样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了 1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用 K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到 1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于 30%时平均提高 3.3%;在标签错误率大于 30%时,也能使个体识别率达到 90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。     

融合双谱特征的雷达辐射源个体识别方法

双谱以其独特的抑制高斯有色噪声的优势,被广泛应用于雷达辐射源识别分析。采用双谱对角线作为雷达辐射源识别特征可以很大程度上减少计算量,但是使用双谱对角线作为唯一识别特征,会损失信号的部分幅度和分布特征。针对上述问题,提出了 1种基于辐射源信号双谱提取二次特征的方法。取双谱作为二次特征提取对象,根据信息熵概念定义双谱奇异值全局熵和双谱对角线的幅度分散熵,联合双谱对角线及其积分结果作为特征向量,将其送入神经网络进行识别。实验表明,相比双谱对角线法,该方法对辐射源识别的正确率平均提高约 3.3%。