CN113449807A - 一种基于可靠性检验的新类别雷达信号创建方法 - Google Patents

Abstract

本发明公开了一种基于可靠性检验的新类别雷达信号创建方法，包括以下步骤：S1、从全部待识别雷达信号样本中区分已有样本和新类别样本，将新类别样本标记为未识别；S2、对未识别样本进行聚类；S3、设计可靠性检验准则，对聚类结果进行筛选；S4、分离出筛选出来的新类别样本，对剩余样本进行二次筛选；S5、利用新类别样本更新识别模型。本发明能够对未识别样本进行更为准确的标注，同时对杂波点具有过滤作用，从而解决了雷达信号识别中新类别的创建问题，为雷达信号识别中的增量学习环节提供了更优质的数据支持。

Description

一种基于可靠性检验的新类别雷达信号创建方法

技术领域

本发明属于雷达信号识别技术领域，特别涉及一种基于可靠性检验的新类别雷达信号创建方法。

背景技术

在现代战争中，雷达电子侦察是获取敌方情报的一种重要手段。雷达电子侦察是利用电子侦察装备截获敌方雷达发出的电磁波信号，并进行识别、分析和定位，为军事行动提供情报支持的一类行动。雷达信号识别是雷达电子侦察的关键环节，只有正确识别出发射雷达信号的辐射源，才能得出有意义的战略情报。

目前，雷达信号识别中广泛运用了监督学习方法。在基于监督学习的雷达信号识别中，由于初始训练集中的信号类别有限，导致待识别样本中可能包含新类别的样本，原有的识别模型无法直接将其识别。因此，首先利用开集识别从全部的待识别样本中区分已有样本和新类别样本，其次利用原识别模型实现对已有样本的识别，同时将来自新类别的样本标记为未识别样本。然后，需要对未识别样本进行标注和筛选，得到新类别样本。最后利用新类别样本通过增量学习方法更新识别模型。为保证识别的时效性，需要为增量学习提供尽可能高质量的新类别样本。然而，由于存在杂波点，并且未识别样本中含有多个类别，使得对未识别样本的标注与筛选存在困难。因此，如何从未识别样本中得到标注更为准确的新类别样本是研究重点。

文献“B.Wu,S.Yuan,P.Li,Z.Jing,S.Huang and Y.Zhao,Radar Emitter SignalRecognition Based on One-Dimensional Convolutional Neural Network withAttention Mechanism.Sensors,vol.20,no.21,Nov 2020.”构建了具有注意力机制的一维卷积神经网络用于雷达信号识别，但所用网络的训练需要大量目标样本，当出现未知的新类别时网络的识别准确度下降，网络泛化能力较差。

文献“S.Dang,Z.Cao,Z.Cui,Y.Pi and N.Liu,Open Set Incremental Learningfor Automatic Target Recognition.IEEE Transactions on Geoscience and RemoteSensing,vol.57,no.7,pp.4445-4456,July 2019.”采用一种开集增量学习方法，用于自动目标识别，该方法能够连续地识别和学习新的未知类。但由于对新类别样本的标注不够准确，所以导致在每次学习后识别模型的精度有所降低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能够对未识别样本进行更为准确的标注，同时对杂波点具有过滤作用，从而解决了雷达信号识别中新类别的创建问题，为雷达信号识别中的增量学习环节提供了更优质的数据支持的基于可靠性检验的新类别雷达信号创建方法。

本发明的目的是通过以下技术方案来实现的：一种基于可靠性检验的新类别雷达信号创建方法，包括以下步骤：

S1、从全部待识别雷达信号样本中区分已有样本和新类别样本，将新类别样本标记为未识别；

S2、对未识别样本进行聚类；

S3、设计可靠性检验准则，对聚类结果进行筛选；

S4、分离出筛选出来的新类别样本，对剩余样本进行二次筛选；

S5、利用新类别样本更新识别模型，剩余样本等待下次聚类。

进一步地，所述步骤S2具体为：

S21、随机选取k个聚类中心；

S22、计算待聚类样本点到各聚类中心点的欧式距离d_j(pdw_i,μ_j)：

其中，j＝1,2,...,k，pdw_i(t)为第i类样本点的脉冲描述字，μ_j(t)为第j类样本的中心点；

根据最小距离原则，将全部样本分配到k个类别中；

S23、根据式(2)重新计算聚类中心：

式中，μ_j(t)为第j个聚类中心点；k为类别数；pdw_jm(t)为第j类样本点的脉冲描述字，n_j为第j类样本点的个数；

S24、每完成一次步骤S22和S23，得到k个聚类中心；重复步骤S22和S23，完成多次迭代，当最后一次迭代得到的k个聚类中心与前一次迭代产生的k个聚类中心相等时，算法结束。

进一步地，所述步骤S3具体为：通过分析未识别样本的分布特性，设计可靠性检验准则，包括数量准则、距离准则以及次数准则，利用数量准则和距离准则对聚类后的样本点进行筛选，将这些样本点分为两类：可靠的样本点和不可靠的样本点。

进一步地，所述步骤S3具体包括以下步骤：

S31、设计数量准则如下：

n_j＞Th_n,j＝1,2,...k (3)

将满足式(3)的类别判定为可靠类别；其中，阈值Th_n应满足：

其中，α为调节系数，取值范围在0～0.5之间；

S32、设计距离准则如下：

d_l＜Th_R,l＝1,2,...n (5)

满足式(5)的样本点被判定为可靠样本点；其中，d_l是第l个样本到其对应类中心的距离，Th_R是设定的有效半径；有效半径的设置应当与样本的空间分布直径呈正相关，与聚类的个数呈负相关：

其中，β为平衡系数，取值范围在0～1之间；

S33、设计次数准则：在每次聚类后，更新第l个样本点参与过的聚类次数T_l，满足如下式(7)的样本点被判定为杂波点，将它们从未识别样本库中删除：

其中，左侧表达式来自艾宾浩斯记忆曲线，γ为记忆衰减参数，N_left为移除新类别后未知样本库中剩余样本点的个数；

S34、利用步骤S31设计的数量准则以及步骤S32设计的距离准则，对聚类后的样本点进行筛选；将同时满足式(3)和式(5)的样本判定为可靠类别，构成新类别样本。

进一步地，所述步骤S4具体包括以下步骤：

S41、取出步骤S3中的可靠样本作为新类别样本；

S42、利用步骤S33设计的次数准则，对步骤S41中的剩余样本进行二次筛选，将满足式(7)的样本点判定为不可靠的样本点，并将它们从剩余的未识别样本库中删除。

本发明的有益效果是：本发明的一种基于可靠性检验的新类别创建方法，利用现有的聚类方法对未识别样本进行标注，结合未识别样本的分布特性，设计可靠性检验准则，包括数量准则、距离准则以及次数准则，对聚类后的样本点进行筛选，得到创建尽可能高质量的新类别样本的方法，具体的：为了从未识别样本中筛选出更高质量的新类别样本，对未识别样本的分布特性进行分析，设计了可靠性检验准则，包括数量准则、距离准则以及次数准则；利用数量准则和距离准则，从聚类后的样本点中筛选属于新类别的样本点，将新类别样本送入原识别模型，利用现有的增量学习方法更新识别模型；利用次数准则，从剩余的聚类样本点中删除多次被判定为不可靠的样本点；本发明能够对未识别样本进行更为准确的标注，同时对杂波点具有过滤作用，从而解决了雷达信号识别中新类别的创建问题，为雷达信号识别中的增量学习环节提供了更优质的数据支持。

附图说明

图1为本发明实施例提供的新类别创建方案流程图；

图2为本发明实施例提供的K-means聚类算法流程图；

图3为本发明实施例提供的基于可靠性检验的聚类流程图；

图4为本发明实施例提供的有无可靠性检验情况下的聚类效果对比图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的一种基于可靠性检验的新类别雷达信号创建方法，包括以下步骤：

S1、从全部待识别雷达信号样本中区分已有样本和新类别样本，将已有样本分入对应的已有类别中，同时将新类别样本标记为未识别；取出未识别样本，随着识别任务的进行，未识别样本数也会增加，等待未识别样本的数量积累到足够多后执行步骤S2，原因在于步骤S2中进行聚类需要大量样本。

S2、对未识别样本进行聚类；对于未识别样本，利用K-means聚类算法，按照样本之间的距离大小，把n个对象分为k个簇，使得簇内相似度高，簇间相似度低；假设簇划分为(C₁,C₂,…,C_k)，则我们的目标是最小化平方误差

其中x表示未识别样本点，

表示向量2-范数，

是簇C_i的均值向量(质心或中心)。

本发明实施例中，采用K-means算法为例，利用载频(RF)、带宽(BW)组成的脉冲描述字pdw_i＝(rf_i,bw_i)作为待聚类样本点，聚类流程如图2所示；具体包括以下步骤：

S21、随机选取k个聚类中心；

S22、计算待聚类样本点到各聚类中心点的欧式距离d_j(pdw_i,μ_j)：

其中，j＝1,2,...,k，pdw_i(t)为第i类样本点的脉冲描述字(包括载频和带宽)，μ_j(t)为第j类样本的中心点(即均值)；这里t＝1,2，pdw_j(1)表示第j类样本点的载频，pdw_j(2)表示第j类样本点的带宽，μ_j(1)表示第j类样本点的载频的均值，μ_j(2)表示第j类样本点的带宽的均值；

根据最小距离原则，将全部样本分配到k个类别中；

S23、根据式(2)重新计算聚类中心：

式中，μ_j(t)为第j个聚类中心点；k为类别数；pdw_jm(t)为第j类样本点的脉冲描述字，n_j为第j类样本点的个数；

S24、每完成一次步骤S22和S23，得到k个聚类中心；重复步骤S22和S23，完成多次迭代，当最后一次迭代得到的k个聚类中心与前一次迭代产生的k个聚类中心相等时，算法结束。通俗地说，就是：随机选择k个点作为初始质心，重复地将每个点指派到最近的质心，形成k个簇，重新计算每个簇的质心，直到质心不发生变化，结束。

S3、设计可靠性检验准则，对聚类结果进行筛选；具体为：通过分析未识别样本的分布特性，设计可靠性检验准则，包括数量准则、距离准则以及次数准则，利用数量准则和距离准则对聚类后的样本点进行筛选，将这些样本点分为两类：可靠的样本点和不可靠的样本点。

具体包括以下步骤：

S31、为了过滤由杂波点组成的类别，将样本数过少的类别均视为不可靠类别，不可靠类别中的样本点均为不可靠样本点，由此设计数量准则如下：

n_j＞Th_n,j＝1,2,...k (3)

将满足式(3)的类别判定为可靠类别；其中，阈值Th_n应满足：

其中，α为调节系数，取值范围在0～0.5之间；未识别样本库中的样本点越多，杂波点聚集的数量就越大，需要增大Th_N来过滤由杂波点组成的类别。在实际情况中，假设在n＝1000时进行聚类，能够得到新类别A；在n＝10000时重新聚类，新增的9000个点有可能都不属于类别A。为避免Th_N随样本数量的积累提升过快，导致新类别样本被判定为不可靠，引入了调节系数α。

S32、将与类中心的距离大于有效半径的样本点标记为不可靠点，可以解决同类样本点间差异过大的问题，由此设计距离准则如下：

d_l＜Th_R,l＝1,2,...n (5)

满足式(5)的样本点被判定为可靠样本点；其中，d_l是第l个样本到其对应类中心的距离，Th_R是设定的有效半径；有效半径的设置应当与样本的空间分布直径呈正相关，与聚类的个数呈负相关：

其中，β为平衡系数，取值范围在0～1之间；

S33、一个来自新类别辐射源的样本，即使在某次聚类中被判定为不可靠点，随着同类样本点的持续出现，也会在后续的聚类中形成新类别。而在多次聚类中被判定为不可靠的样本点，则很可能是杂波点，或者被错误分类的已有样本。由此设计次数准则：在每次聚类后，更新第l个样本点参与过的聚类次数T_l，满足如下式(7)的样本点被判定为杂波点，将它们从未识别样本库中删除：

其中，左侧表达式来自艾宾浩斯记忆曲线，γ为记忆衰减参数，N_left为移除新类别后未知样本库中剩余样本点的个数；

S34、利用步骤S31设计的数量准则以及步骤S32设计的距离准则，对聚类后的样本点进行筛选；将同时满足式(3)和式(5)的样本判定为可靠类别，构成新类别样本。

S4、分离出筛选出来的新类别样本，对剩余样本进行二次筛选；从步骤S3的筛选结果种分离出可靠的样本点构成新类别样本；利用次数准则对步骤S3中的剩余样本进行二次筛选，删除多次被判定为不可靠的样本点。具体包括以下步骤：

S41、取出步骤S3中的可靠样本作为新类别样本；

S42、利用步骤S33设计的次数准则，对步骤S41中的剩余样本进行二次筛选，将满足式(7)的样本点判定为不可靠的样本点，并将它们从剩余的未识别样本库中删除；对于步骤S42二次筛选后的剩余样本，等待积累足够多的未识别样本，为进行下一次聚类做准备.

S5、利用新类别样本更新识别模型，剩余样本等待下次聚类。具体为：将步骤S5中的新类别样本送入识别模型，利用现有的增量学习方法更新识别模型。

本发明所提基于可靠性检验的聚类流程如图3所示。

对所提基于可靠性检验的新类别创建方法进行有效性验证，具体为：对两类典型的X波段雷达信号，选择载频、带宽两个特征参数，在二维特征空间下进行仿真，具体参数见表1。每类样本服从以表1中数据为中心、方差为0.25的高斯分布。两类信号共计90个样本点，随机加入10个杂波点。在K-means算法中，令k＝3。可靠性检验准则中各参数的取值为：α＝0.15，β＝0.7，γ＝0.1。

图4为有无可靠性检验情况下的聚类效果对比图。在图4中，(a)为原始数据，“○”和“△”分别表示两类信号；(b)为K-means算法得到的聚类结果，其中一个类别全部由杂波点组成，另外两类中也含有一些杂波点；在(c)图中经过可靠性检验后，○代表的点构成了一个新类别，可以看到，经过可靠性检验后，得到的新类别样本中只有一个杂波点。说明本方法对杂波点具有过滤作用。

表2对比了有无可靠性检验情况下的杂波点占比和虚警率，每组结果取100次实验的平均值。(其中杂波点占比＝新类别样本中杂波点的数量/新类别中样本点总数，虚警率＝某个新类别中误分点的个数/该新类别中的样本点总数)从结果中可以看出，本发明可以降低虚警率，并且能够过滤杂波点。经验证，以上结论可以推广至更高维度、更多类别的复杂情况。

表1雷达信号参数表

参数	雷达信号类别A	雷达信号类别B
			载频	8.95GHz	11.52GHz
带宽	75MHz	130MHz

表2有无可靠性检验情况下的杂波点占比和虚警率

聚类方法	杂波点占比	虚警率
			K-means聚类	10.00％	15.15％
基于可靠性检验的K-means聚类	1.45％	2.21％

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于可靠性检验的新类别雷达信号创建方法，其特征在于，包括以下步骤：

S1、从全部待识别雷达信号样本中区分已有样本和新类别样本，将新类别样本标记为未识别；

S2、对未识别样本进行聚类；

S3、设计可靠性检验准则，对聚类结果进行筛选；

S4、分离出筛选出来的新类别样本，对剩余样本进行二次筛选；

S5、利用新类别样本更新识别模型。

2.根据权利要求1所述的一种基于可靠性检验的新类别创建方法，其特征在于，所述步骤S2具体为：

S21、随机选取k个聚类中心；

S22、计算待聚类样本点到各聚类中心点的欧式距离d_j(pdw_i,μ_j)：

其中，j＝1,2,...,k，pdw_i(t)为第i类样本点的脉冲描述字，μ_j(t)为第j类样本的中心点；

根据最小距离原则，将全部样本分配到k个类别中；

S23、根据式(2)重新计算聚类中心：

式中，μ_j(t)为第j个聚类中心点；k为类别数；pdw_jm(t)为第j类样本点的脉冲描述字，n_j为第j类样本点的个数；

S24、每完成一次步骤S22和S23，得到k个聚类中心；重复步骤S22和S23，完成多次迭代，当最后一次迭代得到的k个聚类中心与前一次迭代产生的k个聚类中心相等时，算法结束。

3.根据权利要求1所述的一种基于可靠性检验的新类别创建方法，其特征在于，所述步骤S3具体为：通过分析未识别样本的分布特性，设计可靠性检验准则，包括数量准则、距离准则以及次数准则，利用数量准则和距离准则对聚类后的样本点进行筛选，将这些样本点分为两类：可靠的样本点和不可靠的样本点。

4.根据权利要求3所述的一种基于可靠性检验的新类别创建方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、设计数量准则如下：

n_j＞Th_n,j＝1,2,...k (3)

将满足式(3)的类别判定为可靠类别；其中，阈值Th_n应满足：

其中，α为调节系数，取值范围在0～0.5之间；

S32、设计距离准则如下：

d_l＜Th_R,l＝1,2,...n (5)

满足式(5)的样本点被判定为可靠样本点；其中，d_l是第l个样本到其对应类中心的距离，Th_R是设定的有效半径；有效半径的设置应当与样本的空间分布直径呈正相关，与聚类的个数呈负相关：

其中，β为平衡系数，取值范围在0～1之间；

S33、设计次数准则：在每次聚类后，更新第l个样本点参与过的聚类次数T_l，满足如下式(7)的样本点被判定为杂波点，将它们从未识别样本库中删除：

其中，左侧表达式来自艾宾浩斯记忆曲线，γ为记忆衰减参数，N_left为移除新类别后未知样本库中剩余样本点的个数；

S34、利用步骤S31设计的数量准则以及步骤S32设计的距离准则，对聚类后的样本点进行筛选；将同时满足式(3)和式(5)的样本判定为可靠类别，构成新类别样本。

5.根据权利要求4所述的一种基于可靠性检验的新类别创建方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、取出步骤S3中的可靠样本作为新类别样本；

S42、利用步骤S33设计的次数准则，对步骤S41中的剩余样本进行二次筛选，将满足式(7)的样本点判定为不可靠的样本点，并将它们从剩余的未识别样本库中删除。

Images