一种基于缺失关系网络的雷达信号样式反演方法技术

本发明专利技术涉及一种基于缺失关系网络的雷达信号样式反演方法。包括：对信号数据集进行样本集构建，根据样本集元素的缺失情况构建缺失关系网络，划分得到网络节点样本子集，构建节点集成分类器，计算各节点集成分类器权值；对输入的信号数据提取出对应的信号样本，利用缺失关系网络选取节点集成分类器以及对应的权值系数构建联合集成分类器，将信号样本输入联合集成分类器得到信号样式分类识别结果；根据雷达信号样式分析识别结果，利用缺失关系网络对缺失元素进行估计预测，优化信号样式反演结果。果。果。

【技术实现步骤摘要】
一种基于缺失关系网络的雷达信号样式反演方法


[0001]本专利技术属于综合电子战


技术介绍

[0002]随着相控阵技术在电子信息系统上的广泛应用，雷达信号样式由固定样式发展为根据作战任务自波形库中选取对应波形组合生成信号样式，雷达信号样式分析已成为电子信号侦察中的重要环节。由于实际战场电磁环境的复杂性，实侦信号数据广泛存在部分信号序列元素缺失的现象。当前信号样式分析方法主要针对信号序列元素完整的数据集，可分为支持向量机(SVM)等传统方法和卷积神经网络(CNN)、循环神经网络(RNN)、残差神经网络(ResNet)等智能方法。以上方法均无法对序列元素缺失的信号数据进行信号样式分类、预测等反演分析处理。

技术实现思路

[0003]本专利技术针对现有技术中存在的问题，提供一种基于缺失关系网络的雷达信号样式反演方法，解决现有技术中无法对数据缺失的信号样式分类反演问题。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]步骤1：对训练信号数据分析处理构建样本集，构建缺失关系网络，划分得到网络节点样本子集，构建节点集成分类器，计算各节点集成分类器权值；
[0006]步骤2：对输入的信号数据提取出对应的信号样本，利用缺失关系网络选取节点集成分类器以及对应的权值系数构建联合集成分类器，将信号样本输入联合集成分类器得到雷达信号样式分类识别结果；
[0007]步骤3：根据雷达信号样式识别结果，利用缺失关系网络选取所有对应逆向缺失子节点，对缺失元素通过计算近邻加权值进行估计预测。
[0008]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0009]进一步，所述步骤1构建缺失关系网络包括根据样本元素缺失情况划分样本子集作为网络节点，根据缺失元素包含关系构建节点之间正向缺失和逆向缺失关系，将所有逆向缺失节点子集样本去除多余的元素后添加进对应节点样本子集。
[0010]进一步，所述步骤1节点集成分类器构建包括首先利用预分类方法和后分类方法生成强区分性元素集和弱区分性元素集，集成分类器的基分类器从强区分性元素集和弱区分性元素集中选取对应元素构建，最后通过各分类器简单多数投票结果集成分类结果。
[0011]进一步，所述步骤1节点集成分类器权值计算包括根据缺失元素集的修正条件熵值计算对应的集成分类器权值。
[0012]进一步，所述步骤2联合集成分类器识别包括根据输入信号的元素缺失情况，利用缺失关系网络选择对应的子节点以及对应的正向缺失节点对应的节点集成分类器及其权值构建联合集成分类器，将信号样本输入联合集成分类器得到最终的信号样式分类识别结果。
[0013]本专利技术的有益效果是：一方面使用通过构建缺失关系网络得到各子集对应的缺失关系，扩充了各样本子集；另一方面使用集成学习方法灵活构建加权分类器提高分类准确率，最终实现对样本元素缺失信号数据的信号样式反演分析。
附图说明
[0014]图1基于缺失关系网络的雷达信号样式反演方法流程图。
[0015]图2信号序列样本集构建流程图。
[0016]图3缺失关系网络构建流程图。
具体实施方式
[0017]本专利技术的实现流程图如图1所示，优选的实施例步骤如下：
[0018]1)信号样式分类训练
[0019]①
信号序列样本集构建
[0020]对雷达信号数据中各信号样式下所有雷达脉冲描述字(PDW)序列进行如图2所示处理以构建信号样本集，首先根据信号时标对PDW序列进行拼接，然后对PDW序列进行清洗、筛选、统计分析得到信号序列样本长度，最后对存在元素缺失的信号序列进行相关分析确定缺失元素位置。
[0021]假设信号序列样本长度均为N，则某一信号样本可表示为A
i
＝{a
i,1
,...,a
i,N
}，其中元素表示为a
i,j
＝PDW
j
，缺失元素表示为
[0022]②
缺失关系网络构建
[0023]构建缺失关系网络过程如图3所示，首先根据各信号样式下样本缺失元素将样本集Λ划分缺失网络节点{Λ
sub1
,...,Λ
subk
}，此时每个节点仅包含相同缺失元素的信号样本。然后定义网络节点的逆向缺失和正向缺失关系，节点Λ
subi
的缺失元素集定义为v
i
，其逆向缺失节点缺失元素集是v
i
的子集，满足其正向缺失节点缺失元素集是v
i
的母集，满足最后遍历所有节点，，将节点Λ
subi
所有逆向缺失节点内样本去除对应的元素后添加进该节点得到扩充节点
[0024]③
节点集成分类器构建
[0025]对于节点构建集成分类器，首先利用K
‑
S检验(Kolmogorov
‑
Smirnov Test，KS test)和F检验等预分类方法，以及GRLVQI相关性分析(GRLVQI relevance)、Wilk
’
s Lambda比分析(Wilk
’
s Lambda ratio)和多判别分析负载融合方法(MDA Loadings Fusion，MLF)等后分类方法选取区分性更好的元素，构成强区分性元素集，剩余元素构成弱区分性元素集，集成分类器的基分类器从强区分性元素集和弱区分性元素集中选取对应元素构建。然后将样本集划分成训练集和测试集，训练集其中一部分用作误差预测，其余部分构建基分类器，通过各基分类器简单多数投票结果集成分类结果，将误差预测样本输入分类器得到分类误差，若误差高于设定阈值，则增加基分类器数量，不断迭代直至误差低于设定阈值，节点集成分类器训练完成。
[0026]④
节点集成分类器权值计算
[0027]根据缺失元素集v
i
的修正条件熵值计算对应的分类器权值，对缺失元素集为空集
的节点计算出元素的信息熵，对缺失元素集为非空集的节点计算修正条件熵，修正条件熵指的是条件熵加上信息熵，避免由于有限样本导致的估计误差。其计算公式为：
[0028]H
CCE
(v
i
)＝H(v
i
)+H(v
i
|v
j
)
[0029]利用修正条件熵计算权值的公式为
[0030][0031]这里c
i
为分类准确性估计值，为节点样本数。
[0032]2)信号样式分类识别
[0033]①
提取信号序列样本
[0034]对输入的信号首先根据时标进行拼接，然后进行清洗、筛选、相关分析确定缺失元素位置，最终获得信号序列样本。
[0035]②
联合集成分类器识别
[0036]根据输入信号序列样本元素缺失情况，在缺失关系网络选择对应的子节点以及对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于缺失关系网络的雷达信号样式反演方法，其特征在于：步骤1：对训练信号数据分析处理构建样本集，构建缺失关系网络，划分得到网络节点样本子集，构建节点集成分类器，计算各节点集成分类器权值；步骤2：对输入的信号数据提取出对应的信号样本，利用缺失关系网络选取节点集成分类器以及对应的权值系数构建联合集成分类器，将信号样本输入联合集成分类器得到雷达信号样式分类识别结果；步骤3：根据雷达信号样式识别结果，利用缺失关系网络选取所有对应逆向缺失子节点，对缺失元素通过计算近邻加权值进行估计预测。2.一种根据权利要求1所述的基于缺失关系网络的雷达信号样式反演方法，其特征在于：所述步骤1中信号样式分类训练为：步骤11：对信号数据根据时标对PDW序列进行拼接，然后对PDW序列进行清洗、筛选、统计分析得到信号序列样本长度，最后对存在元素缺失的信号序列进行相关分析确定缺失元素位置；步骤12：根据样本元素缺失情况划分样本子集作为网络节点，根据...

【专利技术属性】
技术研发人员：曹鹏程，刘赟，严波，刘峻臣，赵兴海，
申请(专利权)人：中国船舶集团有限公司第七二四研究所，
类型：发明
国别省市：