CN115905833A - 基于遗传算法的异构集成网络的无人机信号识别方法 - Google Patents
基于遗传算法的异构集成网络的无人机信号识别方法 Download PDFInfo
- Publication number
- CN115905833A CN115905833A CN202211347231.0A CN202211347231A CN115905833A CN 115905833 A CN115905833 A CN 115905833A CN 202211347231 A CN202211347231 A CN 202211347231A CN 115905833 A CN115905833 A CN 115905833A
- Authority
- CN
- China
- Prior art keywords
- classifier
- genetic algorithm
- base
- integrated
- unmanned aerial
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于无人机识别技术领域,具体为一种基于遗传算法的异构集成网络的无人机信号识别方法。该方法包括以下步骤:步骤一:原始数据预处理;步骤二:特征筛选:用遗传算法在高密度功率谱上为各个待集成的基分类器寻找特征点;步骤三:将各个待集成的基分类器的分类结果进行加权,集成为一个强分类器;步骤四:将待检测数据输入集成好的分类器中,得到无人机信号检测结果。本发明通过遗传算法和集成算法显著提高了无人机识别的准确率,检测方法简单,检测设备易得,实用性强。
Description
技术领域
本发明属于无人机识别技术领域,特别涉及一种基于遗传算法的异构集成网络的无人机信号识别方法。
背景技术
近年来,无人机因其小型化、轻量化和智能化的属性,在侦察、预警和辅助打击、以及航拍、飞行表演和农业作业等应用领域,得到了广泛的应用。在已有的无人机信号识别方法中,经典的识别方法需要人工设计特征,较为复杂,并且检测效果受检测阈值选取的影响较大。
发明内容
本发明的目的是提供一种基于GA-Bagging-KNN的信号识别方法,通过离散傅里叶变换DFT对样本数据进行预处理,使得样本数据能更好的进行归一化特征提取,再将遗传算法,bagging算法与后续分类K近邻相结合,提高检测精度。弥补了原始K近邻算法检测精度不够的缺陷。
本发明的目的可以通过以下技术方案实现。
本发明提供 一种基于遗传算法的异构集成网络的无人机信号识别方法,包括以下步骤:
步骤一:原始数据预处理
从公开数据集获取信号的采样数据,将其分为测试集、训练集和验证集,对所有数据进行预处理获得16384点的高密度功率谱;
步骤二:特征筛选
用遗传算法GA在验证集训练集的16384点的高密度功率谱上为各个待集成的基分类器寻找特征点;所述待集成的基分类器有若干个,用于对背景噪声和不同无人机种类进行粗分类;
步骤三:将各个待集成的基分类器的分类结果进行加权,通过Bagging算法集成为一个强分类器;
步骤四:将测试集的功率谱数据输入集成的强分类器,得到无人机信号检测结果。
本发明中,步骤二中,用遗传算法寻找特征点的具体方法为:
步骤2.1:设定寻找的特征频点为个,则遗传算法的基因数为,每个基因的取值在1到16384之间的整数,则每个个体的染色体可以表示为一个维向量,其元素取值为1到16384之间的整数,表示选取了哪些频点;
步骤2.2:遗传算法的每一世代,对每个个体进行适应度计算,在这里适应度直接设置为分类准确度,按照遗传算法一般步骤进行变异、交叉等运算后进行下一世代的计算;
步骤2.3:达到停止迭代的标准,得到分类精度最高的个频点,意味着这个位置上的值就可以进行较好的分类。
本发明中,步骤2.2中,对每个个体进行适应度计算,其具体步骤是:
步骤2.2.1:对高密度功率谱按照每个个体染色体中基因所指示的频点位置进行非均匀采样,在训练集上将指示的频点上的功率密度数值抽出,作为分类器的输入特征比对数据;
步骤2.2.2:得到用每个个体的染色体得到的维特征,作为一个基分类器的输入,按计算验证集在这维特征上的分类准确度,作为遗传算法的适应度。
本发明中,步骤2.3中,停止迭代的标准设定为:准确率达到99%或者连续15次迭代最佳适应度没有变化或者迭代次数t=500。
本发明中,M的取值范围在32-256之间。
本发明中,步骤二中,各个待集成的分类器指的是用于步骤三中集成的分类器,本发明采用的是KNN,在本发明中这些分类器是异构的,其含义是每个基分类器都可能与其他的基分类器相比区分了不同的类别,比如有三个异构的基分类器,基分类器1用于分类第一类和第三类,基分类器2用于分类第一、二类(两类作为一个大类,之间不区分)和第三类,基分类器3则区分出第一类、第二类和第三类。采用这种异构的基分类器可以增加基分类器之间的差异性,而遗传算法则为每个基分类器都寻找最合适、最优的个频点。基分类器为KNN分类器。
本发明中,步骤三中,对各个基分类器集成为强分类器并输出分类结果,其具体方法为:
步骤3.1:以验证集的16384维的高密度功率谱作为基分类器的输入;
步骤3.2:对每个基分类器,分别在高密度功率谱上按照遗传算法找到的最佳频点位置上抽样,得到维的特征数据集;
步骤3.3:对每个基分类器的预测结果进行加权,基分类器加权和判定后作为集成的强分类器的预测输出,如得到基分类器1的预测结果为第一类概率0.7、第三类概率0.3,基分类器2的预测结果为第一、二类概率0.6,第三类概率0.4,基分类器3的预测结果为第一类概率0.4、第二类概率0.3,第三类概率0.4,由于每个基分类器判定为某一类的可信度是不同的,因此以预测概率乘上可信度作为基分类器的最终预测结果,再将每个基分类器对该类的最终预测结果相加就得到强分类器中该类的最终预测概率;该过程用公式可以表示为:
其中表示为第类的概率,N为基分类器的数量,为第个基分类器预测为第类的可信度也就是权重,为第个基分类器预测为第类的概率。
与现有技术相比,本发明的有益效果在于,本发明通过遗传算法和Bagging集成算法的应用显著提高了无人机识别的准确率,检测方法简单快速,检测设备易得,实用性强。
附图说明
图1是本发明的检测方法的流程示意图。
图2是本发明的集成分类器模型示意图。
图3是本发明的实施例中二分类迭代过程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不应以此限制本发明的保护范围。
本发明为了达到上述目的,本发明提供一种基于遗传算法的异构集成网络的无人机信号识别方法,如图1所示,包含步骤:
步骤一:原始数据预处理
从公开数据集获取信号的采样数据,并对数据进行预处理获得信号功率谱;
步骤二:特征筛选
用遗传算法在16384点的高密度功率谱上为各个待集成的基分类器寻找特征点;
步骤三:将各个待集成的基分类器的分类结果进行加权,集成为一个强分类器;
步骤四:将待检测数据输入集成好的强分类器,得到无人机信号检测结果。
实施例1
第一步:找到并打开相对应的公开数据集,从公开数据集获取信号的采样数据,并对数据进行离散傅里叶变换,获得16384个频率点,并对频谱取绝对值的平方,以获得信号功率谱。
第二步:按照步骤二用遗传算法在16384点的高密度功率谱上为各个待集成的基分类器寻找特征点,具体操作如下:
(1)初始化:设置进化代数计数器t=0,设置最大进化代数T=500,随机生成64个个体,作为初始群体P(0),每个个体32个基因。
(2)个体评价:对于每个个体的32个基因所对应的频点,在训练集上采样作为基分类器的比对数据,然后计算群体P(t)中各个个体的适应度,本发明将验证集 在分类器上的准确度作为遗传算法的适应度。
(3)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
(4)交叉运算:将交叉算子作用于群体。交叉的个体数目为32,遗传算法中起核心作用的就是交叉算子。
(5)变异运算:将变异算子作用于群体。变异基因的数目为32,对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
(6)终止条件判断:若准确率达到99%或者连续15次迭代最佳适应度没有变化或者t=500,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。停止迭代时,得到分类精度最高的32个频点,意味着这32个位置上的值就可以进行较好的分类。
遗传算法的迭代图如图3所示,从图3可以看出,当迭代达到85次时,准确率趋于平稳,达到了98%以上。
第三步:输入验证集的16384维的高密度功率谱;接着对每个基分类器,分别在高密度功率谱上按照遗传算法找到的最佳32个频点位置上抽样,将得到的点输入基分类器,得到基分类器预测为各个类的概率。
本发明有五个基分类器,加权系数用[a,b,c,d]表示,其中a为背景噪声的加权,b为UAV1的加权,c为UAV2的加权,d为UAV3的加权,加权系数基于网格搜索得到,每个系数选取合适的步长,排列组合,根据最终集成分类器准确率,选取最合适的加权系数;其中第一个基分类器判别有无无人机,其加权系数为[0.5,0.2,0.2,0.2],第二个区分背景噪声、UAV1/UAV2、UAV3,其加权系数为[0.5,0.3,0.3,0.3],第三个区分UAV1、UAV2、UAV3,其加权系数为[0.0,0.1,0.1,0.2],第四个区分UAV1/UAV2、UAV3,其加权系数为[0.0,0.1,0.1,0.3],第五个区分UAV1、UAV2,其加权系数为[0.0,0.3,0.3,0.0],对每个基分类器的预测结果进行加权,作为集成分类器的预测输出。如图2所示:该过程用公式可以表示为:
其中:表示为第类的概率,N为基分类器的数量,为第个基分类器预测为第类的可信度也就是权重,为第个基分类器预测为第类的概率。
第四步:然后将测试集数据输入集成分类器,获得分类结果。对于无人机存在性问题,本发明的的准确率达到了98%,对于具体无人机型号,相较于传统knn59%、svm55%的准确率,本发明的准确率达到了78%,有了一定的提升。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1. 一种基于遗传算法的异构集成网络的无人机信号识别方法,其特征在于,包括以下步骤:
步骤一:原始数据预处理
从公开数据集获取信号的采样数据,将其分为测试集、训练集和验证集,对所有数据进行预处理获得16384点的高密度功率谱;
步骤二:特征筛选
用遗传算法GA在训练集的16384点的高密度功率谱上为各个待集成的基分类器寻找特征点;所述待集成的基分类器有若干个,用于对背景噪声和不同无人机种类进行粗分类;
步骤三:将各个待集成的基分类器的分类结果进行加权,通过Bagging算法集成为一个强分类器;
步骤四:将测试集的功率谱数据输入集成的强分类器,得到无人机信号检测结果。
2.根据权利要求1所述的信号识别方法,其特征在于,步骤二中,基分类器为KNN分类器。
3.根据权利要求1所述的信号识别方法,其特征在于,步骤二中,用遗传算法寻找特征点的具体方法为:
步骤2.1:设定寻找的特征频点为个,则遗传算法的基因数为,每个基因的取值在1到16384之间的整数,则每个个体的染色体可以表示为一个维向量,其元素取值为1到16384之间的整数,表示选取了哪些频点;
步骤2.2:遗传算法的每一世代,对每个个体进行适应度计算,在这里适应度直接设置为分类准确度,按照遗传算法一般步骤进行变异、交叉等运算后进行下一世代的计算;
步骤2.3:达到停止迭代的标准,得到分类精度最高的个频点,意味着这个位置上的值就可以进行较好的分类。
4.根据权利要求3所述的信号识别方法,其特征在于,步骤2.2中,对每个个体进行适应度计算,其具体步骤是:
步骤2.2.1:对高密度功率谱按照每个个体染色体中基因所指示的频点位置进行非均匀采样,在训练集上将指示的频点上的功率密度数值抽出,作为分类器的比对数据;
步骤2.2.2:得到用每个个体的染色体得到的维特征,作为一个基分类器的输入,计算验证集在这维特征上的分类准确度,作为遗传算法的适应度。
5.根据权利要求3或4所述的信号识别方法,其特征在于,M的取值范围在32-256之间。
6.根据权利要求3所述的信号识别方法,其特征在于,步骤2.3中,停止迭代的标准设定为:准确率达到99%或者连续15次迭代最佳适应度没有变化或者迭代次数t=500。
7.根据权利要求3所述的信号识别方法,其特征在于,步骤三中,对各个基分类器集成为强分类器,其具体方法为:
步骤3.1:以验证集的16384维的高密度功率谱作为基分类器的输入;
步骤3.2:对每个基分类器,分别在高密度功率谱上按照遗传算法找到的最佳频点位置上抽样,得到维的特征数据集;
步骤3.3:对每个基分类器的预测结果进行加权,基分类器加权和判定后作为集成的强分类器的预测输出,由于每个基分类器判定为某一类的可信度是不同的,因此以预测概率乘上可信度作为基分类器的最终预测结果,再将每个基分类器对该类的最终预测结果相加就得到强分类器中该类的最终预测概率;该过程用公式可以表示为:
其中表示为第类的概率,N为基分类器的数量,为第个基分类器预测为第类的可信度也就是权重,为第个基分类器预测为第类的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347231.0A CN115905833A (zh) | 2022-10-31 | 2022-10-31 | 基于遗传算法的异构集成网络的无人机信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347231.0A CN115905833A (zh) | 2022-10-31 | 2022-10-31 | 基于遗传算法的异构集成网络的无人机信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905833A true CN115905833A (zh) | 2023-04-04 |
Family
ID=86477010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211347231.0A Pending CN115905833A (zh) | 2022-10-31 | 2022-10-31 | 基于遗传算法的异构集成网络的无人机信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905833A (zh) |
-
2022
- 2022-10-31 CN CN202211347231.0A patent/CN115905833A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN106371610B (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
Firpi et al. | Swarmed feature selection | |
CN110213222B (zh) | 基于机器学习的网络入侵检测方法 | |
CN107256245B (zh) | 面向垃圾短信分类的离线模型改进与选择方法 | |
CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
WO2022257458A1 (zh) | 车险理赔行为识别方法、装置、设备及存储介质 | |
CN111898637B (zh) | 一种基于ReliefF-DDC特征选择算法 | |
CN115987552A (zh) | 一种基于深度学习的网络入侵检测方法 | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
CN113468538A (zh) | 一种基于相似性度量的漏洞攻击数据库构建方法 | |
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 | |
CN109460872B (zh) | 一种面向移动通信用户流失不平衡数据预测方法 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN115905833A (zh) | 基于遗传算法的异构集成网络的无人机信号识别方法 | |
CN111709460A (zh) | 基于相关系数的互信息特征选择方法 | |
CN113852612B (zh) | 一种基于随机森林的网络入侵检测方法 | |
CN115563520A (zh) | 一种基于kmeans聚类的半监督学习方法及其应用 | |
CN113177078B (zh) | 基于条件生成模型的近似查询处理算法 | |
CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
CN115249513A (zh) | 一种基于Adaboost集成思想的神经网络拷贝数变异检测方法与系统 | |
CN113392908A (zh) | 基于边界密度的不平衡数据过采样算法 | |
CN112735532A (zh) | 基于分子指纹预测的代谢物识别系统及其应用方法 |
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 |