论文部分内容阅读
传统的机器学习方法假设训练集和测试集来自同一分布的样本集，如果实验数据的分布改变了，需要重新标注新样本作为训练集建立统计模型，然而标注新样本的代价通常很高，采用迁移学习理论可以减少分类器对标注新数据的需求。通过把不同领域的已标记数据迁移到目标领域辅助训练目标模型，提高模型的训练效果。本文主要研究利用迁移学习理论提高雷达辐射源的识别效果。首先实现了基于RBF神经网络的雷达辐射源识别算法，当训练集样本数很少时，训练出的分类器对雷达辐射源的识别率较低。对于这个问题，本文深入研究了领域匹配迁移学习理论，设计了基于迁移成分分析改进的RBF神经网络分类器，通过迁移不同领域的数据辅助训练分类器，减小了系统的识别误差。然后研究了集成学习理论以及在迁移学习框架下的AdaBoost算法。设计了AdaBoost算法的改进算法，即TCABoosting算法，实验结果显示改进后的算法提高了系统的精度。最后研究了Boosting算法中的基分类器训练样本分布修正函数对分类正确率的影响。把动态调整分布修正函数的思想应用到了TCABoosting算法中，提高了系统的稳定性。