[发明专利]一种基于双向嵌入特征的半监督信号分析方法

说明书

本发明提出一种基于双向嵌入特征的半监督信号分析方法，主要解决雷达信号侦测数据样本标注方法效率低和样本获取困难的问题，包括如下步骤：针对于PDW数据，进行去稀疏性处理，通过神经网络计算双向嵌入特征来拟合无标签数据和有标签数据的联合特征区间分布，确定特征映射空间分类边界，根据边界得到不同目标的分类结果。本发明方法的优点是：半监督学习算法可以利用大量无标注的数据，不需要耗费额外的人力时间对其都进行标注，提高标注效率。

技术领域

本发明涉及信号智能化处理领域，特别是涉及神经网络样本特征训练及提取技术。

背景技术

随着雷达技术的飞速发展，雷达信号波形调制特性不断改进提升，传统雷达信号识别方法主要采用辐射源数据库模板匹配的方式，对于越来越多的新体制雷达，这些方法识别率低，正确率不高，已经难以满足技术要求。而人工智能技术的发展，给雷达识别技术提供了一个新的处理手段，采用深度学习网络对数据特征参数值进行训练，实现对雷达信号的识别。在深度学习的训练过程中，需要大量预先标注好的数据样本作为训练集。现有的样本标注方法主要针对图片、影像或简单的数据文本，未找到针对雷达信号数据的样本标注方法。雷达信号数据样本提取的困难主要体现在：由于复杂电磁环境影响，获取的原始数据干扰信息较多，有效数据少；数据具有时序关系，参数之间存在关联，参数特征变化复杂多样，且无法简单区分，需要对各种雷达信号数据特征具有极其丰富的分析经验的专业人员进行样本提取。然而采集原始数据的数据量巨大，雷达信号特征几乎被淹没于干扰及噪声之中，标注效率极低，有效标注样本少，由此产生了极少量的有类标签的样本和过剩的无类标签的样例。

另一方面，深度学习已经成为了最近几年的一个研究热点，它是一种多层的机器学习模型，并通过模拟人脑的视觉机理，获得信号的高层语义特征。深度学习模型首先学习数据的低层次特征；经过多个隐藏层的逐层稀疏，逐层抽象，最终提取到数据的高层语义特征。目前，将深度学习引入雷达领域对复杂电磁信号进行特征提取和分析已经成为研究的热点问题。然而，深度学习擅长于解决大样本的目标分类问题，因此在标注样本较少的情况下，深度学习的效果不能满足实际需要。

发明内容

为解决上述雷达信号侦测数据样本标注方法效率低和样本获取困难的问题，本发明提出一种基于双向嵌入特征的半监督信号分析方法，通过深度学习提取双向嵌入特征，半监督联合集成模型学习的方法，减少人力成本，避免了数据和资源的浪费成本。

本发明是通过以下技术方案实现的：

(1)：对有标记样本进行特征提取处理，人工分析原始侦测数据文件：通过可视化方法，对原始侦测数据的参数进行同步显示，所述参数包括频率、脉宽、幅度、时间、方位；在此基础上对原始侦测数据进行挑选，辅助人工发现原始侦测数据序列之间的关联关系；

(2)：对于标记样本，用(1)中获取的频率、脉宽、幅度、时间、方位特征作为标记样本特征，同原始侦测数据序列一起建立标准样本文件，存入大数据雷达信号标准样本文件数据库；

(3)：对于(2)中获取的已标记样本特征，通过预测结果反向训练深度神经网络，再利用训练好的深度神经网络计算获得各个未标记样本的雷达信号双向嵌入特征向量；

(4)利用(3)中获取的无标记样本的雷达信号双向嵌入特征向量，使用无监督学习方法SVDD(支持向量数据描述模型)训练雷达信号分类集成模型；

(5)对于新采集的雷达信号人工标记样本，运用在线学习方式继续训练增量学习模型，修正已有的雷达信号分类集成模型，提高现有模型的识别能力。

进一步的，所述双向嵌入特征向量目标函数定义如下：