CN110717540B - 一种对雷达新辐射源个体的识别方法及装置 - Google Patents

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

一种对雷达新辐射源个体的识别方法及装置

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：

利用公式获取样本x_i和样本x_j间的马氏距离，其中，W是正定对称矩阵，且W＝PP^T，P是距离度量矩阵，()^T是矩阵的转置；

利用公式获取样本x_j对样本x_i分类结果影响的概率p_ij，其中，exp()是以e为底的指数函数，/>是样本x_i和样本x_j间的马氏距离，x_l是除样本x_i以外的其他样本；

采用随机梯度下降法求解公式解得距离度量矩阵P，其中，Ω_i表示与样本x_i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。

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,...,φ_K}，随机选择某一簇φ_i，从簇φ_i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φ_i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，…，DBI_K；

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DBI_K+1；

通过公式λ_j＝DBI_K+1/min(DBI₁,DBI₂,...,DBI_K+1)获取阈值λ_j；

重复上述步骤T次，记下每次的阈值，阈值集合为Λ＝{λ₁,λ₂,...,λ_j,...,λ_T}；

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(C_i)为簇C_i内样本间的平均距离，avg(C_j)为簇C_j内样本间的平均距离，d_cen(C_i,C_j)簇C_i的中心样本与簇C_j的中心样本的距离且/>x_m为簇C_i的中心样本，x_n为簇C_j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DBI_1’；

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DBI_2’，DBI_3’，…，DBI_K’；

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)'/minDBI_1',DBI_2',...,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：

利用公式获取样本x_i和样本x_j间的马氏距离，其中，W是正定对称矩阵，且W＝PP^T，P是距离度量矩阵，()^T是矩阵的转置；

利用公式获取样本x_j对样本x_i分类结果影响的概率p_ij，其中，exp()是以e为底的指数函数，/>是样本x_i和样本x_j间的马氏距离，x_l是除样本x_i以外的其他样本；

采用随机梯度下降法求解公式解得距离度量矩阵P，其中，Ω_i表示与样本x_i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。

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,...,φ_K}，随机选择某一簇φ_i，从簇φ_i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φ_i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，…，DBI_K；

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DBI_K+1；

通过公式λ_j＝DBI_K+1/min(DBI₁,DBI₂,...,DBI_K+1)获取阈值λ_j；

重复上述步骤T次，记下每次的阈值，阈值集合为Λ＝{λ₁,λ₂,...,λ_j,...,λ_T}；

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(C_i)为簇C_i内样本间的平均距离，avg(C_j)为簇C_j内样本间的平均距离，d_cen(C_i,C_j)簇C_i的中心样本与簇C_j的中心样本的距离且/>x_m为簇C_i的中心样本，x_n为簇C_j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DBI_1’；

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DBI_2’，DBI_3’，…，DBI_K’；

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)'/minDBI_1',DBI_2',...,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x_i和样本x_j间的马氏距离，其中，W是正定对称矩阵，且W＝PP^T，P是距离度量矩阵，()^T是矩阵的转置；

利用公式获取样本x_j对样本x_i分类结果影响的概率p_ij，其中，exp()是以e为底的指数函数，/>是样本x_i和样本x_j间的马氏距离，x_l是除样本x_i以外的其他样本；

采用随机梯度下降法求解公式解得距离度量矩阵P，其中，Ω_i表示与样本x_i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。

需要注意的是， 是欧氏距离符号，/>是P^Tx_i和P^Tx_j的欧式距离；特征空间中样本x_i和x_j间的距离表示为/>

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,...,φ_K}，随机选择某一簇φ_i，从簇φ_i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φ_i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，…，DBI_K；

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DBI_K+1；

通过公式λ_j＝DBI_K+1/min(DBI₁,DBI₂,...,DBI_K+1)获取阈值λ_j；

重复上述步骤T次，记下每次的阈值，阈值集合为Λ＝{λ₁,λ₂,...,λ_j,...,λ_T}；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、…、DBI_K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(C_i)为簇C_i内样本间的平均距离，avg(C_j)为簇C_j内样本间的平均距离，d_cen(C_i,C_j)簇C_i的中心样本与簇C_j的中心样本的距离且x_m为簇C_i的中心样本，x_n为簇C_j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DBI_1’；

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DBI_2’，DBI_3’，…，DBI_K’；

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 DBI_1',DBI_2',...,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：

利用公式获取样本x_i和样本x_j间的马氏距离，其中，W是正定对称矩阵，且W＝PP^T，P是距离度量矩阵，()^T是矩阵的转置；

利用公式获取样本x_j对样本x_i分类结果影响的概率p_ij，其中，exp()是以e为底的指数函数，/>是样本x_i和样本x_j间的马氏距离，x_l是除样本x_i以外的其他样本；

采用随机梯度下降法求解公式解得距离度量矩阵P，其中，Ω_i表示与样本x_i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。

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,...,φ_K}，随机选择某一簇φ_i，从簇φ_i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φ_i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，…，DBI_K；

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DBI_K+1；

通过公式λ_j＝DBI_K+1/min(DBI₁,DBI₂,...,DBI_K+1)获取阈值λ_j；

重复上述步骤T次，记下每次的阈值，阈值集合为Λ＝{λ₁,λ₂,...,λ_j,...,λ_T}；

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(C_i)为簇C_i内样本间的平均距离，avg(C_j)为簇C_j内样本间的平均距离，d_cen(C_i,C_j)簇C_i的中心样本与簇C_j的中心样本的距离且/>x_m为簇C_i的中心样本，x_n为簇C_j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DBI_1’；

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DBI_2’，DBI_3’，…，DBI_K’；

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 DBI_1',DBI_2',...,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 (6)

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；具体过程包括：利用公式/>获取样本/>和样本/>间的马氏距离，其中，/>是正定对称矩阵，且/>，/>是距离度量矩阵，/>是矩阵的转置；

利用公式获取样本/>对样本/>分类结果影响的概率/>，其中，/>是以e为底的指数函数，/>是样本/>和样本/>间的马氏距离， />是除样本/>以外的其他样本；

采用随机梯度下降法求解公式，解得距离度量矩阵/>，其中，/>表示与样本/>属于同类别的样本的下标集合；/>为样本的总数量；/>是求和符号；用距离度量矩阵/>将样本变换到特征空间；

在离线状态下，计算合群阈值；具体过程包括：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/>，随机选择某一簇/>，从簇/>中随机抽取/>个信号样本，将其作为待识别信号样本集/>；

将待识别信号样本集归入到第1类辐射源，此时簇划分为/>，其中/>为待识别信号样本集/>在簇/>中的补集，/>为待识别信号样本集/>与簇/>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，…，DBI_K；

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DBI_K+1；

通过公式获取阈值/>；

重复上述步骤次，记下每次的阈值，阈值集合为/>；

通过公式获取合群阈值/>，其中/>为合群阈值调节因子，且/>；

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，若合群因子/>小于合群阈值/>，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，所述在离线状态下，计算合群阈值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，/>为簇的个数，/>表示平均值函数；/>为簇/>内样本间的平均距离，/>为簇/>内样本间的平均距离，/>簇/>的中心样本与簇/>的中心样本的距离且/>，为簇/>的中心样本，/>为簇/>的中心样本。

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，所述在在线状态下，对截获的待识别目标信号样本计算合群因子，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DBI_1’；

依次将待识别目标信号样本归入到第2类、第3类、…、第类辐射源，分别计算此时的聚类性能指标DBI_2’，DBI_3’，…，DBI_K’；

将待识别信号目标样本单独归为一类，记为第+1类，计算此时的聚类性能指标DBI_（K+1)’；

通过公式获取合群因子/>。

4.根据权利要求3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，且数据库中每类已标记辐射源个体信号样本的个数大于/>。

5.一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；具体用于：利用公式获取样本/>和样本/>间的马氏距离，其中，/>是正定对称矩阵，且/>，/>是距离度量矩阵，/>是矩阵的转置；

利用公式获取样本/>对样本/>分类结果影响的概率/>，其中，/>是以e为底的指数函数，/>是样本/>和样本/>间的马氏距离， />是除样本/>以外的其他样本；

采用随机梯度下降法求解公式，解得距离度量矩阵/>，其中，/>表示与样本/>属于同类别的样本的下标集合；/>为样本的总数量；/>是求和符号；用距离度量矩阵/>将样本变换到特征空间；

合群阈值获取模块，用于在离线状态下，计算合群阈值；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/>，随机选择某一簇/>，从簇/>中随机抽取/>个信号样本，将其作为待识别信号样本集/>；

将待识别信号样本集归入到第1类辐射源，此时簇划分为/>，其中/>为待识别信号样本集/>在簇/>中的补集，/>为待识别信号样本集/>与簇/>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，…，DBI_K；

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DBI_K+1；

通过公式获取阈值/>；

重复上述步骤次，记下每次的阈值，阈值集合为/>；

通过公式获取合群阈值/>，其中/>为合群阈值调节因子，且/>；

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，若合群因子/>小于合群阈值/>，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。

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装置，其特征在于，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，/>为簇的个数，/>表示平均值函数；/>为簇/>内样本间的平均距离，/>为簇/>内样本间的平均距离，/>簇/>的中心样本与簇/>的中心样本的距离且/>，为簇/>的中心样本，/>为簇/>的中心样本。