[发明专利]一种新型灰关联分类器设计方法

说明书

本发明提供了一种新型灰关联分类器设计方法，包括：利用灰色关联算法设计灰关联分类器；对系统的行为各序列的初值像进行归一化和均值化，针对不同的信号赋予不同的分辨系数，从而利用自适应分辨系数来加强对分辨系数的约束能力。

技术领域

本发明涉及电子对抗、信号识别、分类器设计领域，更具体地说，本发明涉及一种新型灰关联分类器设计方法。

背景技术

如今，随着反侦察、抗干扰技术的不断的完善，通信系统的复杂化和噪声的不断增加，信号个体差异逐渐减小，传统的模版比对法已经难以完成对辐射源的个体识别任务。如何在较低的不稳定的信噪比环境下实现对辐射源信号的识别和分类，分类器的设计和选择变得非常重要。分类器设计的主要作用是，根据提取的信号特征，进行相应的判决，从而实现对信号等对象的分类识别。利用灰色关联分类器来对提取到的信号特征进行分类，通过对不同的调制信号的低信噪比下的识别结果，来判断算法的特征提取性能，验证改进算法的有效性。

传统的灰色关联分析以部分特征已知、部分特征未知、样本小的不确定信号为研究对象，提取有利信息，实现对信号的识别分类。在此基础上又改进了一批新型的关联程度分析方法。如自适应熵权灰色关联度、广义绝对关联度、T型关联度、灰色斜率关联度。

新型的几种典型的关联度模型是邓氏关联度、广义绝对关联度、T型关联度、灰色斜率关联度。但是，目前已有的各种模型大多不是很理想，往往不满足灰色关联四公理所规定的约束条件。邓氏关联度和广义绝对关联度利用位移差反映了两序列间发展过程或量级的相近性。对于传统邓氏灰关联分类器，抗噪能力相对较差，在较低信噪比条件下，就难以达到识别的效果；T型关联度利用速度比反应两序列发展趋势，斜率关联度则是利用速度差反映两序列发展趋势或曲线形状的相似性，然而原始数据的无量纲化的过程实际上是改变了曲线的比例，因此斜率关联度不满足规范性；B型关联度则综合利用了位移差、速度差、加速度差来反映两序列曲线的相近性和相似性，侧重于总体分析。并且以上各种模型对于加载信噪比的信号的识别率并不高。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提出了一种新型的灰关联理论的分类器设计方法，通过计算更改初值像的计算方法，来缩小信号特征间的不稳定性，并通过加强分辨系数的约束性，来实现在不同的信噪比下对信号进行准确识别的目的。

为了实现上述技术目的，根据本发明，提供了一种新型灰关联分类器设计方法，包括：第一步骤：利用灰色关联算法设计灰关联分类器；第二步骤：对系统的行为各序列的初值像进行归一化和均值化，针对不同的信号赋予不同的分辨系数，从而利用自适应分辨系数来加强对分辨系数的约束能力。

优选地，所述第一步骤包括：

首先，计算系统的行为各序列的初值像x'_i：

其中，i＝0,1,2,…,m表示数据库中已知待比较信号的类别，n表示信号特征的个数；

其次，计算差值序列：

Δx_i(k)＝x'₀(k)-x'_i(k),Δx_i＝(Δx_i(1),Δx_i(2),…,Δx_i(n)),i＝1,2,…,m

其中，k＝1,2,…,n表示信号的第k个特征。

再次，计算差值序列的最大差M与最小差m：

再次，计算关联系数值γ_0i(k)：

最后，计算序列之间的关联度值γ_0i：