[发明专利]一种基于XGBoost的雷达目标特征提取与识别方法

说明书

本发明涉及一种基于XG Boost的雷达目标特征提取与识别方法，属于特征提取以及目标识别技术领域。所述方法，包括：生成RCS数据及电磁散射仿真数据，构建有源压制干扰信号及舰船与角反射器的回波数据；计算舰船、角反射器阵列回波在无压制噪声存在的理想环境的极化不变量特征数据；计算舰船、角反射器阵列的极化不变量特征数据；推导、化简并优化目标函数；构建XG Boost决策树；将舰船与角反射器阵列的极化不变量特征数据输入识别器识别，得到训练好的识别器；将测试集输入训练好的识别器，输出分类结果。所述方法可并行进行且具有处理大量数据的能力，具备很高的计算速度。

技术领域

本发明涉及一种基于XGBoost的雷达目标特征提取与识别方法，属于特征提取以及目标识别技术领域。

背景技术

对于分类问题而言，集成学习首先训练多个弱分类器，之后在得到这些弱分类器的基础之上，用一定的结合规则，将这些弱分类器结合起来，使之成为一个强分类器，来获得超出弱分类器的优秀性能。结合规则包括简单加权、投票法等等。构成集成学习的分类器，首先要具有一定的差异性，这样才能将不同分类器的优势集中起来，并得到优秀的泛化性能；其次每个分类器的识别率都要高于50％，这样才能使最终识别率趋近于1，否则识别率将趋近于0。

集成学习根据弱分类器之间是否具有依赖性而进行划分，主要包括两大分支：Boosting方法族以及Bagging方法族。首先，Bagging方法族中的Bagging中文全称为：自助采样方法族(Bootstrap Aggregating)，该方法分支中最常用的是随机森林方法(RandomForest，RF)。Bagging方法的弱分类器之间没有依赖性关系，可以并行进行训练。以RF随机森林方法为例，每一次分类器的训练，从样本数据集中随机抽取一些样本，并且随机抽取一系列特征进行训练。每次分类器的训练过程是独立的，各个分类器的训练过程可以同时进行，可以并行操作。在训练完弱分类器后，最后对识别结果进行投票表决，这里不再赘述。

Boosting方法中文全称为增强学习法，必须串行学习。当对学习问题训练好弱分类器之后，会对训练样本的分布进行调整。本轮训练出的分类器进行分类时分类错误的样本，将会在之后的分类器训练中获得更多关注，即获得更大的权重。依照此原则，对每一次训练后的样本数据进行一定的调整。因此每一个弱分类器的训练，是基于上一个分类器的分类结果基础上，对样本数据调整后进行的重新训练，因此Boosting方法类是一种串行方法，学习器之间有着依赖性关系。

现有的Boosting方法类包括Adaboost方法、梯度提升决策树(Gradient BoostingDecision Tree，GBDT)方法等。其中，Adaboost是对每一次训练好的学习器识别结果中，分类错误的样本给予更多关注，期望能够减少下一次分类中分类错误的样本数量；GBDT方法与Adaboost方法相同点在于二者都是在并行处理的过程中，对上一次训练后的结果有所关注，从而影响下一次训练，而不同点在于，GBDT关注的点为残差，即每一次训练后，弱分类器识别的效果与完美表现之间的差距。而每一次识别器的训练，GBDT都希望缩小这个差距，从而在最后一次训练好的识别器识别过程中，达到最佳表现。GBDT不断训练新的弱学习器的过程，即不断缩小残差的过程。

本申请采用Boosting方法类的XGBoost方法进行分类。所使用的XGBoost方法，全称为极端梯度提升法(Extreme Gradient Boosting，XGBoost)，是在GBDT之上的一种改良方法。XGBoost最突出的特点便是能有效地对模型过拟合进行控制，同时识别准确率及识别速度也很高。本申请致力于解决有源压制干扰环境下信息获取难度大、雷达获取数据量庞杂的情况下，现有舰船与角反射器阵列识别存在泛化能力较弱、识别率不高以及工作不稳定的技术问题。

发明内容

本发明的目的在于针对在有源压制干扰环境下中信息获取难度大、雷达获取的数据量庞杂的情况下，现有舰船与角反射器阵列识别方法存在泛化能力较弱、识别率不高以及工作不稳定的技术现状，提出了一种基于XGBoost的雷达目标特征提取与识别方法。