基于改進的半監(jiān)督主動學習的雷達信號識別

吳 瑩 羅 明

(西安電子科技大學電子工程學院，陜西西安 710071)

1 引言

近年來，聯(lián)合時頻分析(Time-frequency Analysis，TFA)在不同的信號處理應用上比如水下聲學、語音處理和醫(yī)學分析等領域得到了廣泛的應用。雷達研究人員也對它進行了研究，并將其作為雷達信號檢測、分析和識別的一個非常有效的工具。本文采用了徑向高斯核(Radially Gaussian Kernel，RGK)時頻分析方法,其核函數(shù)不僅能有效壓制交叉干擾項的存在，而且能自適應于多種類型信號。將徑向高斯核時頻分析方法[1]應用于雷達信號，對獲得的時頻分布進行奇異值分解，提取奇異向量作為本文雷達信號分類識別的特征參數(shù)。

目前用于雷達信號分類識別的方法主要可以劃分為：無監(jiān)督學習、監(jiān)督學習和半監(jiān)督學習等。文獻[2]利用 K-means方法進行聚類；文獻[3]提出基于核模糊C-means的雷達信號識別算法；這兩種算法均屬于無監(jiān)督學習，雖然操作簡單，成本低，但實際效果不太理想。文獻[4]利用支持向量機(Support Vector Machine，SVM)來解決雷達信號識別問題；該方法屬于監(jiān)督學習，監(jiān)督學習需要大量的訓練樣本，但實際應用中有標簽樣本數(shù)據(jù)特別少，因此有一定的局限性。文獻[5]提出基于半監(jiān)督學習(S3VM)的雷達信號識別方法；文獻[6]采用多核半監(jiān)督學習算法(TSVM-MKL)進行雷達信號識別；半監(jiān)督學習(Semi-supervised Learning, SSL)方法是在較少量的有標簽樣本數(shù)據(jù)下，利用無標簽樣本數(shù)據(jù)來改善訓練學習效果，但是對于目前的雷達信號分類過程中，獲取較少的訓練樣本仍是一個具有挑戰(zhàn)的問題，而可獲取的有標簽樣本的數(shù)量相對更少。……