[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

说明书

本发明公开了一种基于加权迁移极限学习机算法的辐射源识别方法，包括以下步骤：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；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；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。本发明提升了知识迁移的效率，提高了小样本条件下，新增辐射源个体分类识别的准确度和稳定度。

技术领域

本发明属于辐射源识别领域，具体涉及一种基于加权迁移极限学习机算法的辐射源识别方法。

背景技术

在现代电子战应用环境中，受时间、空间、作战需求等因素的影响，快速变化的战场条件极大的增加了设备采集辐射源信号的难度，仅能获取少量带标签的辐射源样本数据。因此在小样本条件下，辐射源新增个体的识别问题亟待解决。目前针对小样本条件下辐射源个体的识别问题，主要有两种解决方案：基于卷积神经网络的迁移学习和迁移极限学习机算法。基于卷积神经网络的迁移学习算法其基本思想是在已知数据集上训练好卷积神经网络模型，然后通过快速简单的调整将该模型应用到另一个数据集上。即是利用大量已知辐射源样本训练卷积神经网络模型，并保留模型中卷积层的参数不变，然后利用少量带标签的新增辐射源样本训练模型的全连接层参数，进而识别新增辐射源个体。然而，由于深度神经网络层数多，复杂度较高，因此网络参数量庞大，少量的标记样本难以使模型参数得到充分训练，导致新增辐射源个体识别的错误率较高，识别性能难以满足应用需求。迁移极限学习机算法是在极限学习机和迁移学习的基础上，利用大量源域辐射源标记样本和少量新增辐射源标记样本构建极限学习机模型，使得该模型将从源域学习到的知识迁移至目标域，从而实现目标域新增辐射源个体的识别。然而，由于不同的源域样本对建立目标模型的有效性存在差异，直接使用源域中的各样本容易导致模型出现“负迁移”的问题，影响模型在目标样本集上的识别性能，因此该算法下，模型的识别性能不稳定，当源域中存在坏样本时，将直接干扰和影响目标模型的构建。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于加权迁移极限学习机算法的辐射源识别方法解决了现有技术识别错误率高、模型识别性能不稳定以及算法严重依赖于样本数量的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于加权迁移极限学习机算法的辐射源识别方法，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。

进一步地，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。