CN113866737A - 基于Stacking集成算法的空间微动目标识别方法 - Google Patents

基于Stacking集成算法的空间微动目标识别方法 Download PDF

Info

Publication number
CN113866737A
CN113866737A CN202111031608.7A CN202111031608A CN113866737A CN 113866737 A CN113866737 A CN 113866737A CN 202111031608 A CN202111031608 A CN 202111031608A CN 113866737 A CN113866737 A CN 113866737A
Authority
CN
China
Prior art keywords
classifier
sample set
training
stacking
micro
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.)
Pending
Application number
CN202111031608.7A
Other languages
English (en)
Inventor
白雪茹
秦若雨
王旭
田旭东
周峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202111031608.7A priority Critical patent/CN113866737A/zh
Publication of CN113866737A publication Critical patent/CN113866737A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于Stacking集成算法的空间微动目标识别方法，主要解决现有空间微动目标识别方法特征提取单一、传统单分类器无法充分挖掘特征分类潜力的问题。其实现方案为：1)利用多变换域特征提取方法，提取目标时域、频域、时频域特征，生成训练样本集和测试样本集；2)构建由四个初级分类器并联，再与一个次级分类器级联的Stacking集成分类器模型；3)使用训练样本集和交叉验证方法对Stacking集成分类器进行训练；4)将测试样本集输入到训练好的Stacking集成分类器中，得到分类结果。本发明能充分表征目标特性，并挖掘特征的分类潜力，提高了空间微动目标的识别率，可用于弹道目标识别。

Description

基于Stacking集成算法的空间微动目标识别方法
技术领域
本发明属于雷达目标识别技术领域，特别涉及一种空间微动目标识别方法，可用于弹道目标识别。
背景技术
微动是中段弹头、诱饵等弹道目标特有的运动形式。微动目标的回波通常蕴含着其形状、结构、运动等重要特性。地基雷达能够全天时、全天候地获取微动弹道目标等远距离空间目标的回波，进而从中提取微动特征以实现分类识别，即实现空间微动目标识别。按照特征提取方法的不同，现有空间微动目标识别方法可分为基于雷达目标截面积RCS的分类识别方法和基于微多普勒特征提取的分类识别方法两类。其中，基于RCS的分类识别方法利用空间微动目标的RCS序列估计运动姿态，微动周期和尺寸，最终通过设计分类器实现空间微动目标识别。基于微多普勒的识别方法首先使用傅里叶变换FFT、短时傅里叶变换STFT、小波分析等方法，将原始雷达回波转换到变换域，进而提取微动特征并实现分类识别。
上述方法能在特定场合下获得较好的识别效果，但存在目标特征提取和分类器设计较为单一的问题。具体而言，单一的特征较难充分描述目标特性，直接影响分类识别的准确性。而K近邻KNN、支撑向量机SVM等传统的单一分类器无法充分挖掘特征分类潜力，识别性能有限。
A.R.Persico,C.Clemine,D.Gaglione,C.V.Ilioudis,J.Cao,and L.Pallotta,在其发表的论文“On model,algorithms,and experiment for micro-doppler-basedrecognition of ballistic targets”(IEEE Transactions on Aerospace&ElectronicSystems,2017)中提出了一种基于微多普勒特征的目标识别方法。其具体实现是：首先对雷达回波使用STFT得到回波时频分布，再将时频分布沿频率轴进行FFT可得目标的韵律频谱图CVD，然后从CVD中提取统计特征，并使用KNN分类器进行识别。该方法提出了新的微多普勒特征，在目标微动形式差异较大时有较好的识别效果。但是，该方法存在特征表示单一，在目标微动形式相近时识别性能不佳的缺陷。
Choi,S.Park,M.Kim,K.Kang,and K.Kim,在其发表的论文“Efficientdiscrimination of ballistic targets with micro-motions”(IEEE Transactions onAerospace&Electronic Systems,2020)中提出利用目标RCS特征及微多普勒特征进行高效目标识别。该方法的步骤为：首先根据目标回波提取5维特征，包括RCS序列周期、峰差值、RCS序列与正弦波形的相似程度、回波频谱的3dB带宽、微多普勒频率曲线与正弦波形的相似程度；然后使用改进的KNN分类器对5维特征进行分类。虽然该方法结合RCS特征及微多普勒特征表征目标特性，但所提取特征较少，难以准确充分描述微动目标特性，当在目标微动形式相近时，识别准确率低。
发明内容
本发明的目的在于针对上述现有技术的不足，提出基于Stacking集成算法的空间微动目标识别方法，以充分挖掘不同分类器的特征分类潜力，提高在目标微动形式相近时的识别性能。
本发明的技术思路是：利用雷达回波提取的目标时域、频域、时频域特征，构成15维特征向量，分别生成训练样本集和测试样本集；构建并训练的一个两层的Stacking集成模型，通过将测试样本集输入训练好的模型，得到空间微动目标的识别结果。其实现包括如下：
(1)生成标准化后的训练样本集和测试样本集：
(1a)建立包含4个空间微动目标的模型，并获取其窄带回波，选取雷达在31-42°俯仰角下观测到的1200个窄带回波及相应的标签，组成原始回波训练样本集；选取雷达在43-55°俯仰角下观测到的1300个窄带回波及相应的标签，组成原始回波测试样本集；
(1b)基于原始回波训练样本集和原始回波测试样本集中的每一个窄带回波，提取其时域、频域、时频域特征,得到由15维特征向量组成的训练样本集和测试样本集；
(1c)将特征提取得到的训练和测试样本集，按列进行标准化，得到标准化后的训练样本集和测试样本集；
(2)构建Stacking集成分类器：
(2a)构建一个由随机森林分类器、极限森林分类器、Adaboost分类器和GBDT分类器这四个初级分类器并接后，再与一个逻辑回归分类的次级分类器级联而成的Stacking集成分类器；
(2b)设置各分类器参数：
随机森林、极限森林子树数量均设为100，其余参数采用默认值；
Adaboost分类器的子树数量设为100、学习率为0.2、splitter设为“random”，最大深度设为12，其余参数采用默认值；
GBDT最大深度设为6，其余参数采用默认值；
逻辑回归所有参数均采用默认值；
(2c)设置所有初级分类器均采用类概率输出模式；
(3)将标准化的训练样本集输入到Stacking集成分类器中，使用交叉验证法进行训练，得到训练好的Stacking分类器；
(4)将标准化的测试样本集，输入训练好的Stacking集成分类器进行测试，得到Stacking集成分类器输出的分类结果。
本发明与现有技术相比具有以下优点：
1.本发明由于采用基于多变换域的特征提取方法，提取目标回波的时域、频域以及时频域特征，可以充分表征目标特性；
2.本发明由于构建了Stacking集成分类器，可以组合多个不同分类器，通过不同分类器充分挖掘所提特征的分类潜力，既可以有效提高识别性能，又可有效避免过拟合问题，具有良好的泛化性能以及较好的抗噪性能。
附图说明
图1是本发明的实现流程图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的描述。
参照图1，对本实施例的实现步骤包括如下。
步骤1，生成训练样本集和测试样本集。
1.1)建立平底锥、球底锥、锥柱体、球底锥柱体四类目标模型，使用标准PO法获取其全角域静态电磁回波，再根据目标微动形式抽取静态电磁回波，生成目标的动态电磁回波，雷达的载频设置为10GHz、目标俯仰角为31°到55°，间隔1°变化，每个俯仰角下的进动频率等间隔取5个、进动角等间隔取5个，每类目标生成625个回波样本；
1.2)每类目标取俯仰角为31°到42°的回波样本，提取时域、频域、时频域特征：
1.2.1)根据目标回波提取时域特征，包括微多普勒周期F1、RCS序列均值F2、RCS序列峰差值F3、RCS序列与正弦曲线的均方误差F4，其中微多普勒周期采用自相关函数法提取；
1.2.2)对目标回波进行傅里叶变换，根据得到频域信号提取目标的频域特征，即对频域信号取模，再通过设置门限，计算高于门限值的区间长度，作为频域微多普勒调制带宽F5；
1.2.3)对目标回波使用短时傅里叶变换得到时频图，根据时频图提取时频域特征，包括微多普勒曲线的平均值F6、微多普勒曲线与正弦曲线的均方误差F7、微多普勒信号强度的标准化标准差F8；
1.2.4)将1.2.3)的时频图沿时间维做傅里叶变换得到韵律频谱图CVD，计算其每个韵律频率点上的多普勒频率均值，将CVD转换为一维序列，记为ACVD，并对其进行标准化，根据标准化后的ACVD提取时频特征，包括ACVD序列的均值F9、标准差F10、峰态F11、偏度F12、ACVD归一化自相关函数的峰值旁瓣比F13、积分旁瓣比1F14以及积分旁瓣比2F15；
1.2.5)将以上步骤提取的特征组成15维特征向量，该四类目标共产生包含1200个由特征向量组成的训练样本集，再按列将所有训练样本进行标准化处理，并与相应的标签组合，得到标准化后的训练样本集S1，其中标准化处理通过如下公式进行：
Figure BDA0003245526350000041
其中，Fd∈RN×1为所有样本的第d个特征分量，N为样本数量，
Figure BDA0003245526350000042
和
Figure BDA0003245526350000043
分别是Fd的统计均值和标准差，
Figure BDA0003245526350000044
为标准化后的特征分量。
1.3)每类目标取俯仰角为43°到55°的回波样本，提取时域、频域、时频域特征：
1.3.1)根据目标回波提取时域特征，包括微多普勒周期F1、RCS序列均值F2、RCS序列峰差值F3、RCS序列与正弦曲线的均方误差F4，其中微多普勒周期采用自相关函数法提取；
1.3.2)对目标回波进行傅里叶变换，根据得到频域信号提取目标的频域特征，即对频域信号取模，再通过设置门限，计算高于门限值的区间长度，作为频域微多普勒调制带宽F5；
1.3.3)对目标回波使用短时傅里叶变换得到时频图，根据时频图提取时频域特征，包括微多普勒曲线的平均值F6、微多普勒曲线与正弦曲线的均方误差F7、微多普勒信号强度的标准化标准差F8；
1.3.4)将1.3.3)的时频图沿时间维做傅里叶变换得到韵律频谱图CVD，计算其每个韵律频率点上的多普勒频率均值，将CVD转换为一维序列，记为ACVD，并对其进行标准化，根据标准化后的ACVD提取时频特征，包括ACVD序列的均值F9、标准差F10、峰态F11、偏度F12、ACVD归一化自相关函数的峰值旁瓣比F13、积分旁瓣比1F14以及积分旁瓣比2F15；
1.3.5)将以上步骤提取的特征组成15维特征向量，该四类目标共产生包含1300个由特征向量组成的测试样本集，再按列将所有测试样本进行标准化处理，并与相应的标签组合，得到标准化后的测试样本集S2，其中标准化处理采用公式与1.2.5)相同。
步骤2，构建Stacking集成分类器。
2.1)在python环境中建立随机森林分类器，设置随机森林分类器参数：子树数量设为100，采用类概率模式输出，其余参数采用默认值；
2.2)在python环境中下建立极限森林分类器，设置极限森林分类器参数：子树数量设为100，采用类概率模式输出，其余参数采用默认值；
2.3)在python环境中建立Adaboost分类器，设置Adaboost分类器参数：基分类器设为决策树，子树数量设为100，学习率设为0.2，决策树splitter参数设为"random"，最大深度设为12，采用类概率模式输出；
2.4)在python环境中建立GBDT分类器，设置GBDT分类器参数：最大深度设为6，采用类概率模式输出，其余参数采用默认值；
2.5)在python环境中建立逻辑回归分类器，逻辑回归分类器采用默认参数设置；
2.6)将随机森林分类器、极限森林分类器、Adaboost分类器和GBDT分类器这四个初级分类器并接作为Stacking集成分类器的第一层，将逻辑回归分类器作为Stacking集成分类器第二层的次级分类器，再将第一层与第二层级联形成最终的Stacking集成分类器。
步骤3，训练Stacking集成分类器。
将标准化后的训练样本集S1，输入到构建好的Stacking集成分类器中，采用K折交叉验证法进行训练，得到训练好的Stacking集成分类器，本发明实例中K取10；
训练的具体步骤如下：
3.1)采用10折交叉验证方法，将S1随机均分为10份；
3.2)每次使用其中的9份训练第一层的所有初级分类器，剩余的一份用作验证集；
如此10次之后，每种分类器可得10个训练好的模型以及10份验证集的类概率向量；
对于每类分类器，将得到的10份验证集的类概率向量横向拼接，可得一个与S1样本数相同的数据集；
3.3)将每类分类器获得数据集横向拼接，得到可用于次级分类器训练的次级训练集，标签不变；
3.4)将第3步获得的次级训练集输入到逻辑回归分类器中，即可得训练好的Stacking集成分类器。
步骤4，输出测试样本集预测结果。
4.1)将标准化后的测试样本集S2，输入到训练好的Stacking集成分类器第一层，使得每种初级分类器得到10个S2的预测结果；
4.2)将每种初级分类器的10个S2的预测结果取平均，得到一个与S2样本数相同的数据集；
4.3)将每种初级分类器得到的数据集横向拼接，输入到训练好的次级分类器，得到最终预测结果，完成对空间微动目标的识别。
本发明的效果可以通过以下仿真实验说明。
1、仿真实验条件：
本发明的仿真实验使用标准PO法产生4类空间微动目标的雷达回波数据，这4类目标分别为：平底锥、球底锥、锥柱体和球底锥柱体，微动形式均为进动。设置雷达载频为10GHz，每类目标俯仰角为31°到55°，间隔1°变化，每个俯仰角下的进动频率等间隔取5个、进动角等间隔取5个，每类目标产生625个回波样本，共2500个回波样本，并且在回波中加入高斯白噪声，分别产生信噪比为0dB、5dB、10dB、15dB的回波样本。取俯仰角为31°到42°的回波样本，提取时域、频域、时频域特征，并进行标准化处理，得到标准化后的训练样本集；取俯仰角为43°到55°的回波样本，提取时域、频域、时频域特征，并进行标准化处理，得到标准化后的测试样本集。
仿真实验硬件平台为Intel(R)Core(TM)i7-6700@3.40GHz CPU、8GB RAM；
仿真实验软件平台为MATLAB 2016b、Python 3.6和sklearn 0.18.1。
2、仿真实验内容与结果分析：
仿真实验一：基于本发明特征提取方法所得不同信噪比的训练样本集、测样样本集，使用传统单一分类器和经典集成分类器对目标进行分类识别，并通过以下公式分别计算两种方法的识别率：
Figure BDA0003245526350000071
其中，c表示测试样本集的识别率，M表示测试样本集的样本数量，h(·)表示分类鉴别函数，ti表示测试样本集中第i个测试样本的真实类别，yi表示测试样本集中第i个测试样本对应的分类器输出结果，当ti和yi相等时，h(ti,yi)等于1，否则，h(ti,yi)等于0。
在经典集成分类器方法中，采用Adaboost、GBDT、随机森林和极限森林四种经典集成分类器进行对比，首先使用训练样本集训练经典集成分类器，得到训练好的经典集成分类器模型，然后使用测试样本集在训练好的经典集成分类器模型上进行测试，计算经典集成分类器的识别率，重复实验100次，对100次实验的识别率取平均作为最终结果。
在传统单一分类器方法中，采用SVM分类器、决策树分类器进行对比，首先使用训练样本集训练单一分类器，得到训练好的单一分类器，然后使用测试样本集在训练好的单一分类器上进行测试，计算传统单一分类器的识别率，重复实验100次，对100次实验的识别率取平均作为最终结果。
两种方法在不同信噪比数据集下的结果对比如下：
表1各信噪比下个分类器识别率(％)对比
Figure BDA0003245526350000072
其中最小提升是指各信噪比数据集下，四种集成分类器中的最低识别率与SVM、决策树中最高识别率的差值。
从仿真结果可以看出，在各信噪比下集成分类器的最低是识别率相对于传统单一分类器的最高识别率也有5.08％的提升幅度。这充分说明了集成分类器可以充分挖掘特征的分类潜力，提高目标识别率。此外，在15dB时，极限森林分类器的识别率已经达到92.15％，说明本发明所提取的15维特征向量可以充分表征目标特性。
仿真实验二：基于本发明特征提取方法所得不同信噪比的训练样本集、测样样本集，使用本发明构建的Stacking集成分类器对目标进行分类识别，并与表1中经典集成分类器在各信噪比下的最好性能BestClassifier以及传统单一分类器中表现最好的SVM识别结果进行对比。
本方法中，使用训练样本集训练构建好的Stacking集成分类器，得到训练好的Stacking集成分类器，然后使用测试样本集在训练好的Stacking集成分类器上进行测试，计算Stacking集成分类器的识别率，重复实验100次，对100次实验的识别率取平均作为最终结果，其结果如下：
表2各分类器在不同信噪比下的识别率对比结果
Figure BDA0003245526350000081
从表2可以看出，本发明提出的Stacking集成分类器相比综合了现有的四种经典集成分类器的最好结果BestClassifier具有更好的识别率，且最高识别率达到94.36％，说明本发明所提的基于Stacking集成方法的空间微动目标识别方法，可以充分表征目标特性，同时能够结合多个分类器的优势，挖掘特征的分类潜力，有效提高空间微动目标的识别率。此外，还可以看出，本发明Stacking集成分类器相比于SVM，在0dB到15dB识别率分别提高了20.99％、12.53％、10.14％、9.44％，最低识别率也达到85.61％，说明本发明所提方法具有较高的抗噪性能。
综合仿真实验一、二，说明本发明提出的基于Stacking集成方法的空间微动目标识别方法，可以充分表征目标特性，组合多个分类器的优势，挖掘特征分类潜力有效提高空间微动目标的识别率，且具有较高的抗噪性能，具有重要的理论意义和应用价值。

Claims (6)

1.一种基于Stacking集成算法的空间微动目标识别方法，其特征在于，包括：
(1)生成标准化后的训练样本集和测试样本集：
(1a)建立包含4个空间微动目标的模型，并获取其窄带回波，选取雷达在31-42°俯仰角下观测到的1200个窄带回波及相应的标签，组成原始回波训练样本集；选取雷达在43-55°俯仰角下观测到的1300个窄带回波及相应的标签，组成原始回波测试样本集；
(1b)基于原始回波训练样本集和原始回波测试样本集中的每一个窄带回波，提取其时域、频域、时频域特征,得到由15维特征向量组成的训练样本集和测试样本集；
(1c)将特征提取得到的训练和测试样本集，按列进行标准化，得到标准化后的训练样本集和测试样本集；
(2)构建Stacking集成分类器：
(2a)构建一个由随机森林分类器、极限森林分类器、Adaboost分类器和GBDT分类器这四个初级分类器并接后，再与一个逻辑回归分类的次级分类器级联而成的Stacking集成分类器；
(2b)设置各分类器参数：
随机森林、极限森林子树数量均设为100，其余参数采用默认值；
Adaboost分类器的子树数量设为100、学习率为0.2、splitter设为“random”，最大深度设为12，其余参数采用默认值；
GBDT最大深度设为6，其余参数采用默认值；
逻辑回归所有参数均采用默认值；
(2c)设置所有初级分类器均采用类概率输出模式；
(3)将标准化的训练样本集输入到Stacking集成分类器中，使用交叉验证法进行训练，得到训练好的Stacking分类器；
(4)将标准化的测试样本集，输入训练好的Stacking集成分类器进行测试，得到Stacking集成分类器输出的分类结果。
2.根据权利要求1所述的方法，其中(1b)中提取时域、频域、时频域特征,得到由15维特征向量组成的训练样本集和测试样本集，实现如下：
(1b1)根据窄带回波提取时域特征，包括微多普勒周期F1、RCS序列均值F2、RCS序列峰差值F3、RCS序列与正弦曲线的均方误差F4；
(1b2)对窄带回波进行傅里叶变换，提取目标的频域特征，即通过设置门限，计算高于门限值的区间长度，作为频域微多普勒调制带宽F5；
(1b3)对窄带回波使用短时傅里叶变换得到时频图，根据时频图提取时频域特征，包括微多普勒曲线的平均值F6、微多普勒曲线与正弦曲线的均方误差F7、微多普勒信号强度的标准化标准差F8；
(1b4)将(1b3)所得时频图沿时间维做傅里叶变换得到韵律频谱图CVD，计算其每个韵律频率点上的多普勒频率均值，将CVD转换为一维序列，记为ACVD，并对其进行标准化，根据标准化后的ACVD提取时频特征，包括ACVD序列的均值F9、标准差F10、峰态F11、偏度F12、ACVD归一化自相关函数的峰值旁瓣比F13、积分旁瓣比1F14以及积分旁瓣比2F15；
(1b5)根据原始回波训练样本集和原始回波测试样本集中的每一个回波样本提取(1b1)、(1b2)、(1b3)、(1b4)所示的特征，构成15维特征向量，最终得到由特征向量组成的训练样本集和测试样本集。
3.根据权利要求1所述的方法，其中(1c)对特征提取得到的训练和测试样本集，按列进行标准化，通过如下公式进行：
Figure FDA0003245526340000021
其中，Fd∈RN×1为所有样本的第d个特征分量，N为样本数量，
Figure FDA0003245526340000022
和
Figure FDA0003245526340000023
分别是Fd的统计均值和标准差，
Figure FDA0003245526340000024
为标准化后的特征分量。
4.根据权利要求1所述的方法，其中，(2)中Stacking集成分类器采用上下两层结构，即随机森林、极限森林、Adaboost、GBDT这四个初级分类器构成Stacking集成分类器的第一层，逻辑回归分类器作为次级分类器构成Stacking第二层。
5.根据权利要求1所述的方法，其中(3)中将标准化的训练样本集输入到Stacking集成分类器中，使用交叉验证方法进行训练，实现如下：
(3a)采用K折交叉验证方法训练第一层的初级分类器：
将训练样本集随机打乱，均分为K份，每次使用其中的K-1份训练4种初级分类器，剩余的一份用作验证集；
K轮之后，每种初级分类器得到K个训练好的模型以及K个验证集预测结果；
将每种初级分类器的K个验证集预测结果纵向拼接，得到一个与训练样本集样本数相同的数据集；
将每种初级分类器得到的数据集进行横向拼接，标签不变，得到用于第二层次级分类器训练的次级训练集；
(3b)将第一层得到的次级训练集输入第二层的次级分类器中训练，即可得到训练好的次级分类器，至此，Stacking集成分类器训练完毕。
6.根据权利要求1所述的方法，其中(4)中将标准化的测试样本集，输入训练好的Stacking集成分类器进行测试，得到Stacking集成分类器输出的分类结果，实现如下：
(4a)将标准化的测试样本集输入到训练好的Stacking集成分类器第一层，使得每种初级分类器得到K个测试样本集预测结果，再将这K个测试集预测结果取平均，得到一个与测试样本集样本数相同的数据集；
(4b)将每种初级分类器得到的数据集进行横向拼接，标签不变，即可得到用于第二层次级分类器测试的次级测试集；
(4c)将第一层得到的次级测试集输入第二层训练好的次级分类器中测试，得到Stacking集成分类器输出的分类结果。
CN202111031608.7A 2021-09-03 2021-09-03 基于Stacking集成算法的空间微动目标识别方法 Pending CN113866737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111031608.7A CN113866737A (zh) 2021-09-03 2021-09-03 基于Stacking集成算法的空间微动目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111031608.7A CN113866737A (zh) 2021-09-03 2021-09-03 基于Stacking集成算法的空间微动目标识别方法

Publications (1)

Publication Number Publication Date
CN113866737A true CN113866737A (zh) 2021-12-31

Family

ID=78989443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111031608.7A Pending CN113866737A (zh) 2021-09-03 2021-09-03 基于Stacking集成算法的空间微动目标识别方法

Country Status (1)

Country Link
CN (1) CN113866737A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114428235A (zh) * 2022-01-07 2022-05-03 西安电子科技大学 基于决策级融合的空间微动目标识别方法
CN117331047A (zh) * 2023-12-01 2024-01-02 德心智能科技(常州)有限公司 基于毫米波雷达的人体行为数据分析方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114428235A (zh) * 2022-01-07 2022-05-03 西安电子科技大学 基于决策级融合的空间微动目标识别方法
CN114428235B (zh) * 2022-01-07 2024-06-07 西安电子科技大学 基于决策级融合的空间微动目标识别方法
CN117331047A (zh) * 2023-12-01 2024-01-02 德心智能科技(常州)有限公司 基于毫米波雷达的人体行为数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN109766835B (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN106371610B (zh) 一种基于脑电信号的驾驶疲劳的检测方法
CN113866737A (zh) 基于Stacking集成算法的空间微动目标识别方法
CN101587186B (zh) 一种雷达脉内调制信号的特征提取方法
CN110232371B (zh) 基于小样本的高精度hrrp雷达多目标识别方法
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN102749616A (zh) 一种基于模糊聚类的宙斯盾系统信号分选方法
CN112666533B (zh) 基于空间金字塔池化网络的重频变化稳健目标识别方法
CN112904299A (zh) 基于深层类内分裂的雷达高分辨距离像开集目标识别方法
CN112859012A (zh) 一种基于级联卷积神经网络的雷达欺骗干扰识别方法
Song et al. A machine learning-based underwater noise classification method
Zeng et al. User-definable dynamic hand gesture recognition based on Doppler radar and few-shot learning
CN101178767A (zh) 人脸和虹膜混合识别的新方法-识别层融合
Cai et al. Modulation recognition of radar signal based on an improved CNN model
CN113203990A (zh) 一种基于相噪特性的干扰源个体识别方法
CN112731331B (zh) 基于信噪比自适应网络的微动目标噪声稳健识别方法
CN114428235B (zh) 基于决策级融合的空间微动目标识别方法
Alhadhrami et al. Learned micro-Doppler representations for targets classification based on spectrogram images
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
Shu et al. An interference recognition method based on improved genetic algorithm
Wang et al. Rapid recognition of human behavior based on micro-Doppler feature
CN111639595B (zh) 基于权重不可知神经网络的无人机微动特征信号检测方法
US7180442B1 (en) Target indentification method using cepstral coefficients
He et al. A multi-scale radar HRRP target recognition method based on pyramid depthwise separable convolution network
Seo et al. Wideangle radar target recognition with subclass concept

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