论文部分内容阅读
复杂电磁环境背景下,作为电子侦察领域的重要组成部分,辐射源信号的个体识别引起了国内外学者越来越多的关注。辐射源信号的个体识别是指对相同有意调制参数下辐射源信号的分类识别,又称辐射源信号的“指纹”识别。然而,目前辐射源信号在传统分类识别方法下的“指纹”识别率较低、实用性较差。基于此,本文提出机器学习中基于集成学习框架的辐射源信号“指纹”识别方法。本课题从提取表征辐射源信号的“指纹”特征入手,在分析单个决策树模型的基础上,深入研究了基于决策树的两种集成学习方法,实现了集成学习框架下辐射源信号有效的分类识别。本文研究的主要内容包括:1、分析辐射源信号的特点,通过变换域方法来完成对辐射源信号的“指纹”特征提取,具体包括基于高阶累积量的双谱“指纹”特征提取和基于重构相空间的“指纹”特征提取。2、依据决策树相关理论进行参数设计,构建合适的决策树模型,并给出衡量决策树分类性能的多个度量指标。之后,利用构建的决策树模型,对提取的辐射源信号“指纹”特征进行分类识别。3、针对决策树模型采取的单一分类决策模式容易导致分类规则复杂、收敛到非全局的局部最优解以及易过度拟合等问题,提出了集成学习框架下基于Bagging方法的决策树集成模型——随机森林。综合两组实测数据的识别结果发现,随机森林分类模型对辐射源信号的“指纹”识别率能达到96%以上,比单个决策树模型实现的识别性能更佳。4、为进一步提高辐射源信号的“指纹”识别率,提出了集成学习框架下基于Gradient Boosting方法的另一种决策树集成模型——GBDT。该模型通过CART树迭代生成,为决策树的集成提供了一个更好的框架。综合两组实测数据的识别结果发现,GBDT分类模型对辐射源信号的“指纹”识别率能达到97%以上,尤其对重构相空间的个体特征能实现99.7%以上的“指纹”识别率。进一步,对单棵CART决策树、随机森林、GBDT三种分类模型的识别性能和复杂度进行了对比分析,通过分析发现:相同条件下,集成学习模型的“指纹”识别精度更高,泛化性能更优。