排序方式: 共有3条查询结果,搜索用时 3 毫秒
1
1.
2.
为提高辐射源个体识别的准确率和可靠性,定义并研究孪生辐射源个体识别问题,提出基于蚁群特征选择并行分类集成学习的孪生辐射源个体识别方法。用皮尔森相关系数法确定不同分类器输出结果的分布矩阵的差异性,以基于蚁群特征选择的并行分类器中各子分类器分类准确率最高、差异性最大并使输入特征子集规模最小为目标建立设计模型,结合模型特点设计求解模型的蚁群算法。各子分类器根据其与所有子分类器的差异度和可靠度确定权重,差异度和可靠度越大,所占权重越大,根据不同权重子分类器预测结果的加权和进行最终决策。为验证方法的优越性,在原始电台采集信号、添加10 dB噪声、添加5 dB噪声3组数据下,将新方法和单一分类器、Adaboost算法及随机森林算法进行实验对比。研究结果表明,所提并行分类器设计模型分类准确率分别为88.70%、76.70%、64.80%,提高了特征的利用率和分类的准确性,优于其余3种方法。 相似文献
3.
为提升辐射源个体识别正确率和运算效率,提出了一种基于蚁群参数优化的LightGBM辐射源个体识别方法。运用提升小波包变换对辐射源信号数据进行特征提取并构建特征参数体系,对得到的特征数据集进行Z-score标准化处理;以最大分类正确率和最小特征子集规模为目标,建立了LightGBM参数优化和特征选择的数学模型;采用蚁群算法优化LightGBM的6个参数(最小叶子节点数据量、决策树的数量、学习率、L1正则化项的权重、L2正则化项的权重和最小叶子节点样本权重和);根据优化后的LightGBM得到每个特征的重要性值并使用序列后向搜索策略进行特征选择;最后通过LightGBM分类器实现对辐射源信号的分类识别。实验结果表明,所提方法在无噪声、信噪比为10 dB和信噪比为5 dB信号的数据集上的识别正确率优于对比特征选择方法GBDT、XGBoost和LightGBM的,同时特征维数的减少也提升了辐射源个体识别的运算效率。 相似文献
1