發(fā)布時間：2021-07-29 21:19

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

【文章來源】：電子信息對抗技術(shù). 2020,35(05)

【文章頁數(shù)】：6 頁

【部分圖文】：

Adaboost.M2_DT識別結(jié)果

該算法通過級聯(lián)多個基分類器實現(xiàn)強學(xué)習(xí)算法[5],具有強自適應(yīng)性。其自適應(yīng)體現(xiàn)在:上一個分類器錯分的樣本會被用來訓(xùn)練下一個分類器。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新的基分類器,直到樣本錯誤率達到設(shè)定的域值。訓(xùn)練過程中,每一個訓(xùn)練樣本都被賦予一個權(quán)重,表明它被某個分類器選入訓(xùn)練集的概率。如果某個樣本已經(jīng)被正確的分類,那么在構(gòu)造下一個訓(xùn)練集時,它被選中的概率就被降低;相反,如果某個樣本沒有被正確的分類,那么它的權(quán)重就會提高。AdaBoost.M2-DT方法對噪聲數(shù)據(jù)和異常數(shù)據(jù)較敏感,但相對于用雷達輻射源識別的其它方法,卻又不容易出現(xiàn)過擬合現(xiàn)象。其處理流程如圖1所示。該方法通過在每輪降低被正確分類樣例的權(quán)重,增加被錯誤分類樣例的權(quán)重,使得分類器在迭代過程中逐步改進,最終將所有分類器組合得到強分類器。AdaBoost.M2_DT的訓(xùn)練過程和雷達輻射源專家識別的過程很相似,都是將重點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)過標(biāo)準(zhǔn)高斯歸一化、PCA(主成分分析)降維后,觀測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的特征參數(shù)值相似,想要通過人工方式或者簡單識別算法進行區(qū)分,非常困難。樣本經(jīng)過訓(xùn)練后,形成模型,供識別階段使用。

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的雷達輻射源型號識別方法[J]. 雷濤,曠生玉,楊玲.  電子信息對抗技術(shù). 2019(04)
[2]基于AdaBoost和決策樹的雷達輻射源識別方法[J]. 唐曉婧,陳維高,席龍飛,慈言海.  電子信息對抗技術(shù). 2018(04)
[3]一種改進的BP-Adaboost算法及在雷達多目標(biāo)分類上的應(yīng)用[J]. 李蓓,張興敢,方暉.  南京大學(xué)學(xué)報(自然科學(xué)). 2017(05)
[4]基于SLIDE+SVM的雷達輻射源信號識別[J]. 黃穎坤,金煒東.  系統(tǒng)仿真學(xué)報. 2017(09)
[5]基于專家系統(tǒng)的雷達識別方法[J]. 李東海.  艦船電子對抗. 2014(05)
[6]一種基于模板脈沖序列的雷達輻射源識別方法[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)檢測系統(tǒng)研究[D]. 王旭.電子科技大學(xué) 2012



本文編號：3310074