[发明专利]一种基于改进TSVM的半监督通信辐射源个体识别方法

说明书

本发明属于通信辐射源个体识别领域，公开了一种基于改进TSVM的半监督通信辐射源个体识别方法。本发明在传统半监督支持向量机TSVM方法的基础上，利用训练样本中各类分布比例的先验信息以及阈值调节因子，通过预置门限对上一次预测结果进行优化，根据预测结果置信度进行迭代，改进了传统TSVM基于局部组合搜索的迭代方法。本发明中的方法在通信辐射源个体识别中，当有标签的训练样本较少时，较TSVM方法，在保证识别准确率的同时，还可有效减少分类器的迭代次数，减少模型的运算量。

技术领域

本发明涉及通信辐射源个体识别领域，提出一种基于改进TSVM的半监督通信辐射源个体识别方法(an improved TSVM iterative algorithm based on the Confidenceof Prediction,CP-TSVM)。

背景技术

通信辐射源个体识别(Special Emitter Identification,SEI)是通过对各辐射源蕴含的独有的射频信号指纹进行提取，并且利用这些特征构造分类器从而对目标进行判别。为了充分提取出信号指纹特征，需要大量有标签的训练集，然而在实际场景下，标签的获取往往需要耗费大量的人力物力，导致难以获取到足额的有标签训练样本。如果训练样本不够多，将难以涵盖所有可能的指纹信息，识别性能必然会受到影响。由于无标签的样本获取较为容易，且与有标签的样本具有相同的指纹特征，如何利用这部分样本来提升识别性能，已成为通信辐射源个体识别领域的热点问题之一。半监督机器学习(Semi-Supervised Learning, SSL)是一种自动地利用没有标签的样本来提升学习性能的方法，近年来在个体识别领域得到越来越广泛的使用。

半监督支持向量机(Semi-Supervised Support Vector Machines,S3VM)是SSL中非常主流的一类分类器，其中最著名的是Joachim于1999年提出的直推式支持向量机(Transductive Support Vector Machine,TSVM)，求解目标为寻找既能将有标记样本分开，又能穿过数据低密度区域的超平面。但是在实际运用中TSVM 虽然解决了纯监督式SVM应用于半监督场景带来的问题，但由于TSVM的搜索策略是基于局部组合搜索，由标签开关程序引导，因此迭代次数可能会非常多，导致运算复杂度高，训练时间长。

发明内容

本发明要解决的技术问题是，针对TSVM在半监督通信辐射源个体识别中运算复杂度高、模型训练时间长，提供提出一种基于改进TSVM的半监督通信辐射源个体识别方法(CP-TSVM)。在通信辐射源个体识别中，当有标签的训练样本较少时，与经典的TSVM方法相比，在保证识别准确率的同时，还能大幅度减少分类器的运算量。

本发明在传统半监督支持向量机TSVM方法的基础上，利用训练样本中各类分布比例的先验信息，通过预置门限对上一次预测结果进行优化，利用优化后的标签重新训练分类器并再次进行预测，若两次的预测的标签结果一致，或者达到设置的迭代次数，则训练结束。在使用SVM对所有样本的预测过程中，不仅能得到每个样本的预测标签值，根据该样本点到超平面的距离，还能得到该样本预测结果的置信度，距离超平面越远的样本属于该类别的可能性就越大，置信度就越高；距离超平面越近的样本误判的可能性就越大，置信度就越低。每经过一次预测，都利用置信度对结果进行重新划分。

本发明的技术方案是：

一种基于改进TSVM的半监督通信辐射源个体识别方法，包括如下步骤：

第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；

第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；

第③步：使用l个有标签的样本进行有监督的SVM训练，得到分类器 SVM₀；