針對(duì)遙感全脈沖數(shù)據(jù)"大數(shù)據(jù)、小樣本",傳統(tǒng)基于模板序列匹配的識(shí)別方法時(shí)間復(fù)雜度高,深度學(xué)習(xí)算法訓(xùn)練樣本不足導(dǎo)致泛化能力差的問(wèn)題,提出一種基于AdaBoost.M2-DT算法的識(shí)別方法。首先采用決策樹實(shí)現(xiàn)基分類器,然后使用Adaboost.M2的集成學(xué)習(xí)方法構(gòu)建識(shí)別模型。實(shí)驗(yàn)采用9型雷達(dá)輻射源的外場(chǎng)數(shù)據(jù),分別使用序列匹配方法、SVM（支持向量機(jī)）、CNN（卷積神經(jīng)網(wǎng)絡(luò)）和AdaBoost.M2-DT算法進(jìn)行訓(xùn)練和識(shí)別并對(duì)比實(shí)驗(yàn)結(jié)果,表明AdaBoost.M2-DT算法對(duì)小樣本的遙感全脈沖數(shù)據(jù)具有較高的識(shí)別正確率和較小的時(shí)間復(fù)雜度。 

【文章來(lái)源】：電子信息對(duì)抗技術(shù). 2020,35(05)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

Adaboost.M2_DT識(shí)別結(jié)果

該算法通過(guò)級(jí)聯(lián)多個(gè)基分類器實(shí)現(xiàn)強(qiáng)學(xué)習(xí)算法[5],具有強(qiáng)自適應(yīng)性。其自適應(yīng)體現(xiàn)在:上一個(gè)分類器錯(cuò)分的樣本會(huì)被用來(lái)訓(xùn)練下一個(gè)分類器。AdaBoost.M2-DT方法是一種有監(jiān)督學(xué)習(xí)的迭代算法,在每一輪迭代中加入一個(gè)新的基分類器,直到樣本錯(cuò)誤率達(dá)到設(shè)定的域值。訓(xùn)練過(guò)程中,每一個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重,表明它被某個(gè)分類器選入訓(xùn)練集的概率。如果某個(gè)樣本已經(jīng)被正確的分類,那么在構(gòu)造下一個(gè)訓(xùn)練集時(shí),它被選中的概率就被降低;相反,如果某個(gè)樣本沒(méi)有被正確的分類,那么它的權(quán)重就會(huì)提高。AdaBoost.M2-DT方法對(duì)噪聲數(shù)據(jù)和異常數(shù)據(jù)較敏感,但相對(duì)于用雷達(dá)輻射源識(shí)別的其它方法,卻又不容易出現(xiàn)過(guò)擬合現(xiàn)象。其處理流程如圖1所示。該方法通過(guò)在每輪降低被正確分類樣例的權(quán)重,增加被錯(cuò)誤分類樣例的權(quán)重,使得分類器在迭代過(guò)程中逐步改進(jìn),最終將所有分類器組合得到強(qiáng)分類器。AdaBoost.M2_DT的訓(xùn)練過(guò)程和雷達(dá)輻射源專家識(shí)別的過(guò)程很相似,都是將重點(diǎn)聚焦于那些較難分的樣本上,因此相比基于神經(jīng)網(wǎng)絡(luò)的識(shí)別算法,具有更好的可解釋性。

將用于訓(xùn)練的樣本數(shù)據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)高斯歸一化、PCA(主成分分析)降維后,觀測(cè)其特征的可分性如圖2所示。從圖2中可以直觀地看到,9類型號(hào)的特征形成明顯的3簇,簇之間線性可分,但是簇的內(nèi)部混疊嚴(yán)重,在PCA降維之后仍然不可分。導(dǎo)致樣本不可分的原因是多功能雷達(dá)的特征參數(shù)值相似,想要通過(guò)人工方式或者簡(jiǎn)單識(shí)別算法進(jìn)行區(qū)分,非常困難。樣本經(jīng)過(guò)訓(xùn)練后,形成模型,供識(shí)別階段使用。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的雷達(dá)輻射源型號(hào)識(shí)別方法[J]. 雷濤,曠生玉,楊玲.  電子信息對(duì)抗技術(shù). 2019(04)
[2]基于AdaBoost和決策樹的雷達(dá)輻射源識(shí)別方法[J]. 唐曉婧,陳維高,席龍飛,慈言海.  電子信息對(duì)抗技術(shù). 2018(04)
[3]一種改進(jìn)的BP-Adaboost算法及在雷達(dá)多目標(biāo)分類上的應(yīng)用[J]. 李蓓,張興敢,方暉.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(05)
[4]基于SLIDE+SVM的雷達(dá)輻射源信號(hào)識(shí)別[J]. 黃穎坤,金煒東.  系統(tǒng)仿真學(xué)報(bào). 2017(09)
[5]基于專家系統(tǒng)的雷達(dá)識(shí)別方法[J]. 李東海.  艦船電子對(duì)抗. 2014(05)
[6]一種基于模板脈沖序列的雷達(dá)輻射源識(shí)別方法[J]. 龔亮亮,羅景青,吳世龍.  現(xiàn)代防御技術(shù). 2008(05)

博士論文
[1]基于決策樹的數(shù)據(jù)建模分析方法及其在鐵路中的應(yīng)用研究[D]. 呂曉艷.中國(guó)鐵道科學(xué)研究院 2007

碩士論文
[1]基于AdaBoost算法的目標(biāo)檢測(cè)系統(tǒng)研究[D]. 王旭.電子科技大學(xué) 2012



本文編號(hào)：3310074