[发明专利]一种基于随机森林算法的雷达工作模式识别方法

权利要求书

1.一种基于随机森林算法的雷达工作模式识别方法，其特征在于，包括以下步骤：

S1、设定目标雷达具有五种工作模式，分别为：海面搜索、海面跟踪、固定跟踪、SAR和A-S测距，根据雷达手册在每个工作模式下产生相应的发射信号，并加入噪声；

S2、发射不同模式的雷达信号，信号的标签集合为Y＝{C₁,C₂,C₃,…,C_n}，通过侦查接收雷达信号，对信号进行预处理并采样，获得样本集X＝{x₁,x₂,x₃,…,x_n}；

S3、对获得的样本集X和标签集合Y进行学习，学习的目标是获得使损失函数最小的最终分类器f(x)：

s.t.min(L(y,f(x)))

G_m(x)为决策树基本分类器，α_m为决策树基本分类器的权值，m为决策树的个数，L(·)函数为交叉熵损失函数；

S4、数据预处理：集合X中缺失超过设定阈值的样本进行删除；对于存在缺省少量特征数据的样本，用零值进行填充；

S5、训练集获取：从样本集X中的行、特征列两个维度上进行有放回的随机采样，得到训练数据集X_i，i＝1,2,…,n；

S6、特征选取：根据样本数和特征数，用建立决策树的方法获取最佳的分割特征，其中树桩点使用基尼指数进行特征选取，基尼指数公式如下：

其中K表示工作模式的类别数，p_k表示样本点属于第k类的概率，基尼指数Gini(X,A)表示经特征A＝a分割后，集合X的不确定性，基尼指数数值越大，样本集合的不确定性也就越大，其中概率p_k用极大似然估计进行计算：

p_k＝|C_k|/|X|

|X|是样本的总数，|C_k|是X中属于第k类的样本子集；

在特征集中选取使得基尼指数Gini(D,A)最小的特征A生成树桩点，若Gini(D,A)足够小，则生成决策树G_m(x)，否则，递归步骤S7生成树桩点；

S7、对训练集进行学习：根据S6生成的树桩点构建树G_m(x)并对样本集进行分类，计算该树分类误差e_m，根据分类误差e_m计算该树的权值α_m：

α_m＝log((1-e_m)/e_m)/2

更新分类器f(x)，公式如下所示：

f_m+1(x)＝f_m(x)+α_mG_m(x)

S8、得到新的分类器f_m+1(x)后，对数据集X进行分类，计算损失函数值，如损失函数值并未达到指标值，则返回S5；

S9、重复执行步骤S5～S8，直至损失函数值最优；

S10、得到训练好的随机森林模型后，输入需要识别的信号参数，将预测结果作为识别结果。