CN113608172B - 一种基于改进k近邻的机载多功能雷达工作模式识别方法 - Google Patents
一种基于改进k近邻的机载多功能雷达工作模式识别方法 Download PDFInfo
- Publication number
- CN113608172B CN113608172B CN202110700893.0A CN202110700893A CN113608172B CN 113608172 B CN113608172 B CN 113608172B CN 202110700893 A CN202110700893 A CN 202110700893A CN 113608172 B CN113608172 B CN 113608172B
- Authority
- CN
- China
- Prior art keywords
- sample
- training set
- samples
- target
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000012512 characterization method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000002131 composite material Substances 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 110
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000006185 dispersion Substances 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013074 reference sample Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进K近邻的机载多功能雷达工作模式识别方法,通过获取复合场景下多功能雷达信号的数据集;对数据集进行预处理,获得数据集中每个样本的多维特征表征;对每个样本进行一位编码获得样本标签;进一步获得标签样本集,然后随机选择组成训练集以及测试集;根据类间边界,使用1‑NN算法有效剔除训练集中界限模糊的样本,得到目标训练集;再进行PCA主成分贡献率分析,减少冗余特征对分类识别的影响,获得降维后的目标训练集。重复训练预设的k近邻算法模型,确定k的最优值;使用测试集测试确定k为最优值的k近邻算法模型进行识别。本发明可以降低分类识别时间,具有较好的鲁棒性和泛化性。
Description
技术领域
本发明属于电子战信号处理技术领域,具体涉及一种基于改进K近邻的机载多功能雷达工作模式识别方法。
背景技术
随着装备技术的不断发展革新,在现如今的电磁环境下,单一体制的雷达早已不能满足复杂环境下的作战需求,因而多功能雷达变得愈发重要,且应用也越来越广泛。在电子战对抗中,多功能雷达当前处于何种工作模式,下一时刻将有何种作战意图,在电子情报侦察、电子支援和威胁告警***中发挥着重要的作用,传统的分类识别方法依赖于对雷达信号进行参数提取,通过对提取到的参数进行人工分析,资源耗费巨大且存在很大缺陷。
对于典型的机载多功能雷达可以根据战术需求灵活的切换工作模式,这得益于采用电扫描方式通过计算机控制各辐射单元的馈电相位,可以实现灵活的波束发射及数据的快速处理,另外因其具备的多功能、多目标处理及高度自适应能力,使得机载多功能雷达具有多种工作模式,且具有不同的威胁等级,而每种工作模式下的雷达信号参数都不尽相同,如何利用信号参数的规律和特点来进行工作模式分类识别,对电子对抗情报分析工作具有重要意义,因此正确识别机载多功能雷达的工作模式至关重要。
在2016年刘俊江等人通过对雷达扫描包络进行分析,由于在实际中机载多功能雷达与传统PD雷达在扫描特性存在差异,识别方法并不是准确的达到识别效果。陈游等人提出了一种粒子群优化算法自适应优化DPNN网络,并用训练后的网络对提取的雷达短语进行识别,但对于低信噪比下的识别准确率有待提高。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于改进K近邻的机载多功能雷达工作模式识别方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法包括:
获取复合场景下多功能雷达信号的数据集;
其中,所述数据集中包括多种工作模式下的信号,每种信号的信噪比点包括多个,每种工作模式下的信号在不同信噪比下存在多个样本;
对所述数据集进行预处理,获得数据集中每个样本的多维特征表征;
针对所述数据集中的每个样本,对该样本进行一位编码获得样本标签;
将每个样本的样本标签与多维特征表征组成该标签样本,获得标签样本集;
对所述标签样本集中随机选择组成训练集以及测试集;
根据类间边界,使用1-NN算法剔除所述训练集中界限模糊的样本,得到目标训练集;
对所述目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集;
使用目标训练集重复训练预设的k近邻算法模型,确定k的最优值;
使用所述测试集对在k为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将k为最优值的k近邻算法模型确定为识别模型;
使用该识别模型对多功能雷达信号进行识别。
可选的,在针对所述数据集中的每个样本,对该样本进行一位编码获得样本标签之前,所述识别方法还包括:
对每个样本在每一维的特征表征进行归一化,以使特征表征映射在固定区间内。
可选的,所述根据类间边界,使用1-NN算法剔除所述训练集中界限模糊的样本,得到目标训练集包括:
将所述训练集随机分为第一训练集以及第二训练集;
以所述第一训练集为参考样本集,使1-NN算法将第二训练集进行分类,并将第二训练集的分类结果与该第二训练集的真实类别进行对比,在第二训练集中剔除分类错误的样本,获得剔除之后的第二训练集;
以剔除之后的第二训练集为参考样本集,使1-NN算法将第一训练集进行分类,并将第一训练集的分类结果与该第一训练集的真实类别进行对比,在第一训练集中剔除分类错误的样本,获得剔除之后的第一训练集;
将第一训练集以及第二训练集组成目标训练集。
可选的,所述对所述目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集包括:
将降维后的目标训练集中的每个样本进行中心化,以求取每个样本的每个维度特征的均值;
基于每个维度特征的均值,计算每个样本的协方差矩阵;
其中,每个协方差矩阵包括未知值的特征以及该特征对应的特征向量;
对所述协方差矩阵进行特征值分解,求解协方差矩阵的特征值及对应的特征向量;
将所述特征值进行从小至大排序,选择最大的k个特征值对应的特征向量分别作为行向量组成特征向量矩阵;
将每个样本对应的所述特征向量矩阵组成降维后的目标训练集。
其中,维度特征求均值后的样本表示为:
其中,表示维度特征求均值后的样本,si=(Ci,Di,Pi,Wi,Ui,Mi,Ri,Ni),si表示每个样本的多维特征表征,Ci为平滑度,Di为离散度,Pi为脉冲重频,Wi为脉宽,Ui为占空比,Mi为脉内调制类型,Ri为回照信息,Ni为目标驻留时间内的脉冲数,m表示样本的数量,i表示样本序号。
可选的,所述对所述数据集进行预处理,获得数据集中每个样本的多维特征表征包括:
根据样本的脉冲幅度序列ai计算中间变量ci:
根据中间变量ci计算平滑度C;
使用离散度计算公式,计算每个样本的离散度;
将平滑度,离散度,脉冲重频,脉宽,占空比,脉内调制类型,回照信息以及目标驻留时间内的脉冲数分别确定为样本在每一维的特征,获得数据集中每个样本的多维特征表征;
其中,N为脉冲幅度序列ai中脉冲的总数;离散度计算公式为/> 为根据样本的脉冲幅度序列ai求得的平均值,其中N为脉冲幅度序列ai中脉冲的总数,/>δa为根据样本的脉冲幅度序列ai求得的标准差,/>
其中,协方差矩阵计算公式为:
其中,x表示维度特征a或b,y表示维度特征a或b,m表示样本的数量,i表示样本序号。
其中,所述特征值表示为λ,特征向量表示为x,
其中,E为单位矩阵,A是样本的协方差矩阵,λ是特征值,x是对应的特征向量。
可选的,使用所述测试集对在K为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将该K为最优值的k近邻算法模型确定为识别模型包括:
计算所述测试集中的每个样本与所述训练集中的每个样本之间的欧式距离;
根据欧式距离远近,使用多数表决规则对测试集中的k个样本进行分类判定,将每个样本的类别判定为数量最多的样本类别;
根据测试集中每个样本判定的样本类别与真实类别对比结果,统计测试准确率;
当测试准确率达到设定的准确阈值时,该k为最优值的k近邻算法模型确定为识别模型。
其中,统计测试准确率的统计公式为:
其中,acc为测试准确率,Is为识别正确的测试集样本数,Ts为测试集的样本总数。
1、本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法,在机载空-空场景的基础上,通过波形和波束捷变,同时实现空-空及空-地复合场景下的功能交替,可以适应不同战情场景下的多类工作模式;
2、本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法采用1-NN算法,着眼于各工作模式的类间边界,对训练集剔除模糊边界样本,使得边界更加清晰,可以提升算法的分类效能;
3、本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法引入了PCA降维策略,剔除降低识别准确率的冗余特征,优化了分类的准确率,降低了运算的复杂度;
4、本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法,针对机载多功能雷达的数据集而言,特征属性相对较多的特性,引入了k近邻分类算法模型进行分类识别。相比于现有技术本发明可以不断从新样本数据中学习新的知识进行识别分类,对于机载多功能雷达的分类识别更具适应性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,本发明提供的一种基于改进K近邻的机载多功能雷达工作模式识别方法包括:
S1,获取复合场景下多功能雷达信号的数据集;
其中,数据集中包括多种工作模式下的信号,每种信号的信噪比点包括多个,每种工作模式下的信号在不同信噪比下存在多个样本;
本步骤获取机载多功能雷达在空-空、空-地复合场景下的典型工作模式数据集,该数据集信号包括十种典型的工作模式。对于空-地场景下,数据集包括动目标检测模式信号、动目标跟踪模式信号以及合成孔径雷达模式信号;对于空-空场景下,数据集包括速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号。其中每种信号从5dB至20dB,间隔5dB,共4个信噪比点,每种信号在不同信噪比下样本数量为1000个。
其中10种多功能雷达信号的载频设置为1GHz,采样频率设置为2.4GHz;动目标检测模式信号目标驻留时间内的脉冲数设置为20~550个,脉宽设置为2~60us,占空比设为0.1~25;动目标跟踪模式信号目标驻留时间内的脉冲数设置为20~1000个,脉宽设置为2~60us,占空比设为0.1~25;合成孔径雷达模式信号目标驻留时间内的脉冲数设置为150~100k个,脉宽设置为3~60us,占空比设为1~25;速度搜索模式信号目标驻留时间内的脉冲数设置为1500~6000个,脉宽设置为1~3us,占空比设为10~30;高重频边测距边搜索模式信号目标驻留时间内的脉冲数设置为250~2000个,脉宽设置为1~3us,占空比设为10~25;中重频边测距边搜索模式信号目标驻留时间内的脉冲数设置为250~2000个,脉宽设置为2~4us,占空比设为10~25;边搜索边跟踪模式信号目标驻留时间内的脉冲数设置为16~128个,脉宽设置为0.81~4us,占空比设为10~30;搜索加跟踪模式信号目标驻留时间内的脉冲数设置为16~128个,脉宽设置为0.28~4us,占空比设为10~30;单目标跟踪模式信号目标驻留时间内的脉冲数设置为20000个,脉宽设置为1~3us,占空比设为0.1~5;态势感知模式信号目标驻留时间内的脉冲数设置为1000~8000个,脉宽设置为1~3us,占空比设为10~30。
S2,对数据集进行预处理,获得数据集中每个样本的多维特征表征;
针对机载多功能雷达的工作模式识别,从数据集中可以得到对于工作模式的形式化表达,每一个样本主要以平滑度、离散度、脉冲重频、脉宽、占空比、脉内调制类型、回照以及目标驻留时间内的脉冲数等八维信息表征,以S表述为一个样本,则可表示为:si=(Ci,Di,Pi,Wi,Ui,Mi,Ri,Ni),其中Ci为平滑度,Di为离散度,Pi为脉冲重频,Wi为脉宽,Ui为占空比,Mi为脉内调制类型,Ri为回照信息,Ni为目标驻留时间内的脉冲数。
本发明在针对数据集中的每个样本,对该样本进行一位编码获得样本标签之前,需要对每个样本在每一维的特征表征进行归一化,以使特征表征映射在固定区间内。
在实际侦获的雷达信息中,有的特征参数为固定值,有的则是一个范围,且往往不在同一数据级上。对所有特征参数进行最大-最小归一化处理,并将参数值映射到[0,1]区间,假设在样本空间内其具有i个值,对于各属性抽象为v,规范化处理如下:
作为本发明一种可选的实施方式,对数据集进行预处理,获得数据集中每个样本的多维特征表征包括:
S21,根据样本的脉冲幅度序列ai计算中间变量ci:
S22,根据中间变量ci计算平滑度C;
S23,使用离散度计算公式,计算每个样本的离散度;
S24,将平滑度,离散度,脉冲重频,脉宽,占空比,脉内调制类型,回照信息以及目标驻留时间内的脉冲数分别确定为样本在每一维的特征,获得数据集中每个样本的多维特征表征;
其中,N为脉冲幅度序列ai中脉冲的总数;离散度计算公式为/> 为根据样本的脉冲幅度序列ai求得的平均值,其中N为脉冲幅度序列ai中脉冲的总数,/>δa为根据样本的脉冲幅度序列ai求得的标准差,/>
S3,针对数据集中的每个样本,对该样本进行一位编码获得样本标签;
对数据集的每条样本进行一位编码,即新的每条样本集可表述为:
Si=(Ci,Di,Pi,Wi,Ui,Mi,Ri,Ni,labeli)
其中,labeli={0,1,2,3,4,5,6,7,8,9}。
S4,将每个样本的样本标签与多维特征表征组成该标签样本,获得标签样本集;
将每个样本的样本标签与多维特征表征组成该标签样本,即得到了长度为9的标签样本集,用于后续的工作模式识别,维度为10000*9;
S5,对标签样本集中随机选择组成训练集以及测试集;
本发明在得到的10种典型工作模式信号4个信噪比的数据集,数据集中共40000个样本中,可以从每个信噪比样本集中随机抽出8000个样本作为训练集,1000个样本作为验证集,1000个样本作为测试集。
S6,根据类间边界,使用1-NN算法剔除训练集中界限模糊的样本,得到目标训练集;
S7,对目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集;
对于多功能雷达工作模式而言,数据集特征的增长对识别率而言并非呈正相关联系,部分冗余特征会降低识别准确率,输入数据样本集为Z={S1,S2,…,Sm},低维空间维度为K。
S8,使用目标训练集重复训练预设的k近邻算法模型,确定k的最优值;
对于机载多功能雷达工作模式信号采用八维特征表征,采用PCA降维策略,对比八维特征和降至不同维度(一维-七维)后的数据集的识别准确率,对十次测试的结果求均值,对比识别准确率。即可得到k的最优值。
本发明经过实验验证,当低维空间维度K为7的时候识别准确率最高,即选择低维空间维度K=7。
S9,使用测试集对在k为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将该k为最优值的k近邻算法模型确定为识别模型;
S10,使用该识别模型对多功能雷达信号进行识别。
本发明公开了一种基于改进K近邻的机载多功能雷达工作模式识别方法,通过获取复合场景下多功能雷达信号的数据集;对数据集进行预处理,获得数据集中每个样本的多维特征表征;对每个样本进行一位编码获得样本标签;进一步获得标签样本集,然后随机选择组成训练集以及测试集;根据类间边界,使用1-NN算法有效剔除训练集中界限模糊的样本,得到目标训练集;再进行PCA主成分贡献率分析,减少冗余特征对分类识别的影响,获得降维后的目标训练集。重复训练预设的k近邻算法模型,确定k的最优值;使用测试集测试确定k为最优值的k近邻算法模型进行识别。本发明可以降低分类识别时间,具有较好的鲁棒性和泛化性。
作为本发明一种可选的实施方式,根据类间边界,使用1-NN算法剔除训练集中界限模糊的样本,得到目标训练集包括:
S61,将训练集随机分为第一训练集以及第二训练集;
S62,以第一训练集为参考样本集,使1-NN算法将第二训练集进行分类,并将第二训练集的分类结果与该第二训练集的真实类别进行对比,在第二训练集中剔除分类错误的样本,获得剔除之后的第二训练集;
S63,以剔除之后的第二训练集为参考样本集,使1-NN算法将第一训练集进行分类,并将第一训练集的分类结果与该第一训练集的真实类别进行对比,在第一训练集中剔除分类错误的样本,获得剔除之后的第一训练集;
S64,将第一训练集以及第二训练集组成目标训练集。
得到目标训练集的过程如下:将训练集数据随机打乱后,均分为两部分Zl和Zr;首先以Zl为参考样本集对Zr采用1-NN算法,将Zr中的分类结果与真实类别作对比,剔除分类错误的样本集,将剔除后的数据集表示为Z'r;再以Z'r为参考样本集对Zl采用1-NN算法,剔除相应分类错误样本集后的数据集表示为Z'l;得到目标训练集为Z=Z'l+Z'r。
作为本发明一种可选的实施方式,对目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集包括:
S71,将降维后的目标训练集中的每个样本进行中心化,以求取每个样本的每个维度特征的均值;
其中,维度特征求均值后的样本表示为:
其中,表示维度特征求均值后的样本,si=(Ci,Di,Pi,Wi,Ui,Mi,Ri,Ni),si表示每个样本的多维特征表征,Ci为平滑度,Di为离散度,Pi为脉冲重频,Wi为脉宽,Ui为占空比,Mi为脉内调制类型,Ri为回照信息,Ni为目标驻留时间内的脉冲数,m表示样本的数量,i表示样本序号。
S72,基于每个维度特征的均值,计算每个样本的协方差矩阵;
其中,每个协方差矩阵包括未知值的特征以及该特征对应的特征向量;协方差矩阵计算公式为:
其中,x表示维度特征a或b,y表示维度特征a或b,m表示样本的数量,i表示样本序号。从上述矩阵看出,矩阵对角线上分别是两个维度特征变量的方差,而其它元素是变量a和b的协方差,两者被统一到一个矩阵里。
S73,对协方差矩阵进行特征值分解,求解协方差矩阵的特征值及对应的特征向量;
特征值表示为λ,特征向量表示为x,
其中,E为单位矩阵,A是样本的协方差矩阵,λ是特征值,x是对应的特征向量。
S74,将特征值进行从小至大排序,选择最大的k个特征值对应的特征向量分别作为行向量组成特征向量矩阵;
对特征值从小到大排序,选择其中最大的K个特征值对应的特征向量分别作为行向量组成特征向量矩阵,即得到降维后的样本数据。通过遍寻不同低维空间维度,当维度为7的时候,分类识别效率最高。
S75,将每个样本对应的特征向量矩阵组成降维后的目标训练集。
作为本发明一种可选的实施方式,使用测试集对在K为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将该K为最优值的k近邻算法模型确定为识别模型包括:
S91,计算测试集中的每个样本与训练集中的每个样本之间的欧式距离;
S92,根据欧式距离远近,使用多数表决规则对测试集中的k个样本进行分类判定,将每个样本的类别判定为数量最多的样本类别;
S93,根据测试集中每个样本判定的样本类别与真实类别对比结果,统计测试准确率;
统计测试准确率的统计公式为:
其中,acc为测试准确率,Is为识别正确的测试集样本数,Ts为测试集的样本总数。
S94,当测试准确率达到设定的准确阈值时,该k为最优值的k近邻算法模型确定为识别模型。
其中,准确阈值可以通过实验得到。
当测试集中的样本全部分类识别完毕,比对各样本的真实类别,可以计算出测试集的分类识别准确率。在信噪比为10dB的条件下,通过多次测试实验分类识别准确率均大于95%。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于改进K近邻的机载多功能雷达工作模式识别方法,其特征在于,包括:
获取复合场景下多功能雷达信号的数据集;
其中,所述数据集中包括多种工作模式下的信号,每种信号的信噪比点包括多个,每种工作模式下的信号在不同信噪比下存在多个样本;
对所述数据集进行预处理,获得数据集中每个样本的多维特征表征;
针对所述数据集中的每个样本,对该样本进行一位编码获得样本标签;
将每个样本的样本标签与多维特征表征组成该标签样本,获得标签样本集;
对所述标签样本集中随机选择组成训练集以及测试集;
根据类间边界,使用1-NN算法剔除所述训练集中界限模糊的样本,得到目标训练集;
对所述目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集;
使用目标训练集重复训练预设的k近邻算法模型,确定k的最优值;
使用所述测试集对在k为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将k为最优值的k近邻算法模型确定为识别模型;
使用该识别模型对多功能雷达信号进行识别;
所述对所述目标训练集中的目标样本进行PCA主成分贡献率分析,获得降维后的目标训练集包括:
将降维后的目标训练集中的每个样本进行中心化,以求取每个样本的每个维度特征的均值;
基于每个维度特征的均值,计算每个样本的协方差矩阵;
其中,每个协方差矩阵包括未知值的特征以及该特征对应的特征向量;
对所述协方差矩阵进行特征值分解,求解协方差矩阵的特征值及对应的特征向量;
将所述特征值进行从小至大排序,选择最大的k个特征值对应的特征向量分别作为行向量组成特征向量矩阵;
将每个样本对应的所述特征向量矩阵组成降维后的目标训练集;
维度特征求均值后的样本表示为:
其中,表示维度特征求均值后的样本,si=(Ci,Di,Pi,Wi,Ui,Mi,Ri,Ni),si表示每个样本的多维特征表征,Ci为平滑度,Di为离散度,Pi为脉冲重频,Wi为脉宽,Ui为占空比,Mi为脉内调制类型,Ri为回照信息,Ni为目标驻留时间内的脉冲数,m表示样本的数量,i表示样本序号;
所述对所述数据集进行预处理,获得数据集中每个样本的多维特征表征包括:
根据样本的脉冲幅度序列ai计算中间变量ci:
根据中间变量ci计算平滑度C;
使用离散度计算公式,计算每个样本的离散度;
将平滑度,离散度,脉冲重频,脉宽,占空比,脉内调制类型,回照信息以及目标驻留时间内的脉冲数分别确定为样本在每一维的特征,获得数据集中每个样本的多维特征表征;
其中,N为脉冲幅度序列ai中脉冲的总数;/>离散度计算公式为/> 为根据样本的脉冲幅度序列ai求得的平均值,其中N为脉冲幅度序列ai中脉冲的总数,/>δa为根据样本的脉冲幅度序列ai求得的标准差,
协方差矩阵计算公式为:
其中,x表示维度特征a或b,y表示维度特征a或b,m表示样本的数量,i表示样本序号;
所述特征值表示为λ,特征向量表示为x,
其中,E为单位矩阵,A是样本的协方差矩阵,λ是特征值,x是对应的特征向量。
2.根据权利要求1所述的识别方法,其特征在于,在针对所述数据集中的每个样本,对该样本进行一位编码获得样本标签之前,所述识别方法还包括:
对每个样本在每一维的特征表征进行归一化,以使特征表征映射在固定区间内。
3.根据权利要求1所述的识别方法,其特征在于,所述根据类间边界,使用1-NN算法剔除所述训练集中界限模糊的样本,得到目标训练集包括:
将所述训练集随机分为第一训练集以及第二训练集;
以所述第一训练集为参考样本集,使1-NN算法将第二训练集进行分类,并将第二训练集的分类结果与该第二训练集的真实类别进行对比,在第二训练集中剔除分类错误的样本,获得剔除之后的第二训练集;
以剔除之后的第二训练集为参考样本集,使1-NN算法将第一训练集进行分类,并将第一训练集的分类结果与该第一训练集的真实类别进行对比,在第一训练集中剔除分类错误的样本,获得剔除之后的第一训练集;
将第一训练集以及第二训练集组成目标训练集。
4.根据权利要求1所述的识别方法,其特征在于,使用所述测试集对在K为最优值的k近邻算法模型进行测试,当测试准确率达到设定准确阈值时,将该K为最优值的k近邻算法模型确定为识别模型包括:
计算所述测试集中的每个样本与所述训练集中的每个样本之间的欧式距离;
根据欧式距离远近,使用多数表决规则对测试集中的k个样本进行分类判定,将每个样本的类别判定为数量最多的样本类别;
根据测试集中每个样本判定的样本类别与真实类别对比结果,统计测试准确率;
当测试准确率达到设定的准确阈值时,该k为最优值的k近邻算法模型确定为识别模型。
5.根据权利要求4所述的识别方法,其特征在于,统计测试准确率的统计公式为:
其中,acc为测试准确率,Is为识别正确的测试集样本数,Ts为测试集的样本总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700893.0A CN113608172B (zh) | 2021-06-23 | 2021-06-23 | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700893.0A CN113608172B (zh) | 2021-06-23 | 2021-06-23 | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113608172A CN113608172A (zh) | 2021-11-05 |
CN113608172B true CN113608172B (zh) | 2023-12-29 |
Family
ID=78303649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700893.0A Active CN113608172B (zh) | 2021-06-23 | 2021-06-23 | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113608172B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器***的合成孔径雷达自动目标识别方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
CN107390193A (zh) * | 2017-06-23 | 2017-11-24 | 西安电子科技大学 | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 |
CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074233A1 (en) * | 2018-09-04 | 2020-03-05 | Luminar Technologies, Inc. | Automatically generating training data for a lidar using simulated vehicles in virtual space |
-
2021
- 2021-06-23 CN CN202110700893.0A patent/CN113608172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器***的合成孔径雷达自动目标识别方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
CN107390193A (zh) * | 2017-06-23 | 2017-11-24 | 西安电子科技大学 | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 |
CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113608172A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及*** | |
CN111060878B (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
CN109613485A (zh) | 一种基于支持向量聚类和灰关联度的雷达信号分选方法 | |
CN113608172B (zh) | 一种基于改进k近邻的机载多功能雷达工作模式识别方法 | |
CN108197581A (zh) | 一种基于改进AC-WGANs的无人机信号识别检测算法 | |
CN109001702B (zh) | 无载波超宽带雷达人体动作识别方法 | |
CN113128584B (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
Lee et al. | Revisiting the importance of amplifying bias for debiasing | |
CN103076595A (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN114764879A (zh) | 一种基于雷达红外融合特征的空中目标识别方法 | |
Han et al. | Radar clutter classification using expectation-maximization method | |
Tan et al. | Dynamic open set specific emitter identification via multi‐channel reconstructive discriminant network | |
Mei et al. | Radar high resolution range profile open set recognition of UAV target | |
KR102678770B1 (ko) | 표적 식별을 위한 특징 추출 방법 및 그를 위한 장치 | |
CN113625242B (zh) | 一种基于势距图联合pca与改进云模型的雷达信号分选方法 | |
Cheng et al. | Radar False Alarm Plots Elimination Based on Multi-Feature Evaluation | |
Ren et al. | Radar emitter signals classification using kernel principle component analysis and fuzzy support vector machines | |
Liu et al. | Individual Intelligent Recognition Method Based on Fingerprint Features of Radar Emitter | |
Gao et al. | Improving Gaussian process classification with outlier detection, with applications in image classification | |
Zhou et al. | Algorithm for Radar Signal Pre-sorting Based on Correlation Distance Differential | |
Song et al. | Feature selection and target classification techniques in imbalanced samples | |
Pan et al. | Target tracking algorithm with adaptive learning rate complementary filtering | |
El Hasnaouy et al. | Comparison of Feature Extraction Methods for Automated Target Recognition by Reducing Speckle Noise in SAR Data | |
CN117784019A (zh) | 一种具有持续学习能力的lpi雷达波形开集识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |