[发明专利]一种基于自适应海鸟算法的雷达信号开集识别方法

权利要求书

1.一种基于自适应海鸟算法的雷达信号开集识别方法，其特征在于，包括：

获取训练集、验证集和测试集，其中，所述训练集包括若干已知雷达信号，所述验证集和所述测试集均包括若干未知雷达信号；

构建LSTM网络，基于所述训练集对所述LSTM网络进行训练并得到特征提取网络；

根据所述特征提取网络分别获取所述训练集和所述验证集的嵌入向量，利用UMAP算法分别对所述训练集和所述验证集的嵌入向量进行降维处理并得到相应低维特征；

根据所述训练集的低维特征，利用基于距离的样本筛选算法筛选出可靠样本以构建已知雷达信号样本库；

根据所述样本库和所述验证集的低维特征，构建用于未知雷达信号识别的自适应阈值；

通过设计自适应海鸟算法对所述自适应阈值进行权重寻优，结合螺旋优化搜索与直线优化搜索并设计自适应权重与自适应步长，同时引入探索方向因子进行迭代计算得到最优权重；

根据所述特征提取网络和基于所述最优权重的自适应阈值对所述测试集进行未知雷达信号的识别。

2.如权利要求1所述的雷达信号开集识别方法，其特征在于，所述基于所述训练集对所述LSTM网络进行训练并得到特征提取网络包括：

分别对所述训练集中的已知雷达信号和所述验证集中的未知雷达信号做小波散射变换，得到训练集的散射特征和验证集的散射特征；

将所述训练集的散射特征作为训练数据对所述LSTM网络进行训练，得到所述特征提取网络，其中，所述特征提取网络包括输入层、LSTM层、第一全连接层、第二全连接层和softmax层。

3.如权利要求2所述的雷达信号开集识别方法，其特征在于，所述根据所述特征提取网络分别获取所述训练集和所述验证集的嵌入向量包括：

分别对所述训练集的散射特征和所述验证集的散射特征执行以下步骤：

将相应的散射特征输入至所述输入层进行初始化操作得到第0层输出，将所述第0层输出输入至所述LSTM层进行计算得到第1层输出，将所述第1层输出输入至所述第一全连接层进行计算得到第2层输出，将所述第2层输出输入至所述第二全连接层进行计算得到第3层输出，并将所述第3层输出作为相应的嵌入向量。

4.如权利要求1所述的雷达信号开集识别方法，其特征在于，所述利用UMAP算法分别对所述训练集和所述验证集的嵌入向量进行降维处理包括：

分别对所述训练集的嵌入向量和所述验证集的嵌入向量执行以下步骤：

根据所述嵌入向量，通过最邻近算法得到邻近数据；

根据所述邻近数据，计算得到联合概率和所述联合概率的低维空间分布，计算所述联合概率和所述联合概率的低维空间分布的交叉熵，作为损失函数；

根据所述损失函数，通过梯度下降算法得到降维模型；

根据所述降维模型，将所述嵌入向量映射到低维特征空间并得到相应低维特征。

5.如权利要求1所述的雷达信号开集识别方法，其特征在于，所述利用基于距离的样本筛选算法筛选出可靠样本以构建已知雷达信号样本库包括：

将所述训练集的低维特征按标签分为k个集合，k为信号种类个数；

计算各集合的类间距离，得到距离矩阵；

基于所述距离矩阵，利用基于距离的样本筛选算法筛选出各信号种类的可靠样本，作为所述已知雷达信号样本库。

6.如权利要求1所述的雷达信号开集识别方法，其特征在于，所述构建用于未知雷达信号识别的自适应阈值包括：

计算所述可靠样本的类中心；

计算所述验证集的低维特征到所述类中心的欧式距离；

根据所述欧式距离构建所述自适应阈值。