[发明专利]模型评价方法、雷达信号识别方法及对应装置

说明书

本发明涉及雷达信号识别技术领域，提供一种模型评价方法、雷达信号识别方法及对应装置。其中，模型评价方法包括：获得雷达信号的训练集以及测试集；利用脉内特征分析对训练集中的训练样本进行特征提取，获得特征数据集；利用TPOT方法优化特征数据集的训练流程，获得用于对雷达信号进行分类的分类模型；利用LIME方法计算测试集中的测试样本的可解释性；基于可解释性评价分类模型是否可用。TPOT方法能自动优化训练流程，既能获得高质量的分类模型，又无需人工介入训练过程，省时省力。而通过LIME方法计算测试样本的可解释性，并据此评价分类模型的可用性，有利于改善模型的透明度，增加用户对模型的信任程度，提高获得的模型的质量。

技术领域

本发明涉及雷达信号识别技术领域，具体而言，涉及一种模型评价方法、雷达信号识别方法及对应装置。

背景技术

随着现代技术的发展，新型雷达的复杂度以及反侦察、反干扰的技术越来越成熟，将不同的雷达辐射源脉冲从从密集雷达脉冲流中识别出来显得越来越重要，其识别水平是衡量雷达对抗设备技术先进程度的重要标志。

现阶段，雷达信号识别基本都是采用机器学习方法，然而大多数机器学习方法都是在特定的范围内适用，需要人为的去选择算法，调整超参数等，如果数据集发生变化，预测的准确性将会受到影响。与此同时，虽然机器学习训练的模型可以得到很好的预测效果，但在大多数情况下，获得的模型是一个内部不可知的黑盒，这将会带来模型的置信度的问题。

发明内容

有鉴于此，本发明实施例提供一种模型评价方法、雷达信号识别方法及对应装置，以解决上述技术问题。

为实现上述目的，本发明提供如下技术方案：

第一方面，本发明实施例提供一种模型评价方法，包括：

获得雷达信号的训练集以及测试集；

利用脉内特征分析对训练集中的训练样本进行特征提取，获得特征数据集；

利用基于树结构的自动流程优化(Tree－based Pipeline Optimization Tool，TPOT)方法，优化特征数据集的训练流程，获得用于对雷达信号进行分类的分类模型；

利用局部可理解的与模型无关的解释(Local Interpretable Model－AgnosticExplanations，LIME)方法，计算测试集中的测试样本的可解释性；

基于可解释性评价分类模型是否可用。

在第一方面的一种可能的实现方式中，利用脉内特征分析对训练集中的训练样本进行特征提取，包括：

提取训练样本的小波脊频级联特征；

提取训练样本的模糊函数的主脊切面特征；

将小波脊频级联特征以及主脊切面特征融合为训练样本的特征。

在第一方面的一种可能的实现方式中，利用基于树结构的自动流程优化TPOT方法，优化特征数据集的训练流程，获得用于对雷达信号进行分类的分类模型，包括：

利用TPOT方法选择特征处理算子对特征数据集中的特征进行预处理以及特征选择，获得处理后的特征数据集；

利用TPOT方法优化处理后的特征数据集的训练流程，确定分类模型的分类器以及超参数。

在第一方面的一种可能的实现方式中，特征处理算子为SelectKBest、奇异值分解的主成分分析以及Variance Threshold中的一种算子。

在第一方面的一种可能的实现方式中，分类器为决策树分类器、随机森林分类器、Gradient Boosting分类器、支持向量机、逻辑回归以及k最邻近分类算法中的一种分类器。