4给出其中2部雷达信号瞬时频率特征样本数据,横轴为采样点,纵轴为瞬时频率,可以看出不同雷达的瞬时频率特征样本互相交叠在一起,直接使用某种距离描述并不能满足“属于同一类的样本间的距离较小,不同类的样本间的距离较大”。所以传统方法认为在数据集中发现行为异常的数据对象,异常数据与正常数据相比具有显著的差异,在特征空间中是强分离的是不合理的,因为数据交叠在一起,明显不是强分离的,所以用传统方法进行新辐射源个体的识别很容易出现误报。
图5和图6表示当待识别样本数M=50时,本发明方法识别新个体的查全率(图5所示)和查准率(图6所示)随合群阈值调节因子α的变化情况。从图5中可以看出,本发明方法的查全率随着合群阈值的增加而提高,而从图6中可以看出,查准率随着合群阈值的增加而降低,说明增加合群阈值在提高查全率的同时也会提高误报率,所以本发明根据实际情况选择调节因子α,以使查全率高的同时保证查准率。传统无度量学习方法,没有进行度量学习,直接用欧式距离计算合群因子,没有设计调节因子,也没有设计合群阈值,很容易因为合群因子较高而影响查准率,从而提高误报率,因此,本发明的方法查全率和查准率更高。
为了更合理的表征算法性能,图7给出当待识别样本数M=50时本发明方法的ROC曲线,横轴是假正率FP/(FP+TN),纵轴是查全率TP/(TP+FN)。ROC曲线下的面积越大,说明算法对雷达新辐射源个体的识别性能越好。从图中可以看出,本发明方法的ROC曲线下的面积相比传统方法ROC曲线下的面积较大,所以本发明的方法对雷达新辐射源个体的识别性能要优于传统无度量学习方法。
图8表示在不同待识别样本数情况下,本发明方法的ROC曲线与传统方法ROC曲线的对比图。可以看出,选取M=20、M=50以及M=100三种情况下的ROC曲线,本发明方法在M=100的ROC曲线下的面积大于M=50的ROC曲线下的面积,M=50的ROC曲线下的面积大于M=20的ROC曲线下的面积,说明本发明的识别方法对雷达新辐射源个体的识别性能,随着待识别样本数的增加而提高,说明在对雷达新辐射源个体进行识别时,要尽可能多的采集信号样本。而对于传统方法,M=100的ROC曲线下的面积、M=50的ROC曲线下的面积、M=20的ROC曲线下的面积区别不是很大,说明采用传统方法进行辐射源个体识别时,待识别样本数的增加并没有明显提高其识别性能。
本发明提供一种对雷达新辐射源个体的识别方法及装置,先在离线状态下获得合群阈值,再在在线状态下计算待识别目标信号样本的合群因子,将合群因子与合群阈值进行比较,从而判断出待识别目标信号样本是否是新的辐射源个体,不会将新的辐射源个体识别为已知个体类别中的一类,提高个体识别的正确率,识别性能优于传统方法。
实施例2
与本发明实施例1相对应,本发明实施例2还提供一种对雷达新辐射源个体的识别装置,所述装置包括:
距离度量矩阵获取模块,用于在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;
合群阈值获取模块,用于在离线状态下,计算合群阈值λ;
判定模块,用于在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
具体的,所述距离度量矩阵获取模块具体用于:
具体的,所述合群阈值获取模块具体用于:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
将待识别信号样本单独归为一类,定义为第K+1类,此时簇划分为计算此时的聚类性能指标DBIK+1;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
具体的,所述重复上述步骤T次,T=10K。
具体的,所述合群阈值获取模块还用于:
通过获取聚类性能度量指标DBI,其中,K为簇的个数,avg()表示平均值函数;avg(Ci)为簇Ci内样本间的平均距离,avg(Cj)为簇Cj内样本间的平均距离,dcen(Ci,Cj)簇Ci的中心样本与簇Cj的中心样本的距离且xm为簇Ci的中心样本,xn为簇Cj的中心样本。
具体的,所述判定模块具体用于:在在线状态下,对截获的待识别目标信号样本,将其归入到第1类辐射源,计算此时聚类性能度量指标DBI1’;
依次将待识别目标信号样本归入到第2类、第3类、…、第K类辐射源,分别计算此时的聚类性能指标DBI2’,DBI3’,…,DBIK’;
将待识别信号目标样本单独归为一类,记为第K+1类,计算此时的聚类性能指标DBI(K+1)’;
通过公式η=DBI(K+1)'/min DBI1',DBI2',...,DBI(K+1)')获取合群因子η。
具体的,所述截获的待识别目标信号样本数目等于随机抽取信号样本的数目Q,且数据库中每类已标记辐射源个体信号样本的个数大于Q。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种对雷达新辐射源个体的识别方法,其特征在于,所述方法包括:
在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;
在离线状态下,计算合群阈值λ;
在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
2.根据权利要求1所述的一种对雷达新辐射源个体的识别方法,其特征在于,所述利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P包括:
3.根据权利要求2所述的一种对雷达新辐射源个体的识别方法,其特征在于,所述在离线状态下,计算合群阈值λ包括:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
5.根据权利要求4所述的一种对雷达新辐射源个体的识别方法,其特征在于,所述在在线状态下,对截获的待识别目标信号样本计算合群因子η,包括:在在线状态下,对截获的待识别目标信号样本,将其归入到第1类辐射源,计算此时聚类性能度量指标DBI1’;
依次将待识别目标信号样本归入到第2类、第3类、…、第K类辐射源,分别计算此时的聚类性能指标DBI2’,DBI3’,…,DBIK’;
将待识别信号目标样本单独归为一类,记为第K+1类,计算此时的聚类性能指标DBI(K+1)’;
通过公式η=DBI(K+1)'/minDBI1',DBI2',...,DBI(K+1)')获取合群因子η。
6.根据权利要求5所述的一种对雷达新辐射源个体的识别方法,其特征在于,所述截获的待识别目标信号样本数目等于随机抽取信号样本的数目Q,且数据库中每类已标记辐射源个体信号样本的个数大于Q。
7.一种对雷达新辐射源个体的识别装置,其特征在于,所述装置包括:
距离度量矩阵获取模块,用于在离线状态下,利用近邻成分分析算法,对数据库中已标记的辐射源信号样本进行度量学习,学习到距离度量矩阵P;
合群阈值获取模块,用于在离线状态下,计算合群阈值λ;
判定模块,用于在在线状态下,对截获的待识别目标信号样本计算合群因子η,若合群因子η小于合群阈值λ,则判定待识别目标信号样本来自某个新的辐射源个体;否则,判定待识别目标信号样本来自于已标记的辐射源信号样本中的一个。
9.根据权利要求8所述的一种对雷达新辐射源个体的识别装置,其特征在于,所述合群阈值获取模块具体用于:数据库中的已标记辐射源个体信号样本分为K类,其簇划分为Φ={φ1,φ2,...,φK},随机选择某一簇φi,从簇φi中随机抽取Q个信号样本,将其作为待识别信号样本集φ*;
将待识别信号样本集φ*归入到第1类辐射源,此时簇划分为其中为待识别信号样本集φ*在簇φi中的补集,φ1Uφ*为待识别信号样本集φ*与簇φ1的并集;计算在该簇划分下的聚类性能度量指标DBI,记为DBI1;
依次将待识别信号样本归入到第2类、第3类、…、第K类辐射源,重复上述步骤,计算各簇划分下的聚类性能度量指标DBI,分别记为DBI2,DBI3,…,DBIK;
通过公式λj=DBIK+1/min(DBI1,DBI2,...,DBIK+1)获取阈值λj;
重复上述步骤T次,记下每次的阈值,阈值集合为Λ={λ1,λ2,...,λj,...,λT};
通过公式λ=min(Λ)+α(max(Λ)-min(Λ))获取合群阈值λ,其中α为合群阈值调节因子,且0≤α≤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910956655.9A CN110717540B (zh) | 2019-10-10 | 2019-10-10 | 一种对雷达新辐射源个体的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910956655.9A CN110717540B (zh) | 2019-10-10 | 2019-10-10 | 一种对雷达新辐射源个体的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717540A true CN110717540A (zh) | 2020-01-21 |
CN110717540B CN110717540B (zh) | 2023-11-03 |
Family
ID=69212421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910956655.9A Active CN110717540B (zh) | 2019-10-10 | 2019-10-10 | 一种对雷达新辐射源个体的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717540B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN113011346A (zh) * | 2021-03-19 | 2021-06-22 | 电子科技大学 | 一种基于度量学习的辐射源未知信号识别方法 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN114821073A (zh) * | 2022-06-28 | 2022-07-29 | 聊城市誉林工业设计有限公司 | 一种便携智能开壳机的状态识别方法、设备 |
CN115166678A (zh) * | 2022-09-06 | 2022-10-11 | 中国人民解放军海军工程大学 | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
JP2019070566A (ja) * | 2017-10-06 | 2019-05-09 | 日本無線株式会社 | レーダ信号処理装置およびレーダ信号処理プログラム |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
-
2019
- 2019-10-10 CN CN201910956655.9A patent/CN110717540B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN105930859A (zh) * | 2016-04-12 | 2016-09-07 | 西安电子科技大学 | 基于线性流形聚类的雷达信号分选方法 |
JP2019070566A (ja) * | 2017-10-06 | 2019-05-09 | 日本無線株式会社 | レーダ信号処理装置およびレーダ信号処理プログラム |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
Non-Patent Citations (2)
Title |
---|
李蒙;朱卫纲;: "数据库样本缺失下的雷达辐射源识别" * |
许磊;颜振亚;陈新年;邬诚;方杰;: "基于智能算法的辐射源信号分选研究" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN114692665B (zh) * | 2020-12-25 | 2024-05-24 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN113011346A (zh) * | 2021-03-19 | 2021-06-22 | 电子科技大学 | 一种基于度量学习的辐射源未知信号识别方法 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN114821073A (zh) * | 2022-06-28 | 2022-07-29 | 聊城市誉林工业设计有限公司 | 一种便携智能开壳机的状态识别方法、设备 |
CN115166678A (zh) * | 2022-09-06 | 2022-10-11 | 中国人民解放军海军工程大学 | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 |
CN115166678B (zh) * | 2022-09-06 | 2022-12-20 | 中国人民解放军海军工程大学 | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110717540B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717540A (zh) | 一种对雷达新辐射源个体的识别方法及装置 | |
CN111181939A (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN108171976B (zh) | 基于在途数据的车辆用途识别方法 | |
CN107145778B (zh) | 一种入侵检测方法及装置 | |
CN107798351B (zh) | 一种基于深度学习神经网络的身份识别方法和系统 | |
CN113537321A (zh) | 一种基于孤立森林和x均值的网络流量异常检测方法 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
Liu et al. | Zero-bias deep-learning-enabled quickest abnormal event detection in IoT | |
Hou et al. | Sound event detection with sequentially labelled data based on connectionist temporal classification and unsupervised clustering | |
CN116975672B (zh) | 一种煤矿皮带输送电机温度监测方法及系统 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
CN112836731A (zh) | 基于决策树准确率和相关性度量的信号随机森林分类方法、系统及装置 | |
CN117349786A (zh) | 基于数据均衡的证据融合变压器故障诊断方法 | |
CN116578913A (zh) | 一种面向复杂电磁环境的可靠无人机检测识别方法 | |
Zhao et al. | A hierarchical framework for drone identification based on radio frequency machine learning | |
KR100581673B1 (ko) | 데이터 분류방법 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
Jazizadeh et al. | Self-configuring event detection for electricity disaggregation | |
KR102266950B1 (ko) | 데이터 불균형 해결을 위한 언더샘플링 기반 앙상블 방법 | |
Fujita et al. | Objection!: Identifying misclassified malicious activities with xai | |
CN114088400A (zh) | 一种基于包络排列熵的滚动轴承故障诊断方法 | |
Ugrenovic et al. | Designing out-of-distribution data detection using anomaly detectors: Single model vs. ensemble | |
CN113313138A (zh) | 基于概率生成模型的入侵行为特征转换方法、检测方法 | |
CN105095689A (zh) | 一种基于韦恩预测的电子鼻数据挖掘方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |