一种结合深度学习和集成学习的辐射源个体识别方法

摘要

本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括：S1：生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习模型构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。本发明的方法能够提升辐射源个体识别准确率。

说明书

技术领域

本发明属于个体识别领域，具体是一种结合深度学习和集成学习的辐射源个体识别方法。

背景技术

辐射源个体识别主要通过提取接收到的信号中表征个体特征的属性，利用相应的算法实现对同类辐射源的不同个体的识别，该技术主要用于判断特定目标动向，为指战员的决策提供有力的依据。因此，辐射源个体识别具有显著的军事效益。在主流的个体识别方法方面：

主要包括深度学习和集成学习两类，其中，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。典型深度学习方法包括卷积神经网络、深度置信网络和受限玻尔兹曼机等，通过二维分布图或多维的描述作为输入，计算量大，不利于工程应用；集成学习基于多个分类器组合完成分类识别。典型方法有随机森林、Adaboost、GBDT等，随机森林具有高维特征处理、数据适应性强和较好的抗噪能力，但在噪声较大的分类或回归问题上容易出现过拟合，Adaboost方法在数据不平衡的情况下容易导致分类精度下降，训练耗时长且易受噪声干扰，GBDT方法的多个弱学习器之间存在依赖关系，难以并行训练数据。

发明内容

本发明的目的在于，为提高辐射源个体识别准确度，解决识别时难以兼顾准确性、适用性及工程应用性的问题，同时避免在信号样本有限的情况下单一集成学习或深度学习方法的局限性，本发明提供了一种准确、具备工程应用的辐射源个体识别方法。

本发明目的通过下述技术方案来实现：

一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括： S1：将各辐射源信号进行预处理并建立标签，生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：依次提取训练集中各辐射源信号的指纹特征，生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习方法构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。

根据一个优选的实施方式，所述步骤S5具体包括：将步骤S2中的辐射源特征矩阵作为输入，分别利用步骤S3、步骤S4的个体识别模型进行个体识别，并基于两种模型的识别结果，采用识别概率统计的方法生成不同辐射源个体的综合权值向量，即深度学习和集成学习的权重值，最后根据权重值形成针对不同辐射源个体的综合识别模型。

根据一个优选的实施方式，所述步骤S6具体包括：依次提取测试集中各辐射源信号的指纹特征，生成辐射源特征矩阵，利用步骤S5生成的综合识别模型进行个体识别验证。

根据一个优选的实施方式，所述步骤S1中抽取出的训练集的辐射源信号满足数据标签均匀分布。

根据一个优选的实施方式，所述步骤S1中，随机抽取数据集中的80％作为训练集，剩余的20％作为测试集。

根据一个优选的实施方式，所述步骤S3中，选用深度学习中的卷积神经网络，构建基于卷积神经网络的深度学习模型。

根据一个优选的实施方式，所述基于卷积神经网络的深度学习模型，包括三个卷积层、三个池化层、三个激活层以及输入层和输出层。

根据一个优选的实施方式，所述步骤S4中，选用集成学习中的随机森林，构建基于随机森林的集成学习模型。

前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案；且本发明，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。

本发明的有益效果：

1)具有准确性、适用性。本发明针对同类但个体不同的辐射源，构建适用于不同个体的综合识别模型。通过仿真实验说明，本发明的方法能够提升辐射源个体识别准确率。

2)具有通用性。本发明提出的动态调整深度学习模型和集成学习模型权重值的方法，可根据场景的不同，应用于任意两种学习模型中，均能达到取长补短的效果，该方法具有通用性。

附图说明

图1是本发明辐射源个体识别方法的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外，本发明要指出的是，本发明中，如未特别写出具体涉及的结构、连接关系、位置关系、动力来源关系等，则本发明涉及的结构、连接关系、位置关系、动力来源关系等均为本领域技术人员在现有技术的基础上，可以不经过创造性劳动可以得知的。

实施例1：

参考图1所示，本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法.

以雷达辐射源为例，主要步骤包括：

步骤一，将所有辐射源信号进行预处理并建立标签，生成数据集M，随机抽取其中的 80％作为训练集T，剩余的20％作为测试集C，其中，抽取的辐射源信号满足数据标签均匀分布，对于数据量少的个体通过同标签数据随机填补，以保证不同个体的训练样本数量基本一致。

步骤二：依次提取训练集T中各辐射源信号的指纹特征，生成辐射源特征矩阵A，该矩阵中每一行代表单个辐射源信号的特征。

步骤三：构建卷积神经网络，训练基于深度学习的个体识别模型。考虑计算量大小及工程化应用，构建的卷积神经网络的网络结构包含三个卷积层、三个池化层、三个激活层以及输入层和输出层。其中，卷积层的卷积核为一维向量，激活层为ReLU函数，输出层由一层全连接网络和softmax分类器组成。将特征矩阵A作为输入，生成基于深度学习的辐射源个体识别模型M

步骤四：构建随机森林网络，训练基于集成学习的个体识别模型。通过多个决策树和信息增益构建随机森林网络，将特征矩阵A作为输入，生成基于集成学习的辐射源个体识别模型M

步骤五：生成综合识别模型。将特征矩阵A作为输入，利用步骤三和步骤四的识别模型进行个体识别，并基于识别结果的概率统计确定个体识别模型M

根据给定的阈值F

其中，S

则可针对每个辐射源个体a

其中

为了适应实际应用中电磁环境的变化，将新获取的数据M

具体实例中，阈值 F

步骤六：依次提取测试集C中各辐射源信号的指纹特征，生成辐射源特征矩阵B作为输入，利用步骤五生成的综合识别模型进行个体识别验证。

具体实验中，按照步骤一至步骤六，得到辐射源个体识别结果；保证输入相同，利用步骤三生成的个体识别模型M

通过对比分析，本发明提出的方法平均识别准确率为94.6％，卷积神经网络算法平均识别准确率为88.4％，随机森林算法平均识别准确率为90.6％，因此本发明能够提升整体识别准确率。针对单一算法识别准确率较低的个体，如卷积神经网络对某辐射源个体识别准确率为38％，而本发明提出的方法对该辐射源个体识别准确率为92％；随机森林对某辐射源个体识别准确率为49％，而本发明提出的方法对该辐射源个体识别准确率为98％，识别正确率均高于单一算法，因此本发明对于不同辐射源个体均有较好的适用性。

前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。