基于蚁群优化特征选择的辐射源个体识别

辐射源个体识别技术可以为战场指挥官提供复杂电磁环境中辐射源个体特征,使得指挥官在数字化战场中获得优势。为提升辐射源个体识别的效率和效果,提出了一种基于蚁群优化特征选择的辐射源个体识别方法。以最大分类正确率和最小特征子集规模为目标,建立了特征选择数学模型,使用分类器的分类正确率作为特征选择的目标函数,设计了求解模型的蚁群算法。在实测的电台辐射源信号数据集上验证算法的有效性,实验结果表明方法对辐射源信号的分类正确率有较高提升。     

基于LightGBM和蚁群算法优化的特征选择方法

在处理高维特征数据时通常会面临冗余和不相关的问题,Relief作为一种传统的特征选择算法因其具有较高的稳定性和计算效率,从而被广泛应用。但其特征选择结果具有随机性,且对于特征之间存在较强依赖关系的数据集,如共线性等,可能会导致结果不准确。基于对特征选择方法的研究,给出了基于LightGBM和蚁群算法的L-ACO方法,使用LightGBM算法的特征重要性来表示L-ACO算法蚁群路径搜索过程的启发式信息。同时,使用特征之间的皮尔森相关系数来调整信息素浓度,以便更好地控制特征的相关性。实验证明,L-ACO方法可以在保证分类准确率的前提下,减少特征数量,降低特征冗余,并提高算法性能。     

应用FFB-EWT的OFDM辐射源个体识别

针对在传统辐射源个体识别方法中OFDM辐射源细微指纹特征信息会受到数据信号成分和信道噪声的影响会导致分类识别率低的问题, 根据短导码的子载波频谱特点设计了一种基于固定频率边界的经验小波变换(frequency fixed boundary-empirical wavelet transform, FFB-EWT)和深度残差网络的OFDM辐射源个体识别方法. 首先, 提取OFDM信号的短导码, 根据短导码中传输信号子载波的频率间隔划分固定边界条件, 将频域边界值应用于FFB-EWT对信号进行分解, 去除包含前导序列信息的子载波分量; 其次, 对相邻帧中包含指纹特征的空子载波分量进行积累, 提高指纹特征信号的信噪比; 然后, 使用双通道的结合了非局部注意力模块和通道注意力模块的ResNet18残差网络, 对IQ两路数据输入进行特征提取, 通过Softmax函数进行分类; 最后, 选择Oracle公开数据集验证方法的可行性. 实验结果表明利用FFB-EWT方法对6个不同辐射源个体在6 dB和0 dB条件下进行识别, 准确率可以达到98.17%和89.33%, 证明了该方法在低信噪比条件下的有效性.     

基于特征融合的通信辐射源个体识别

针对通信辐射源个体识别研究中单一特征不足以全面表示细微特征差异,从而限制识别率的问题,提出了一种基于特征融合的通信辐射源个体识别方法。该方法首先对原信号进行短时傅里叶变换和双谱变换,提取时频特征和双谱特征,结合小波融合技术进行特征融合,最后使用残差神经网络挖掘信号隐含的深层次特征,完成分类识别。实验结果表明,对于模拟信号源发射的短波通信信号,经过特征融合后的识别效果相较于使用单一特征方法有更高的识别准确率,并且在低信噪比的情况下仍有较好的识别效果。     

一种基于蚁群聚类算法的雷达辐射源识别方法

提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。     

基于指纹特征融合的通信辐射源个体识别研究

在对辐射源信号进行时频分析的基础上,提出一种基于特征融合的通信辐射源个体识别方法。提取辐射源信号载频特征和瞬态幅值特征,对重采样的瞬态幅值做三次样条插值,采用最小二乘法分段对插值后的瞬态幅值进行曲线拟合,获取拟合系数作为瞬态指纹特征;最后与载频特征融合,采用遗传算法优化融合系数,融合后的特征作为辐射源指纹特征。识别分类器采用概率神经网络,对16部手持机进行识别实验。实验结果表明,该方法提取的特征能够反映通信辐射源个体的时频特性,可实现对辐射源个体的有效识别,在信噪比为20 dB时,系统识别率优于90%。     

基于复数对比预测编码的辐射源个体识别

将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取,并结合复数网络,设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号,首先采用复数对比预测编码技术提取辐射源个体“指纹”特征,然后采用复数残差网络进行分类识别。实验结果表明,通过联合复数对比预测编码和复数残差网络的方法,极大地提高了辐射源个体识别正确率和鲁棒性,相较基于实数的神经网络算法和传统识别算法,识别正确率绝对提升了11.38%。     

基于小波包变换和蚁群算法的纹理分类

提出了一种小波包变换和蚁群算法相结合的纹理分类新方法。首先采用小波包变换提取纹理图像的纹理特征向量,然后用蚁群算法进行训练和分类。实验表明小波包变换和蚁群算法应用到纹理分类领域,是一次有效的尝试。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

基于多谱与支持向量机的通信辐射源个体识别

:研究电台信号性能识别问题,针对同类辐射源个体难以分类识别的特点,为消除噪声,识别有效信号,采用一种局部积分双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的电台辐射源特征参数形成新的特征向量,提出了一种基于混合核函数的支持向量机实现通信辐射源个体的分类识别的方法,并比较了核函数的不同参数对通信信号分类正确率的影响以及使用混合核函数和普通核函数的各自的分类效果.对FM电台辐射源个体分类的实验结果表明,方法在较低信噪比下对同型号、同批次通信辐射源个体识别可以取得良好的效果.     

基于蚁群算法的多传感器图像融合方法

为了使融合后的多传感器图像获得更多的光谱信息、提高清晰度、降低数据冗余度,提出了一种基于蚁群算法的多传感器图像融合方法.对低分辨率图像上的蚁群以相位一致性作为启发信息,高分辨率图像中的蚁群以梯度强度作为启发信息,两个蚁群通过共享的信息素矩阵实现协作,根据信息素矩阵提取图像特征.算法采用区域能量的加权自适应融合规则确定低频系数,结合蚁群算法提取的边缘特征融合来指导高频系数融合.融合结果表明,该方法在不同分辨率上引入了多种启发信息,因而能够提取更加完整和有意义的图像特征,为多传感器图像融合提供了更智能、更细致、更全面的图像信息.     

基于主元分析和小波变换的开工过程故障识别

针对蒸汽裂解实验装置的开工过程具有间歇操作,变量间相关性高的特点,传统的故障识别方法无法有效处理这种具有较强动态特性的实际工业生产过程.本文提出利用主元分析,用少量主元反映多个动态变量的综合信息,并利用正交小波变换的多尺度时频分析提取主元中表征工况变化的频带特征,对频带特征进行模式归纳分类,进而识别工况.实验结果证实了所提出方法的可行性和有效性.     

基于小波变换和蚁群算法的纹理分割

纹理分割是图像模式识别中的关键步骤,但直到现在仍然没有一种有效的方法能够解决。本文提出了一种新的基于小波变换和蚁群算法的纹理分割方法。该方法首先用小波变换提取图像不同频带的纹理特征,然后提出具有聚类能力的蚁群算法数学模型,并用这个模型来进行分割。实验结果表明,该方法是一种有效的纹理分割方法。     

混沌蚁群组合优化算法实现盲信号检测

根据混沌映射的伪随机性、遍历性以及规律性等特点提出一种新的算法,基于混沌-蚁群组合优化盲检测算法,即在信息素初始化时采用混沌初始化,并且在信息素更新时加入混沌扰动。仿真实验分别采用了4种不同的混沌映射：经典的Logistic映射、两种阶数不同的切比雪夫映射和改进的H映射。仿真结果表明,提出的基于混沌蚁群组合优化盲检测算法（CACO）可以提高计算效率,表现出了优于文献算法的良好性能。     

结合分辨矩阵与蚁群优化算法改进的特征选择方法

目前已有蚁群算法优化的特征选择方法,大多采用的是以属性依赖度和信息熵属性重要度作为路径上启发搜索因子,但这类搜索方法在某些决策表中存在算法早熟或搜索到的特征子集包含了冗余特征,从而导致选择精度显著下降。针对此类问题,根据条件属性在分辨矩阵中的占比提出了一种属性重要度的度量方法,以分辨矩阵重要度作为路径上启发因子,设计了一种基于分辨矩阵与蚁群算法优化的特征子集搜索方法。该算法从特征核出发,蚁群依次选择概率大的特征加入特征核集,直至找到最小特征子集算法终止。通过实例验证和UCI数据集实验结果表明,与基于属性依赖度和信息熵属性重要度的特征选择方法相比,在通常情况下,该算法能较小代价找到最小特征子集,并且可以有效减少计算工作量。     

基于粗糙集与蚁群优化算法的特征选择方法研究*

已有的基于蚁群优化算法的特征选择方法是从随机点出发,寻找最优的特征组合。讨论和分析了粗糙集理论中的特征核思想,结合蚁群优化算法的全局寻优特点,以特征重要度作为启发式搜索信息,提出从特征核出发基于粗糙集理论与蚁群优化的特征选择算法,简化蚁群完全图搜索的规模。在标准UCI数据集上进行测试,实验验证了新算法对于特征选择的有效性。     

基于ReliefF和蚁群算法的特征基因选择方法

针对高维小样本的DNA微阵列数据多分类问题,提出一种基于ReliefF和蚁群算法的特征基因选择方法(ReliefF and Ant Colony Optimization, ReFACO)。该方法首先采用ReliefF算法评估特征权重,根据阈值筛选出无关基因;然后引入改进的蚁群算法,在迭代改进的过程中寻找最优基因子集;最后利用经典分类算法对维数约简后的数据分类识别。经实验证明,该方法可以有效地剔除无关和冗余基因,并利用较少特征基因达到较高多分类效果。