CN110988803A - 一种高置信度动态调整的雷达辐射源个体识别系统 - Google Patents

Abstract

本发明公开了一种高置信度动态调整的雷达辐射源个体识别系统，包括输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、智能寻优模块以及雷达辐射源信号个体识别极限梯度提升识别模块、在线校正模块。本发明克服了目前已有的传统的雷达辐射源识别方法识别精度低，鲁棒性差，识别时间长，无法投入实际应用的不足，具有识别精度高，鲁棒性强，识别速度快，适合于实际在线应用等特点。

Description

一种高置信度动态调整的雷达辐射源个体识别系统

技术领域

本发明涉及电子对抗中雷达辐射源的识别领域，尤其涉及一种高置信度动态调整的雷达辐射源个体识别系统。

背景技术

雷达辐射源识别技术是电子战领域的重要研究内容，其技术水平对整个雷达对策系统的发展起着至关重要的作用。雷达辐射源个体识别是指在通过特殊接收器截取目标辐射源信号，提取特征参数和技术系统，然后识别雷达辐射源的类型的基础上，对这些信号进行检测和分析。随着现代雷达的飞速发展，电磁环境变得越来越复杂和高度交错，并且信号强度很高，每秒达到数百万个脉冲。“高度复杂”的电磁环境给有效识别雷达辐射源个体识别带来了许多困难。

特征提取和分类识别是雷达辐射源识别技术的两个关键处理环节，已逐渐成为两个重要的研究领域。特征提取主要包括常规特征提取和脉冲内特征提取。当前的分类识别方法包括特征匹配，脉冲内分析，数据融合和神经网络方法。为了获得最佳的识别性能，获得最佳的特征提取器和最佳的参数分类器是一个挑战。上述方法存在以下的缺点。一方面，由于已有算法的大多依赖选取特征，导致算法识别准确率低。另一方面，由于“高度复杂”的电磁环境存在，伴随着数据维度的不断升高，上述算法的识别时间将大幅升高并且复杂环境的存在，容易导致模型失配。以上问题导致传统的雷达辐射源识别方法识别精度低，鲁棒性差，识别时间长，无法投入实际应用。

发明内容

为了克服目前已有的雷达辐射源识别方法识别精度低、鲁棒性差、识别时间长、无法投入实际应用的不足，本发明的目的在于提供高置信度动态调整的雷达辐射源个体识别系统，具有识别快速、准确度高、鲁棒性强、适合在线实际应用的优点。

本发明的目的是通过以下技术方案来实现的：一种高置信度动态调整的雷达辐射源个体识别系统，包括输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升(eXtreme Gradient Boosting，XGBoost)建模模块、智能寻优模块以及雷达辐射源信号个体识别极限梯度提升(eXtreme Gradient Boosting，XGBoost)识别模块、在线校正模块、雷达辐射源信号数据库。一种高置信度动态调整的雷达辐射源个体识别系统以及输出显示模块依次相连，所述雷达辐射源信号数据库用以存放历史收集的所有雷达信号，从而为模型建立提供数据基础，同时该模块会更新所有新采集的雷达辐射源信号，完善数据库内容，从而为模型的实时更新提供基础

进一步地，输入数据预处理模块用以进行雷达辐射源数据预处理，采用如下过程完成：

1)从数据库中采集n个雷达辐射源信号H＝(h₁,h₂,…,h_n)。对该特征做如下处理得到归一化特征

其中h_min为h_i的最小值，h_max为h_i的最大值：

进一步地，所述雷达辐射源信号个体识别XGBoost建模模块，根据雷达辐射源信号数据库中已有历史的雷达辐射源信号，建立雷达辐射源信号建模模型。

1)从数据库中提取n_s个雷达辐射源信号及其所对应的雷达个体标签Y_s作为训练集，提取n_v个雷达辐射源信号X_v及其所对应的雷达个体标签Y_v作为测试集；

2)采用训练集进行监督训练，得到基于XGBoost的雷达辐射源信号个体识别建模模型：

Y＝f(H) (2)

其中Y＝[y_i,y_i,…,y_n-1-(m-1)τ]为雷达辐射源个体标签，H＝[x₁,x₂,..,x_n-1-(m-1)τ]为输入雷达信号，f是XGBoost雷达辐射源建模模型。

进一步地，所述智能寻优模块，用以对XGBoost的重要参数：学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成：

1)对于学习率和树结构模型的基础参数采用网格搜索方法：

learning_rate＝0.05～0.3,stride＝0.05

max_depth＝2～7,stride＝1

即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优。其中learning_rate学习率以步长stride₁＝0.05在0.05～0.3范围内进行搜索；max_depth最大树深度以步长stride₂＝1在2～7范围内进行搜索。

2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。

2.1)随机产生第1代初始粒子即初始解的速度和位置；

v_ik＝U×(v_max-v_min)+v_minv_min≤v≤v_max (3)

r_ik＝U×(r_max-r_min)+r_minr_min≤r≤r_max (4)

其中i＝1,2,…,m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik表示第i个粒子的第k个分量的位置，U为[0,1]间均匀分布的随机数

2.2)计算第i个粒子的适应度f_i·。并将当前各粒子的位置和适应度存储在各粒子的P_i中，选取种群中适应值最优粒子的位置和适应值存储于种群最优值P_g

其中

分别代表真实值、计算值即预测值。

2.3)更新惯性权重系数μ(t)：

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t_max＝150为最大迭代次数。

2.4)设定初始温度；一般采用初温T为:

其中f(P_g)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数t_max＝150。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

2.5)计算各粒子接收概率。加入模拟退火算法的机制，采用如下公式计算各P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为粒子位置在P_i时的粒子群优化算法适应度值；f(P_g)为粒子群最优适应度值。

2.6)更新粒子的速度和位置，产生新的群体，并更新各粒子的个体极值P_i和种群极值P_g；

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，D是待寻优的参数个数，k＝1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；

2.7)进行退温处理；

T＝δT (11)

其中δ为退火速度，设置为0.95。

2.8)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2.2)继续迭代；

其中，粒子群规模为50－100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；

重复以上步骤，将得到最优参数代入雷达辐射源信号模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优模型。

进一步地，雷达辐射源信号个体识别XGBoost识别模块利用训练好的最优雷达辐射源信号个体识别模型对新采集的雷达辐射源信号数据进行实时个体识别。采用如下过程完成：

1)对新采集的雷达辐射源数据h^new进行归一化处理得到

2)利用改进寻优模块优化后的最优识别模型对雷达辐射源信号数据进行识别：

其中y_opt为优化后的最优模型，

为识别的雷达型号。

进一步地，在线校正模块对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据，而雷达辐射源工作环境复杂，如果新采集的雷达信号与数据库中的数据偏离较大，那模型对该数据的识别准确度就会大幅下降，即模型失配，因此为了提高模型的鲁棒性和对新环境的适应性，引入在线校正模块，从而进一步提高对雷达辐射源识别的准确度，最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成：

1)由时刻τ采集的雷达辐射源信号，其真实值可能在未来的τ+n时刻得到，由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集；

2)利用智能寻优模块重新在线优化模型参数，得到新的最优雷达个体识别模型，以解决复杂电磁环境下的模型失配问题，进一步提高模型识别准确度。

进一步地，显示模块将雷达辐射源信号个体识别XGBoost识别模块获得的雷达型号通过显示屏进行输出显示。

本发明的技术构思为：本发明使用XGBoost算法由雷达辐射源信号数据库建立雷达辐射源信号识别模型，对实时采集的雷达辐射源数据进行个体识别，引入了改进的智能寻优方法得到了更好的优化效果，同时对模型进行在线校正提高适应性，从而建立一种高置信度动态调整的雷达辐射源个体识别系统。

本发明的有益效果主要表现在：1、使用XGBoost算法建立了雷达辐射源个体识别模型，可以实时对采集的雷达辐射源数据进行处理以自动识别当前雷达辐射源个体，识别速度快；2、参数通过改进的智能寻优算法进行自动寻优，寻优效果好、识别准确度高；3、实时对模型进行在线校正，使得识别模型在复杂电磁环境下能够自适应，模型鲁棒性强、适应度高，同时提高了个体识别的准确度，适合在线实际应用。

附图说明

图1为一种高置信度动态调整的雷达个体识别系统的整体架构图；

图2为一种高置信度动态调整的雷达个体识别系统的功能模块图；

图3为一种高置信度动态调整的雷达个体识别系统的智能寻优模块算法流程图；

图4为一种高置信度动态调整的雷达个体识别系统的在线校正模块算法流程图。

具体实施方式

下面根据附图和实施例进一步说明本发明：

参考图1～图4，一种高置信度动态调整的雷达个体识别系统的整体架构图，涉及雷达辐射源信号数据库1、一种高置信度动态调整的雷达个体识别系统2、显示模块3依次相连，所述一种高置信度动态调整的雷达个体识别系统2包括输入数据预处理模块4、雷达辐射源信号个体识别XGBoost建模模块5、智能寻优模块6、雷达辐射源信号个体识别XGBoost识别模块7、在线校正模块8。所述雷达辐射源信号数据库1中包含雷达辐射源信号数据为一种高置信度动态调整的雷达个体识别系统2提供数据支持，一种高置信度动态调整的雷达个体识别系统2识别得到的结果将通过结果显示模块3输出显示。

数据预处理模块4用以进行雷达辐射源数据预处理，采用如下过程完成：

1)从雷达辐射源信号数据库1中采集n个雷达辐射源信号H＝(h₁,h₂,…,h_n)。对该特征做如下处理得到归一化特征

其中h_min为h_i的最小值，h_max为h_i的最大值：

所述雷达辐射源信号个体识别XGBoost建模模块5，根据雷达辐射源信号数据库1中已有历史的雷达辐射源信号，建立雷达辐射源信号个体识别模型。

1)从雷达辐射源信号数据库1中提取n_s个雷达辐射源信号及其所对应的雷达个体标签Y_s作为训练集，提取n_v个雷达辐射源信号X_v及其所对应的雷达个体标签Y_v作为测试集；

2)采用训练集进行监督训练，得到基于XGBoost的雷达辐射源信号个体识别模型：

Y＝f(H) (2)

其中Y＝[y_i,y_i,…,y_n-1-(m-1)τ]为雷达辐射源个体标签，H＝[x₁,x₂,..,x_n-1-(m-1)τ]为输入雷达信号，f是XGBoost雷达辐射源建模模型。

所述智能寻优模块6，用以对XGBoost的重要参数：学习率learning_rate,最大树深度max_depth,最小叶子节点样本权重和min_child_weight,节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成：

1)对于学习率和树结构模型的基础参数采用网格搜索方法：

learning_rate＝0.05～0.3,stride＝0.05

max_depth＝2～7,stride＝1

即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优。其中learning_tate学习率以步长stride₁＝0.05在0.05～0.3范围内进行搜索；max_depth最大树深度以步长stride₂＝1在2～7范围内进行搜索。

2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。

2.1)随机产生第1代初始粒子即初始解的速度和位置；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (3)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (4)

其中i＝1,2,…,m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik表示第i个粒子的第k个分量的位置，U为[0,1]间均匀分布的随机数

2.2)计算第i个粒子的适应度f_i·。并将当前各粒子的位置和适应度存储在各粒子的P_i中，选取种群中适应值最优粒子的位置和适应值存储于种群最优值P_g

其中

分别代表真实值、计算值即预测值。

2.3)更新惯性权重系数μ(t)：

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t_max＝150为最大迭代次数。

2.4)设定初始温度；一般采用初温T为:

其中f(P_g)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数t_max＝150。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

2.5)计算各粒子接收概率。加入模拟退火算法的机制，采用如下公式计算各P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为粒子位置在P_i时的粒子群优化算法适应度值；f(P_g)为粒子群最优适应度值。

2.6)更新粒子的速度和位置，产生新的群体，并更新各粒子的个体极值P_i和种群极值P_g；

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，D是待寻优的参数个数，k＝1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；

2.7)进行退温处理；

T＝δT (11)

其中δ为退火速度，设置为0.95。

2.8)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2.2)继续迭代；

其中，粒子群规模为50－100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；

重复以上步骤，将得到最优参数代入雷达辐射源信号模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优模型。

雷达辐射源信号个体识别XGBoost识别模块7利用训练好的最优雷达辐射源信号个体识别模型对新采集的雷达辐射源信号数据进行实时个体识别。采用如下过程完成：

1)对新采集的雷达辐射源数据h^new进行归一化处理得到

2)利用改进寻优模块优化后的最优识别模型对雷达辐射源信号数据进行识别：

其中y_opt为优化后的最优模型，

为识别的雷达型号。

进一步地，在线校正模块8对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据，而雷达辐射源工作环境复杂，如果新采集的雷达信号与数据库中的数据偏离较大，那模型对该数据的识别准确度就会大幅下降，即模型失配，因此为了提高模型的鲁棒性和对新环境的适应性，引入在线校正模块，从而进一步提高对雷达辐射源识别的准确度，最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成：

1)由时刻τ采集的雷达辐射源信号，其真实值可能在未来的τ+n时刻得到，由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集；

2)利用智能寻优模块重新在线优化模型参数，得到新的最优雷达个体识别模型，以解决复杂电磁环境下的模型失配问题，进一步提高模型识别准确度。

显示模块3将雷达辐射源信号个体识别XGBoost识别模块7获得的雷达个体通过显示屏进行输出显示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种高置信度动态调整的雷达辐射源个体识别系统，其特征在于：输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、智能寻优模块、雷达辐射源信号个体识别极限梯度提升识别模块、在线校正模块。所述输入数据预处理模块、雷达辐射源信号个体识别极限梯度提升建模模块、雷达辐射源信号个体识别极限梯度提升识别模块依次相连，所述智能寻优模块与雷达辐射源信号个体识别极限梯度提升建模模块相连。

2.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统，其特征在于，所述输入数据预处理模块用以进行辐射源数据预处理，采用如下过程完成：

从数据库中采集n个雷达辐射源信号H＝(h₁，h₂，...，h_n)。对该特征做如下处理得到归一化特征

其中h_min为h_i的最小值，h_max为h_i的最大值：

3.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统，其特征在于，所述雷达辐射源信号个体识别XGBoost建模模块，根据雷达辐射源信号数据库中已有历史的雷达辐射源信号，建立雷达辐射源信号建模模型。

1)从数据库中提取n_s个雷达辐射源信号及其所对应的雷达个体标签Y_s作为训练集，提取n_v个雷达辐射源信号X_v及其所对应的雷达个体标签Y_v作为测试集；

2)采用训练集进行监督训练，得到基于XGBoost的雷达辐射源信号个体识别建模模型：

Y＝f(H) (2)

其中Y＝[y_i，y_i，...，y_n-1-(m-1)τ]为雷达辐射源个体标签，H＝[x₁，x₂，...，x_n-1-(m-1)τ]为输入雷达信号，f是XGBoost雷达辐射源建模模型。

4.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统，其特征在于，所述智能寻优模块，用以对XGBoost的重要参数：学习率learning_rate，最大树深度max_depth，最小叶子节点样本权重和min_child_weight，节点分裂所需的最小损失函数下降值gamma进行优化。采用如下过程完成：

1)对于学习率和树结构模型的基础参数采用网格搜索方法：

learning-rate＝0.05～0.3，stride＝0.05

max_depth＝2～7，stride＝1

即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优。其中learning-rate学习率以步长stride₁＝0.05在0.05～0.3范围内进行搜索；max_depth最大树深度以步长stride₂＝1在2～7范围内进行搜索。

2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。

2.1)随机产生第1代初始粒子即初始解的速度和位置；

v_ik＝U×(v_max-v_min)+v_min v_min≤v≤v_max (3)

r_ik＝U×(r_max-r_min)+r_min r_min≤r≤r_max (4)

其中i＝1，2，...，m，m代表种群规模，v_ik表示第i个粒子的第k个分量的速度，r_ik表示第i个粒子的第k个分量的位置，U为[0，1]间均匀分布的随机数

2.2)计算第i个粒子的适应度f_i·。并将当前各粒子的位置和适应度存储在各粒子的P_i中，选取种群中适应值最优粒子的位置和适应值存储于种群最优值P_g

其中

分别代表真实值、计算值即预测值。

2.3)更新惯性权重系数μ(t)：

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t_max＝150为最大迭代次数。

2.4)设定初始温度；一般采用初温T为：

其中f(P_g)为粒子群最优适应度值判断是否连续五次迭代全局最优解不变或达到最大迭代次数t_max＝150。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

2.5)计算各粒子接收概率。加入模拟退火算法的机制，采用如下公式计算各P_i适配值，即替换种群最优值的概率：

其中，f(P_i)为粒子位置在P_i时的粒子群优化算法适应度值；f(P_g)为粒子群最优适应度值。

2.6)更新粒子的速度和位置，产生新的群体，并更新各粒子的个体极值P_i和种群极值P_g；

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，D是待寻优的参数个数，k＝1，2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；

2.7)进行退温处理；

T＝δT (11)

其中δ为退火速度，设置为0.95。

2.8)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2.2)继续迭代；

其中，粒子群规模为50一100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；

重复以上步骤，将得到最优参数代入雷达辐射源信号模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优模型。

5.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统，其特征在于，所述雷达辐射源信号个体识别XGBoost识别模块，利用训练好的最优雷达辐射源信号个体识别模型对新采集的雷达辐射源信号数据进行实时个体识别。采用如下过程完成：

1)对新采集的雷达辐射源数据hnew进行归一化处理得到

2)利用改进寻优模块优化后的最优识别模型对雷达辐射源信号数据进行识别：

其中y_opt为优化后的最优模型，

为识别的雷达型号。

6.根据权利要求1所述高置信度动态调整的雷达辐射源个体识别系统，其特征在于，所述在线校正模块，对模型进行实时修正。由于当前模型只包含了训练集中涵盖的数据，而雷达辐射源工作环境复杂，如果新采集的雷达信号与数据库中的数据偏离较大，那模型对该数据的识别准确度就会大幅下降，即模型失配，因此为了提高模型的鲁棒性和对新环境的适应性，引入在线校正模块，从而进一步提高对雷达辐射源识别的准确度，最终得到高置信度动态调整的雷达个体识别模型。在线校正策略采用如下过程完成：

1)由时刻τ采集的雷达辐射源信号，其真实值可能在未来的τ+n时刻得到，由此可以判断模型识别的准确性。将识别错误的雷达辐射源信号数据作为“奇异”样本点加入训练集；

2)利用智能寻优模块重新在线优化模型参数，得到新的最优雷达个体识别模型，以解决复杂电磁环境下的模型失配问题，进一步提高模型识别准确度。

Images