[发明专利]一种基于加权迁移极限学习机算法的辐射源识别方法

权利要求书

1.一种基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，包括以下步骤：

S1、采集若干源域样本和目标域样本，对目标域样本中部分样本和源域样本进行标记，并将目标域样本中剩余部分样本作为待测样本集；

S2、构建极限学习机模型的训练目标函数，并根据训练目标函数、源域标记样本和目标域标记样本对极限学习机模型的模型参数β进行更新，得到训练完成的极限学习机模型；

S3、将待测样本集输入训练完成的极限学习机模型，得到新增辐射源识别结果。

2.根据权利要求1所述的基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，所述步骤S2中训练目标函数L_W-TELM为：

所述和与β的关系分别为：

其中，s.t.表示条件限制，β表示极限学习机模型的模型参数，C_s表示源域s的预测误差平衡常数，C_t表示目标域t的预测误差平衡常数，W表示源域样本的权重矩阵，N_s表示源域样本总数，N_t表示目标域样本中的标记样本数，表示第i个源域样本的预测误差，表示第j个目标域样本的预测误差，表示源域样本对应的隐层输出，表示目标域样本对应的隐层输出，表示第i个源域样本的标签，Y_t^j表示第j个目标域样本的标签。

3.根据权利要求2所述的基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，所述步骤S2中根据训练目标函数、源域标记样本和目标域标记样本对极限学习机模型的模型参数β进行更新的具体方法为：

A1、将源域标记样本输入极限学习机模型，获取源域样本的隐层输出；

A2、获取源域样本的权重矩阵；

A3、将目标域标记样本输入极限学习机模型，获取目标域样本的隐层输出；

A4、根据源域样本的隐层输出、权重矩阵和目标域样本的隐层输出，对极限学习机模型的模型参数β进行更新。

4.根据权利要求3所述的基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，所述步骤A1中源域标记样本为其中，X_s表示源域样本集合，Y_s表示源域样本标签集合，表示第i个源域样本，表示第i个源域样本标签；

所述步骤A1中获取源域样本的隐层输出H_s的公式为：

H_s＝g(a·X_s+b)

其中，g()表示激活函数，a表示输入权重参数，b表示隐层偏置。

5.根据权利要求3所述的基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，所述步骤A2中获取源域样本的权重矩阵为W＝diag{W_i}，diag()表示对角矩阵，所述权重W_i为：

其中，d_i表示第i个源域样本与目标域样本均值点之间的欧式距离，i＝1,2,...,N_s，N_s表示源域样本总数。

6.根据权利要求3所述的基于加权迁移极限学习机算法的辐射源识别方法，其特征在于，所述步骤A3中目标域标记样本为其中，X_t表示目标域样本集合，Y_t表示目标域样本标签集合，表示第j个目标域样本，Y_t^j表示第j个目标域样本标签，j＝1,2,...,N_t，N_t表示目标域标记样本总数；

所述步骤A3中获取目标域样本的隐层输出H_t为：

H_t＝g(a·X_t+b)

其中，g()表示激活函数，a表示输入权重参数，b表示隐层偏置。