[发明专利]一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法

权利要求书

1.一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，其特征在于步骤如下：

步骤1：采集不用型号雷达设备发射的信号数据，同时截取到信号中脉冲数据，生成雷达辐射源信号个体识别样本集，即原始数据；

步骤2：对步骤1中得到的原始数据进行信号数据预处理；

步骤3：对步骤2经过信号预处理的数据进行归一化处理；

步骤4：构建基于自加权结构化特征选择的雷达辐射源信号精细化特征识别模型；

所述的雷达辐射源信号精细化特征识别模型：

其中是二维的，其中n为样例个数，d为数据的维度，其中数据的第i个样本用表示；W为学习得到的正交投影矩阵；m为低维空间的维度，k为转换矩阵的行稀疏度，是一个对角元素表示样本数据权重的对角矩阵，s_ij为解邻接概率，γ和λ是正则化项参数；

步骤5：使用辐射源信号数据在步骤4所建模型上进行运行测试，将识别特征输入到分类器中进行分类，从而得到识别的雷达辐射源信号的类型。

2.根据权利要求1所述的一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，其特征在于：步骤2中所述的预处理包括去噪处理、信号增强处理。

3.根据权利要求1所述的一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，其特征在于：步骤4中模型优化过程如下：

根据矩阵二范数与迹运算之间的关系模型等价于：

可以看出，模型(1)中含有三个变量，分别是权重矩阵Θ，相似矩阵S和投影矩阵W，本发明针对其求解问题，设计了一种迭代优化算法。具体流程为：

①初始化：初始化权重矩阵其中I_d是维度为d的单位矩阵；

②求解Θ：

当变量S和W固定时，问题(1)就转化为：

根据迹运算的性质，可以改为：

将定理应用于问题(3)中，有：

很明显，这是一个二次问题，因此本发明使用增强拉格朗日乘子法来求解此问题；

③求解S：

当变量Θ和W固定时，问题(1)更改为：

其拉格朗日函数为：

其中Ψ＝{ψ_i|i＝1,2,...,n}和Δ＝{δ_ij|i,j＝1,2,...,n}是拉格朗日乘子；根据KKT条件，可以得到

又因为有的限制，所以求解得到的s_ij为：

④求解W：

当变量Θ和S固定时，问题(1)变为：

令A＝βI-Θ^TX^TL_SXΘ+λΘ，那么求解问题(9)就变成了求解如下的问题：

其中β足够大，以确保A是半正定矩阵，因此将β设置为矩阵B＝Θ^TX^TL_SXΘ+λΘ的最大的特征值；对于问题(10)的求解，我们将其分为两种情况分别求解，分别是rank(A)≤m和rank(A)＞m；本发明的优化算法分别对其采用不同的方法进行求解。

⑤重复以上步骤②、③和④，直至模型函数收敛，收敛条件为|obj_t+1+obj_t|≤10^-4，此时步骤④中得到的W即为特征分析模块所要求的正交投影矩阵，然后根据的降序排序选择出前m个特征。

4.根据权利要求1所述的一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，其特征在于：步骤5中所述的分类器包括线性分类器、非线性分类器和深度学习神经网络。

5.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。

6.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。