[发明专利]一种基于集成学习的智能辐射源识别方法

权利要求书

1.一种基于集成学习的智能辐射源识别方法，其特征在于，包括以下步骤：

S1、使用集成学习进行数据增强，得到增强数据；

S2、根据增强数据，采用训练后的已知目标分类网络对未知目标进行辨识；

S3、对未知目标进行标定，并对分类网络进行更新；

S4、采用更新后的分类网络对未知目标进行再入识别，得到辐射源识别结果；

所述步骤S1具体为：采用5种学习网络对辐射源信号的内在特征进行学习，进行数据增强，获取增强数据；

所述的数据增强通过使用信号的不同特征增加训练样本的数量，包括使用I/Q信号本身、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换作为训练样本；

所述步骤S2具体为：

S2.1、采集若干I/Q信号，通过预处理得到对应的I/Q信号、I分量、Q分量、I/Q信号的短时傅里叶变换以及I/Q信号的小波变换类型的样本；

S2.2、构建两个互有交集的样本集，并使用样本集训练2个子分类网络；所述2个子分类网络构成1个分类网络；

S2.3、根据步骤S2.2所述方法，采用步骤S2.1中的样本训练5个分类网络；

S2.4、根据训练后的分类网络，对辐射源进行识别，得到已知的辐射源识别结果以及未知目标的辨识结果；

所述步骤S2.4中训练后的分类网络为卷积神经网络训练得到的K分类器。

2.根据权利要求1所述的基于集成学习的智能辐射源识别方法，其特征在于，所述步骤S2.4具体为：

S2.41、根据训练后的5个分类网络，获取i个子分类网络的输出为p_i∈[0,1]^K，i＝1,2,...,10，所述分类网络的2个子分类网络相邻；

S2.42、将每种分类网络的2个子分类网络输出取平均，得到第t种分类网络的输出为P_t∈[0,1]^K，t＝1,2,...,5；

S2.43、根据分类网络的输出，获取平均概率分布P为：

S2.44、获取平均概率分布P的最大值P_max和第二大值P_sec-max；

S2.45、对辐射源进行识别，判断辐射源的P_max-P_sec-max是否位于区间[0,0.5]中，若是，则该辐射源为未知目标，否则为已知目标。

3.根据权利要求1所述的基于集成学习的智能辐射源识别方法，其特征在于，所述步骤S2.4具体为：

S2.41、根据训练后的5个分类网络，获取第i个子分类网络的输出为p_i∈[0,1]^K，i＝1,2,...,10，所述分类网络的2个子分类网络相邻；

S2.42、将每种分类网络的2个子分类网络输出取平均，得到第t种分类网络的输出为P_t∈[0,1]^K，t＝1,2,...,5；

S2.43、根据分类网络的输出，获取平均概率分布P为：

S2.44、采集已知目标的内在特征数据，采用步骤S2.41-S2.43所述方法获取已知目标的平均概率分布P₁'；

S2.45、采用步骤S2.41-S2.43所述方法对辐射源进行识别，得到辐射源的平均概率分布P₂'；

S2.46、获取平均概率分布P₁'和平均概率分布P₂'之间的距离，并判断距离是否大于预先设定的阈值，若是，则该辐射源为未知目标，否则为已知目标。