[发明专利]一种面向复杂电磁环境的雷达辐射源识别方法

权利要求书

1.一种面向复杂电磁环境的雷达辐射源识别方法，其特征是：其包括以下步骤：

S1、使用TrAdaBoost算法对基分类器支持向量机模型进行构建，以解决复杂电磁环境D_c下大量新出现的雷达辐射源与雷达辐射源数据库D_b中数据不满足同分布假设的问题，雷达辐射源数据库D_b中的数据为搜集的已知雷达辐射源，复杂电磁环境D_c中的数据包含大量未知类别的雷达辐射源和少量已知的雷达辐射源；具体操作方法为：

步骤1.1、初始权重：对权重向量W进行初始化，

式中，为第i个权重的初始化值，|D_b|+|D_c|为权重向量W中元素的个数，其取值等于所有已知辐射源的总个数，表示为每个辐射源都分配一个权重值；

步骤1.2、权重：for t＝1，2，...，N

设置训练集样本的权重分布

式中，W^t为权重向量W经过第t次迭代计算后的值|D_b|为雷达辐射源数据库中辐射源的个数，|D_c|为复杂电磁环境中少量已知辐射源的个数，为第i个权重经过第t次迭代计算后的取值；

步骤1.3、根据复杂电磁环境D_c中少量已知的样本、雷达辐射源数据库D_b中已搜集的样本和权重向量W，对SVM模型进行迭代训练，并得到分类映射h_t：X→Y，计算h_t在复杂电磁环境D_c中少量已知样本上的错误率，得到

式中，x_i为第i个辐射源样本，h_t(x_i)为第i个辐射源样本经过第t次迭代计算后得到的类别取值，c(x_i)为第i个辐射源样本真实的类别；

若h_t(x_i)≠c(x_i)，则重新设置权重向量为

式中，N为迭代计算的总次数；

步骤1.4、重复上述步骤1.2～步骤1.3多次直至辐射源的识别准确率达到稳定，即完成对权重向量的调整，最终得到重构后SVM模型为

S2、使用协同训练算法生成可用的训练数据，以解决复杂电磁环境下大量未知类别雷达辐射源的识别问题；

S3、将基于TrAdaBoost算法的支持向量机与协同训练算法相融合以完成雷达辐射源的识别。

2.根据权利要求1所述的面向复杂电磁环境的雷达辐射源识别方法，其特征是：其步骤S2中，具体操作方法为：

步骤2.1、针对雷达辐射源识别任务，定义并构建特征集x，将特征集x分为两部分x₁和x₂，特征集x₁和x₂指的是两个视图，且满足充分冗余且条件独立；

步骤2.2、分别使用特征集x₁和x₂在复杂电磁环境D_c中的少量已知的样本上训练基分类器SVM模型，得到分类器f₁和f₂；

步骤2.3、for t＝1：N

分别使用分类器f₁和f₂对复杂电磁环境D_c中的未知类别的雷达辐射源进行识别，得到样本属于各辐射源类别的后验概率，对每个类别都选取p个置信度最高的样本，p为自然数，p的取值为所有样本个数的5～10％；

将上述选取出的样本加入到训练集中，并在该训练集上重新训练分类器f₁和f₂。

3.根据权利要求1或2所述的面向复杂电磁环境的雷达辐射源识别方法，其特征是：其步骤S3中，具体方法为：

步骤3.1、计算每个候选样本的复杂电磁环境适应度，复杂电磁环境适应度能够反映雷达辐射源数据库D_b中样本对复杂电磁环境D_c的适应能力，其计算公式如下

其中，为雷达辐射源数据库D_b中样本与复杂电磁环境D_c中样本的相似性距离函数，f为基于TrAdaBoost方法的SVM分类器，f(x_i)为雷达辐射源数据库D_b中样本x_i在分类器f上的预测值，y_i为样本x_i的真实类别取值，f(x_i)＝＝y_i为样本x_i在分类器f上的预测结果与其真实类别的一致性；

步骤3.2、利用步骤S2所构建的协同训练算法，实现评估候选样本类别的置信度；

步骤3.3、将步骤3.1所得到的复杂电磁环境适应度和步骤3.2所得到的置信度同时满足条件的样本加入到训练集中，重复这个过程以不断增加复杂电磁环境D_t中已知辐射源的数量，从而实现训练样本的选择；

步骤3.4、在所构建的训练集中训练重构后的SVM模型，即能够识别复杂电磁环境中的雷达辐射源。