[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

说明书

本申请公开了一种基于自适应海鸟算法的雷达信号开集识别方法，属于信号识别技术领域，通过样本筛选算法筛选出可靠样本构建雷达信号样本库，基于雷达信号样本库构建自适应阈值，提高方法的识别率以及增强其普适性；同时设计自适应海鸟算法对自适应阈值权重寻优，构建探索方向因子，结合螺旋优化搜索与直线优化搜索，扩大搜索范围以及加强搜索能力，加入随迭代次数改变的自适应权重与自适应步长，平衡了全局搜索能力与局部搜索能力，提升了雷达信号开集识别方法的可靠性，进一步设计并训练LSTM网络，对特征进行提取并得到嵌入向量，增强了网络的泛化性和适应性，提升了雷达信号开集识别方法准确性和普适性，有效提高未知信号识别的准确率。

技术领域

本申请涉及一种基于自适应海鸟算法的雷达信号开集识别方法，属于信号识别技术领域。

背景技术

传统的基于深度神经网络的雷达信号识别方法大都是闭集识别，即假设可以获得所有的训练数据，并且将全部数据用于训练，训练完成后得到用于任务的模型。但是随着复杂调制类型的雷达信号逐渐增多，当出现新的调制类型的雷达信号时，传统的闭集识别的方法无法对新类型信号进行及时有效的判别。

度量学习依据特征嵌入空间中的样本距离实现分类，增强了适应性，但同类样本特征不够聚集，不同类样本特征不够分散，类别区分的界限模糊，且阈值的确定依赖于专家经验，存在可靠性差和识别效率低的问题。

张劭在《基于深度学习的未知调制类型的信号识》中基于度量学习的思想对未知信号进行识别，但其判别需要未知信号样本的积累，且识别准确率低。林万杰在论文《基于深度学习的未知辐射源个体识别的研究》中改进深度度量学习中的经典算法Triplet Loss解决辐射源个体识别中的未知判别问题，但其在距离判决时依据经验选取判决阈值，使得可靠性不够以及不具备泛化性。

发明内容

本申请的目的在于提供一种基于自适应海鸟算法的雷达信号开集识别方法，解决低截获概率雷达识别时，经验阈值选取不佳导致识别率低和泛化性差的问题，增强识别方法的可靠性、泛化性和适应性，有效提高未知雷达信号识别的准确率。

为实现上述目的，本申请第一方面提供了一种基于自适应海鸟算法的雷达信号开集识别方法，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。

在一种实施方式中，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。