一种基于增量式学习的雷达辐射源分类建模方法.docx

一种基于增量式学习的雷达辐射源分类建模方法专利名称：一种基于增量式学习的雷达辐射源分类建模方法技术领域：本发明涉及一种雷达辐射源识别的分析领域，特别是一种基于增量式学习的雷达辐射源分类建模方法背景技术：随着传感器技术、数据采集、存储和处理技术的发展，民用和国防领域都面临着 “数据爆炸，知识不足”的问题同理，随着雷达辐射源情报侦察技术的进步，雷达辐射源训练样本是动态增加的如何根据动态增加的训练样本进行有效的增量式学习，自适应地调整雷达辐射源分类模型是一个迫切需要解决的难题然而，现有分类建模方法在输出结果稳定性、计算成本和异常点识别三方面存在明显不足，难以进行增量式学习有些分类建模方法的增量式学习是启发式的，其输出结果收训练样本输入顺序的影响，具有不确定性例如，当训练样本顺序不同的时候，神经网络的输出权重是不相同的， 对同一个测试数据集的分类结果也是不相同的有些分类建模方法由于计算成本的限制难以适应增量式学习如，D-S证据理论方法中，每个特征对应一个有相应基本概率分配函数的证据D-S证据理论运用D-S融合准则进行多证据融合当训练数据的类型数目增加时，相应的计算成本将呈指数型增加再如，决策树是进行多阶段决策的一种方法。

多阶段决策的基本思想是把一个复杂的决策分解成为一些简单决策的集合决策树产生的规则易于理解但是，如何设计一个最优决策树分类器是一个NP问题，而决策树的性能在很大程度上都受到树的设计结构的影响对决策树进行优化的现有方法的一个基本问题就是计算成本太高昂，另一个问题则是误差可能层层传递下来，特别是训练样本类型较多的时候现有分类建模方法存在的另一个不足在于其缺乏识别未知类型的能力，其判别的类型只能属于已知类型当测试样本不属于任何已知类型的时候，现有分类建模方法无法判断发明内容发明目的本发明所要解决的技术问题是针对现有技术在增量式学习中结果稳定性、计算成本和未知类型识别三方面的不足，提供一种新的基于增量式学习的雷达辐射源分类建模方法为了解决上述技术问题，本发明公开了一种基于增量式学习的雷达辐射源分类建模方法假设在用于构建雷达辐射源分类模型的雷达辐射源原始的训练样本中，总共有m 条雷达辐射源样本，每条雷达辐射源样本由η个信号特征以及该雷达辐射源所属的类型组成，初始有k个类型；其中m、η为自然数，k为大于等于2的自然数；设定门限值r作为雷达辐射源分类建模中选择的信号特征数目，针对动态变化的连续型(参见《统计学》，贾俊平，清华大学出版社，应用统计学系列教材，2006)训练样本增量式地更新训练样本描述矩阵和调整雷达辐射源分类模型，具体包括r个选择的信号特征，以及基于这r个信号特征构建的每个雷达辐射源类型j的信号特征均值向量矩阵[mean(i，j)]rxk,和协方差矩阵 [C(p,q, j)]rXrXk,。

该方法包括以下具体步骤步骤1，根据原始的训练样本初始化训练样本描述矩阵，获得类型-特征和矩阵、 类型-特征平方和矩阵以及类型-特征乘积和矩阵步骤la，类型-特征和矩阵[Σ (i，j)]nxk为一个nXk的矩阵，每行对应一个信号特征i，每列对应一个类型j，每个单元Σ (i，j)的值为所有类型j的训练样本的信号特征i值的总和，如公式(1)所示权利要求1.一种基于增量式学习的雷达辐射源分类建模方法，在用于构建雷达辐射源分类模型的雷达辐射源原始的训练样本中，共有m条雷达辐射源样本，每条雷达辐射源样本由η个信号特征以及该雷达辐射源所属的类型组成，初始有k个类型；其中m、η为自然数，k为大于等于2的自然数；其特征在于，设定门限值r作为雷达辐射源分类建模中选择的信号特征数目，对m条雷达辐射源样本进行以下步骤处理步骤1，根据原始的训练样本初始化训练样本描述矩阵，训练样本描述矩阵包括类型-特征和矩阵、类型-特征平方和矩阵以及类型-特征乘积和矩阵步骤2，根据所述三个矩阵和门限值r构建雷达辐射源分类模型，获得基于r个选择的信号特征的雷达辐射源类型的信号特征均值向量矩阵[mean (i，j) Lxk和协方差矩阵[C(p， q，j)]rXrXk ；步骤2之后，如果雷达辐射源训练样本的信号特征数目、类型数目或者样本数目有更新，则记更新后的信号特征数目为η'，类型数目为k'，样本数目为m'；步骤3，判断是否有新的信号特征加入训练样本，如果有，进行步骤4，否则，更新后的信号特征数目η'不变，即η' =n，进行步骤5;步骤4，扩充信号特征的数目η'，根据新的信号特征更新所述三个矩阵，并获得更新后的训练样本；步骤5，判断是否有新的雷达辐射源样本加入训练样本，如果有，根据下述公式获得更新后的样本数目m'，m' =m+Am，其中，Am为增加的样本数目，进行步骤6，否则，更新后的样本数目m'不变，即m' =m，更新后的类型数目k'也不变，即k' =k，跳至步骤9;步骤6，判断是否有新的类型加入训练样本，如果有，进行步骤7，否则，更新后的类型数目k'不变，即k' =k，跳至步骤8;步骤7，扩充类型数目，根据下述公式获得更新后的类型数目k' , k' =k+Ak，其中， Ak为增加的类型数目；步骤8，根据新的类型数目k'更新三个矩阵，并获得更新后的训练样本 步骤9，根据更新后的三个矩阵和人工设定的选择信号特征数目r，调整和输出雷达辐射源分类模型。

2.根据权利要求1所述的一种基于增量式学习的雷达辐射源分类建模方法，其特征在于，步骤9后为步骤10雷达辐射源分类，具体包括步骤10a，输入雷达辐射源测试样本每条雷达辐射源测试样本数据由η'个与训练样本相同的信号特征组成；步骤10b，根据雷达辐射源分类模型，计算雷达辐射源测试样本与每个雷达辐射源类型的马哈拉诺比斯距离，包括步骤10bl，获取雷达辐射源测试样本在门限值r个信号特征上的信号特征向量t = ( ” ]，· · ·，tr)；步骤10b2，根据雷达辐射源分类模型中每个雷达辐射源类型j的r维信号特征均值向量 mean』=[mean(i, j)]r 和协方差矩阵 Cj = [C (p, q, j)]rXr ；步骤10b3，根据信号特征向量t和每个雷达辐射源类型j的r维信号特征均值向量 meanj和协方差矩阵Cp根据下式计算雷达辐射源测试样本与每个雷达辐射源类型j的马哈拉诺比斯距离MDj，假设该马哈拉诺比斯距离是满足自由度为r的χ 2分布的MDtj - ((t - Tneanj )T Cj1 (t - Tneanj ))2 ；步骤10c，判断雷达辐射源测试样本是否属于已知类型，如果是，则进行步骤10d，否则继续步骤IOe ；步骤10cl，如果测试样本t与k'个雷达辐射源类型对应的马哈拉诺比斯距离中至少有一个小于第97. 5百分位点，判断雷达辐射源测试样本属于已知类型，进行步骤IOd ；步骤10c2，如果测试样本t与k'个雷达辐射源类型对应的马哈拉诺比斯距离均大于第97. 5百分位点，判断雷达辐射源测试样本不属于已知类型，继续步骤IOe ；步骤10d，判断雷达辐射源测试样本的类型为对应马哈拉诺比斯距离MDtj最小的类型， 并输出该类型，结束；步骤10e，输出雷达辐射源测试样本的类型为未知类型，结束。

3.根据权利要求1所述的一种基于增量式学习的雷达辐射源分类建模方法，其特征在于，步骤1中，所述类型-特征和矩阵[Σ (i，j)]nxk为一个nXk的矩阵，每行对应一个信号特征i，每列对应一个类型j，每个单元Σ (i，j)的值为所有类型j的训练样本的信号特征i值的总和，计算公式为Σ(/，j) = Σ χ⑴；ogQ j所述类型-特征平方和矩阵[Σ 2(i，j)]nxk为一个nXk的矩阵，每行对应一个信号特征i，每列对应一个类型j，每个单元Σ 2(i，j)的值为所有类型j的训练样本的信号特征i值平方的总和，计算公式为 2{i,j、= Σ χ'■’OG Ω J所述类型-特征乘积和矩阵[Σ Pair(p, q，j)]nXnXk为一个nXnXk的矩阵，第一维对应一个信号特征P，第二维对应一个信号特征q，第三维对应一个类型j，每个单元Σ Pair(p, q，j)的值为所有类型j的训练样本上信号特征P和信号特征q值乘积的总和，计算公式为^pair (P, q, J)= Σ W ；OE Q j其中，O表示一个训练样本，Ω ^表示所有属于类型j的训练样本，xi表示训练样本ο 在特征 i 上的值；当 P = q 时，Σ Pair(p, q，j) =Σ 2(p，j) =Σ 2(q，j)。

4.根据权利要求1所述的一种基于增量式学习的雷达辐射源分类建模方法，其特征在于，步骤4中包括以下步骤步骤4a，每增加一个新信号特征i ‘，使用如下公式依次扩展和更新原雷达辐射源训练样本的三个矩阵的特征维Σ(",·/)= Σ Xoi’ ； Σ2',7)= Σ ； Σ 气r,q,j>X XorXog ；oeQj其中，X()i,为训练样本ο在新信号特征i'上的信号特征值，q为在增加新信号特征i' 之前的信号特征；步骤4b，根据公式η' =η+Δη获得更新后的信号特征数目η'，其中，Δη为增加的信号特征数目，并获得更新后的训练样本，扩展和更新后的三个矩阵分别为[Σ (i，j)n, xk、 [Σ 2(i，j)n' Xk 禾口 [ Σ Palr (ρ, q，j)n' Xn' xk5.根据权利要求1所述的一种基于增量式学习的雷达辐射源分类建模方法，其特征在于，步骤8中，每增加一个新样本ο'，假设新样本ο'所属类型为j，根据以下公式依次更新三个训练样本描述矩阵6.根据权利要求1所述的一种基于增量式学习的雷达辐射源分类建模方法，其特征在于，步骤9包括步骤9a，根据三个矩阵和门限值r，调整雷达辐射源分类模型，获得更新后的雷达辐射源类型的信号特征均值向量矩阵[mean(i，j)]rxk,和协方差矩阵[C(p，q，j)rXrXk,；步骤％，输出基于r个选择的信号特征的k'个雷达辐射源类型的信号特征均值向量矩阵[mean(i, j)]rXk,与协方差矩阵[C (p, q，j)]rXrXk,。

7.根据权利要求1或6所述的一种基于增量式学习的雷达辐射源分类建模方法，步骤 2和步骤9中根据类型-特征和矩阵和类型-特征平方和矩阵，对每个信号特征进行F检验，选择类型区分能力最强的r个信号特征，即选择F检验中ρ值小于0. 05中ρ值最小的r个信号特征，信号特征i的Fi值计算公式如下全文摘要本发明公开了一种基于增量式学习的雷达辐射源分类建模方法，针对雷达辐射源训练样本的信号特征数目增加、类型数目增加和样本数目增加三种情况进行增量式学习，分别在特征维和类型维对训练样本描述矩阵进行扩充和更新，并在此基础上对原先构建的雷达辐射源分类模型进行调整，具体包括信号特征的重新评估和选择、模型参数的更新、模型结构的调整等本发明优点为避免了每次雷达辐射源训练样本变化都需要针对整个训练样本重新进行学习，重新构建分类模型，大大节约了计算成本，提高了计算效率；增量式学习结果不受雷达辐射源训练样本的数据输入顺序的影响，是固定的；本发明中的雷达辐射源分类模型能够辨别出未知类型的雷达辐射源目标。