基于AdaBoost和决策树的雷达辐射源识别方法

针对传统雷达辐射源识别算法在当前高密度信号环境下进行识别时,存在实时性差、识别准确率低、鲁棒性不强的问题,提出了一种基于AdaBoost和决策树的辐射源识别算法。首先通过信息增益构建单层决策树;然后利用AdaBoost算法对弱分类器进行训练,得到强分类器;最后通过强分类器对测试数据进行识别,得到识别结果。仿真结果表明,利用该方法识别参数误差10%的测试数据,识别准确率能够达到93.78%,时间消耗低于1.5s,具备良好的识别效果。     

一种基于雷达图的雷达辐射源识别算法

在分析和考察雷达辐射源(Radar Emitter)多特征模式识别算法的基础上提出了一种基于雷达图(Radar Chart)中向量夹角余弦值的分类识别算法,借助雷达图实现了雷达辐射源空间特征向量向平面向量的转换,实现对雷达辐射源型号的自动识别,给出识别置信度.通过计算机仿真得到大于85%的正确识别率,进一步验证了算法在雷达辐射源识别工程中的可用性和可行性.     

雷达辐射源识别算法综述

结合雷达辐射源识别的军事需求和近几年取得的研究进展,以雷达辐射源识别中最核心的3个方面为研究对象,综述相关算法的研究现状与发展.针对低信噪比环境、分类器能力不足和单传感器识别的缺陷,从辐射源特征提取、分类识别和多源融合识别等方面详述了目前算法的研究思路和性能,引入当前热点模式识别算法并分析其可借鉴性.最后,指出了在辐射源识别研究领域中仍存在的问题,并展望了下一步的研究方向.     

一种改进的雷达辐射源识别在线学习方法

针对支持向量机分类器学习新增样本知识实时性差的问题,本文研究了一种基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法.通过Parzen窗密度估计剔除样本孤立野点,通过求取样本集的壳向量缩短训练时间,利用训练好的分类器完成雷达信号样本识别.仿真实验表明,提出的基于壳向量和Parzen窗密度估计的雷达辐射源识别...     

基于GMM和神经网络的辐射源识别方法

针对基于截获雷达脉冲特征参数的辐射源识别问题,通过建立一个高斯混合模型(GMM),采用最大化期望(EM)方法对模型参数进行训练,构建了一个输入为截获雷达脉冲特征参数,输出为雷达辐射源类型的分类器。同时,为实现对分类识别性能对比,进一步提出基于神经网络方法构建雷达辐射源类型分类器。仿真试验结果表明,基于GMM和神经网络构建的两种分类器均能实现对雷达辐射源的在线识别,且当用于训练的样本比例不低于10%时,均能获得90%以上的分类正确率。     

基于改进残差网络的雷达辐射源多标签识别北大核心CSCD

针对现有的雷达辐射源识别方法具有低信噪比情形下识别精度低、无法识辩多个辐射源等缺点,文中提出融入注意力机制的残差网络用于雷达辐射源多标签识别。首先,利用残差网络学习过程数据的时序特征并提取相应的深层特征;然后,引入注意力机制对提取的特征进一步地分类和识别;最后,在雷达辐射源数据集上进行仿真实验。结果表明所提的Atten-Resnet模型不但可以在多标签条件下进行雷达辐射源的准备识别,而且在信噪比为6 dB时仍然可以保持95%以上的准确率。Atten-Resnet模型具有较高的实用性和较强的鲁棒性。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

基于时频分布Rényi熵特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于时频分布Rényi熵的雷达信号特征提取和识别方法。该方法首先对雷达辐射源信号进行时频变换,然后提取信号时频分布的3阶、7阶和11阶Rényi熵作为特征向量,得到具有维数低、类间差异较大的识别特征。最后采用支持向量机分类器实现信号的分类识别。文中对8种常见雷达信号进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的正确识别率,当信噪比为-3dB时,采用时频分布Rényi熵特征的平均识别率仍能达到90.75%,验证了提出方法的有效性。     

Boosting优化决策树的带钢表面缺陷识别技术

基于图像信息的缺陷识别技术是带钢表面缺陷检测系统中的关健技术之一.通过采用单一的分类技术或者一步到位的创建分类器,对复杂带钢表面缺陷图像进行识别很难达到理想的效果.提出了用Boosting算法结合SLIQ决策树建立组合分类器来识别带钢表面缺陷的方法.Boosting算法通过适应性权重技术和带权重的投票方法,建立并组合多个功能互补的分类器,组合分类器通过优势互补的方法有效地提高单个分类器的性能;而SLIQ决策树算法的数据预排序和广度优先技术对大规模数据分类具有速度优势,适合于作为单个分类器的弱学习算法.对实际带钢表面缺陷数据集进行测试,Boosting优化SLIQ决策树的组合分类器对缺陷识别的准确率达到了90%以上.     

基于联合时频辐射源信号识别方法

针对传统基于人工判决和模块匹配识别雷达辐射源信号的不足,提出了一种基于联合时频的智能识别算法。将雷达辐射源信号进行时频变换,处理后的信号经过不同种降维方式输入到自动编码器中,通过预训练调节深度学习模型,并采用常用的softmax分类器对预训练完的模型采取有监督精校和识别,最后完成识别任务。仿真结果表明,该算法能够实现很高识别率,并且经过联合降维较其他几种方法的效果更好。     

一种低信噪比下雷达辐射源识别方法

针对低信噪比下雷达辐射源信号分类,首先提出了基于高阶累积量和小波包变换相结合的特征提取方法,然后设计支持向量机分类器,并运用粒子群优化算法对分类器的参数进行寻优,最终实现对雷达辐射源信号的自动分类。仿真实验结果表明,在信噪比为-4dB时,6种雷达辐射源信号的平均识别率仍能达到93.83%,在低信噪比环境下取得了较为理想的分类效果。     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。     

基于功率谱密度的通信辐射源个体识别方法

为阻止设备克隆、重放攻击和用户身份假冒等问题的发生,准确识别和认证物联对象,提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集I路射频基带信号;通过方差轨迹检测截取稳态信号片段,并对稳态信号片段进行数据标准化处理;计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量,将所述特征向量作为发射机的射频指纹;最后利用智能分类器识别所述射频指纹,完成通信辐射源个体识别。通过对同厂家、同型号、同批次的8个无线数传电台E90-DTU设备和100个WiFi网卡设备的实验测试表明,本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。     

改进的AdaBoost.M2-SVM在低信噪比语音识别中的应用

提出了基于雁群启示的粒子群优化算法改进的AdaBoost.M2-SVM算法.首先训练多个支持向量机作为弱分类器,用AdaBoost.M2算法将多个弱分类器集成为最终的强分类器,实现多类分类;采用GeesePSO算法对AdaBoost.M2算法计算出的权值进行优化得到一组最优的权值,提高最终强分类器的提升能力.实验结果表明,在低信噪比语音识别中,与SVM相比,改进的AdaBoost.M2-SVM表现出更好的泛化能力,提高了识别准确率.     

面向电磁大数据的未知雷达辐射源智能识别

基于人工智能的方法在雷达辐射源识别任务中已取得很好的效果。但随着电子信息技术的发展,将会出现越来越多的未知辐射源,其特征分布与类别都是未知的,在缺少先验知识的情况下,难以对人工智能模型进行充分的训练,使得现有的大多数方法都无法很好地完成对未知雷达辐射源的识别。为了解决上述问题,提出并阐述了可用于未知雷达辐射源识别的电磁大数据的解决方案,重点研究了基于Flink的未知雷达辐射源快速比对检索识别算法。通过对比实验证明了该方法的有效性,其识别准确率可达87.2%,当并行度设置为6时,整个互信息与K最近邻(MI-KNN)并行化算法耗时仅为4.7 s。     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于DAGSVM的雷达辐射源信号分选与识别

支持向量机具有较好的解决小样本、非线性问题的能力,而DAG算法具有分类精度高的优点。针对现有方法分选与识别准确率不高和对参数变换敏感的问题,在DAGSVM的基础上,提出一种新的雷达辐射源分选与识别方法。首先概述了支持向量机的原理及特点,然后完成了对SVM多分类器的设计,介绍了DAG算法,提出了基于DAGSVM的雷达辐射源信号分选与识别。并通过仿真实验分析了分类器对分选识别结果的影响。实验结果表明,使用DAGSVM这种方法是可行的,该方法具有较强的泛化性能,明显地提高了信号分选识别的准确性。     

基于SVM的通信设备部件识别研究

为解决大型通信设备的部件识别问题,提出了一种将SIFT特征和SVM相结合的分类方法。首先,通过SIFT算法得到样本图片的feature集即特征向量,并通过K-means聚类算法得到中心矩阵,再分别将所有feature集与中心矩阵作欧氏距离计算并统计最小值位置,即可得到输入数据;然后,采用以高斯径向基函数为核函数的一对多SVM分类器进行训练;最后,对新的输入数据进行检测,并得到输出结果。试验结果表明,基于SVM的分类方法能够有效提高分类正确率,并达到92%以上。     

分类模式挖掘在属性预测中的应用

数据挖据是一种处理海量数据的技术。分类挖掘是数据挖掘的重要方法。决策树算法能有效在训练数据集上建立数据属性和类别的映射。利用决策树算法建立目标数据库分类器,对数据对象的缺失属性预测。针对分类预测模型对单个目标多个预测类别的现象,提出一种单个目标预测结果的综合分析算法,处理结果得到单个目标的预测类别及其可信度。分类结果可用于空缺或错误字段补全或校正。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。