[发明专利]一种基于增量式学习的雷达辐射源分类建模方法

摘要

本发明公开了一种基于增量式学习的雷达辐射源分类建模方法，针对雷达辐射源训练样本的信号特征数目增加、类型数目增加和样本数目增加三种情况进行增量式学习，分别在特征维和类型维对训练样本描述矩阵进行扩充和更新，并在此基础上对原先构建的雷达辐射源分类模型进行调整，具体包括信号特征的重新评估和选择、模型参数的更新、模型结构的调整等。本发明优点为：避免了每次雷达辐射源训练样本变化都需要针对整个训练样本重新进行学习，重新构建分类模型，大大节约了计算成本，提高了计算效率；增量式学习结果不受雷达辐射源训练样本的数据输入顺序的影响，是固定的；本发明中的雷达辐射源分类模型能够辨别出未知类型的雷达辐射源目标。

主权项

一种基于增量式学习的雷达辐射源分类建模方法，在用于构建雷达辐射源分类模型的雷达辐射源原始的训练样本中，共有m条雷达辐射源样本，每条雷达辐射源样本由n个信号特征以及该雷达辐射源所属的类型组成，初始有k个类型；其中m、n为自然数，k为大于等于2的自然数；其特征在于，设定门限值r作为雷达辐射源分类建模中选择的信号特征数目，对m条雷达辐射源样本进行以下步骤处理：步骤1，根据原始的训练样本初始化训练样本描述矩阵，训练样本描述矩阵包括类型‑特征和矩阵、类型‑特征平方和矩阵以及类型‑特征乘积和矩阵：步骤2，根据所述三个矩阵和门限值r构建雷达辐射源分类模型，获得基于r个选择的信号特征的雷达辐射源类型的信号特征均值向量矩阵[mean(i，j)]r×k和协方差矩阵[C(p，q，j)]r×r×k；步骤2之后，如果雷达辐射源训练样本的信号特征数目、类型数目或者样本数目有更新，则记更新后的信号特征数目为n′，类型数目为k′，样本数目为m′；步骤3，判断是否有新的信号特征加入训练样本，如果有，进行步骤4，否则，更新后的信号特征数目n′不变，即n′＝n，进行步骤5；步骤4，扩充信号特征的数目n′，根据新的信号特征更新所述三个矩阵，并获得更新后的训练样本；步骤5，判断是否有新的雷达辐射源样本加入训练样本，如果有，根据下述公式获得更新后的样本数目m′，m′＝m+Δm，其中，Δm为增加的样本数目，进行步骤6，否则，更新后的样本数目m′不变，即m′＝m，更新后的类型数目k′也不变，即k′＝k，跳至步骤9；步骤6，判断是否有新的类型加入训练样本，如果有，进行步骤7，否则，更新后的类型数目k′不变，即k′＝k，跳至步骤8；步骤7，扩充类型数目，根据下述公式获得更新后的类型数目k′，k′＝k+Δk，其中，Δk为增加的类型数目；步骤8，根据新的类型数目k′更新三个矩阵，并获得更新后的训练样本：步骤9，根据更新后的三个矩阵和人工设定的选择信号特征数目r，调整和输出雷达辐射源分类模型。