专利名称：一种基于粗糙集的雷达辐射源信号识别方法
技术领域：
本发明涉及信号识别技术领域，具体涉及一种基于粗糙集的雷达辐射源信号识别 方法。
背景技术：
雷达辐射源信号识别是雷达系统中重要的环节，雷达辐射源信号经过分选和特征 提取后，如何对其体制进行准确分析，为上级决策机构提供识别结果和决策支持是雷达辐 射源信号识别的主要任务。传统的雷达辐射源识别方法主要有特征参数匹配法，人工智能 分析法，脉内特征分析法，数据融合法等。由于电磁环境的日益恶化和各种噪声的影响，雷 达侦察接收机接收到的信号很大程度上受到了污染和干扰。传统的识别方法对这些参数不 全甚至畸变的信号显得无能为力。粗糙集理论是解决这一困难的有效工具，粗糙集理论在 没有任何先验信息的条件下，通过知识约简，在保持分类精度不变的同时，对雷达辐射源 信号可以进行规则提取，得出识别结论。但是粗糙集对噪声非常的敏感，噪声对识别结果影响很大。所以很多方法将粗糙 集与神经网络相结合。陈婷，罗景青提出用粗糙集理论提取出识别规则后，用BP神经网 络进行训练，然而BP神经网络学习时间比较长，而且容易收敛到局部解。韩俊，何明浩， 朱元清，等采用径向基神经网络，但没有具体给出基函数的聚类中心的计算方法。张政超， 关欣，李应升等提出将粗糙K-均值方法获得的聚类中心应用于径向基神经网络，从而对雷 达辐射源信号进行识别，但是应用粗糙K-均值算法首先需要选定聚类数以及初始中心值。 粗糙K-均值对于初始中心值的依赖性非常强，选取不同的初始聚类中心值往往会得到差 别很大的聚类中心。所以，通常需要计算最小平方和来确定最优的初始聚类中心，这个过程 需要大量的计算。
发明内容
为了解决现有的利用粗糙K-均值方法识别雷达辐射源信号时，由于需要计算最 小平方和来确定最优初始聚类中心而导致计算量大的问题，本发明提供一种基于粗糙集的 雷达辐射源信号识别方法，并根据粗糙集理论对神经网络结构进行优化，进一步提高系统 效率。本发明的一种基于粗糙集的雷达辐射源信号识别方法，它包括以下步骤 步骤一获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的
RBF神经网络的样本描述字；
步骤二 根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达 辐射源信号样本的条件属性A对
决策属性々的属性重要度并提取针对所述雷达辐射源信号样本的分类规则，其中， 1=1, 2,-,N；
4网络训练获得，/为输出层神经元个数，
步骤三根据步骤二获得的属性重要度&(q)计算条件属性q的属性权值為，并将所 述条件属性q的属性权值I作为建立RBF神经网络的隐层神经元基函数的条件属性的属 性权值；
步骤四根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类 数f和初始聚类中心，再根据所述初始聚类中心〖i进行粗糙K-均值聚类，以获取新聚
类中心‘，并将所述新聚类中心&作为待建立的RBF神经网络的隐层神经元基函数的中
心，其中，左=1，2，…，&并根据所述中心计算高斯函数方差；
步骤五根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四 获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络
输出函数
其中， 为输出
层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经 本发明的有益效果本发明提供了一种计算量小、收敛速度快的RBF神经网络雷 达辐射源信号识别方法；本发明根据粗糙集理论确定粗糙K-均值算法的初始聚类中心，避 免了计算最小平方和来确定最优初始中心带来的大量计算；本发明根据雷达辐射源信号样 本的各个条件属性的属性重要程度，对RBF神经网络进行改进，加快了 RBF神经网络收敛速度。
图1是本发明的一种基于粗糙集的雷达辐射源信号识别方法的流程图。
具体实施例方式具体实施方式
一根据说明书附图1具体说明本实施方式，本实施方式所述的一 种基于粗糙集的雷达辐射源信号识别方法，它包括以下步骤
步骤一获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的 RBF神经网络的样本描述字；
步骤二 根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性q对决策属性々的属性重要度^(Q),并提取针对所述雷达辐 射源信号样本的分类规则，其中，i=l, 2， ，#;
步骤三根据步骤二获得的属性重要度&(q)计算条件属性Cs的属性权值為，并将所
述条件属性A的属性权值為作为建立RBF神经网络的隐层神经元基函数的条件属性的属 性权值；
步骤四根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类 数f和初始聚类中心，再根据所述初始聚类中心进行粗糙K-均值聚类，以获取新聚
类中心tk，并将所述新聚类中L t作为待建立的RBF神经网络的隐层神经元基函数的中
心，其中，左=1，2，…，&并根据所述中心计算高斯函数方差；
步骤五根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四 获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络 输出函数巧
其中， 为输出 层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经
网络训练获得，/为输出层神经元个数，炉
，其中，不为诎^神经网络输入数据的条件属性^的
值，tM为聚类中心it的条件属性(^的值，^为高斯函数方差；
步骤六将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络， 获取识别结果，完成雷达辐射源信号的识别。
具体实施方式
二 本实施方式是对具体实施方式
一的进一步说明，具体实施方式
一在步骤二中，根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷 达辐射源信号样本的条件属性q对决策属性d的属性重要度y^q)的具体过程为
按照等距离离散法离散所述雷达辐射源信号样本的样本描述字，并使用 粗糙集理论对所述样本描述字进行处理，进而获取条件属性q的属性重要度
其中，M 是
所述雷达辐射源信号样本的条件属性的个数，POSc W)是决策属性々对条件属性集C的 正域。
具体实施方式
三本实施方式是对具体实施方式
一或二的进一步说明，具体实施 方式一或二在步骤三中，根据步骤二获得的属性重要度&(q)计算条件属性q的属性权值為的具体过程为
将步骤二获得的的属性重要度&软)归一化，以获得所述条件属性q的属性权值
其中，#是条件属性集c中元素个数，即条件属性个数。
具体实施方式
四本实施方式是对具体实施方式
一或二的进一步说明，具体实 施方式一或二在步骤四中，根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙
K-均值的聚类数K和初始聚类中心的具体过程为
依据利用粗糙集理论获得的K条分类规则确定聚类数凡再将雷达辐射源信号样本分
成#类集合
集合^中包含”个样本数
据，则初始聚类中心 本实施方式所涉及的粗糙集理论是波兰数学家Z. Pawlak于1982年提出的一种 新的处理模糊性和不确定性问题的数学工具。与其他识别方法相比，它的优点在于不需要 预先给定某些特征或属性的数量描述，也不需要先验模型。它仅仅充分利用数据本身的内 部知识，根据不可分辨关系，保持信息系统分类能力不变，通过属性约简和属性值约简， 获取论述问题的内在规则，从而作为对其他辐射源识别参考的依据。定义1四元组S = (F，AF,/)是一个信息系统，其中rj表示对象的非空有限
集合，称为论域；A表示属性的非空有限集合；F = ， 是属性〃的值域；f表示
奴A‘ a议J
是一个信息函数，它赋予每个对象的每个属性一个信息值，即，xec/， 有/b,a)era。每一个属性子集Pe』决定了一个二元不可区分关系iWDCi3)
丨访eP，/叙易证ZWZ)(乃是论域U上的等价关系，从而关
系丽仍
息、系统iJ/，A，F，f)也称为知识』。定义2设任一子集ZeC/，及为一等价关系，则当I能被某些基本范畴的并 表示时，称子集i力、可定义集，否则称i 不可定义集即R粗集。R可定义集是论域的 子集，可在知识库中彼精确定义，而i 不可定义集不能在知识库中被定义。但粗集可以被 近似定义，为达到此目的，使用两个精确集(粗集的上近似集和下近似集)来描述。定义3粗集X的R下近似和R上近似分别定义为
糊⑴
表示对知识i 、U中肯定能归入jr的元素的集合，iT(Z)表示对i 、U中可能归 入I的元素的集合，粗集可由上近似集和下近似集描述。集合=足(1)
称为i的5边界，B哪■)表示对知识及既不能归入J也不能归入J的元素的集合；把 POS^Z^iUZ)称为I的及域，= iT(Jf)称为J的及负域，B哪)称
为X的边界域，负域表示对知识5不属于集合J的元素的集合。粗糙集是不能处理连续数据的，所以本实施方式首先将连续的数据离散化，本发 明中使用的是等距离离散法，然后经过计算各属性重要度，属性约简，属性值约简后，提取 分类规则。粗糙K-均值算法主要通过计算最小欧氏距离作为相似性度量，通过不断调整求 得聚类中心。但是这些聚类边界不总是精确给出的，由Lingras提出的粗糙K-均值方法 可以有效地解决不确定边界引起的问题。本实施方式中，对该粗糙K-均值算法进行改进， 使用粗糙集理论对数据进行预处理，约简冗余的属性，并利用粗糙集提取的分类规则确定 粗糙K-均值的初始中心，减少了计算量。设雷达辐射源信号样本被分成f类，样本I到第左类的初始中心tok的距离用JCT， 表示，则用差值JCT，tokl)~d{X, tj (1彡毛之彡幻来确定I对某一聚类的上下近
似隶属性。 ①设"Cr，tj(l^Jc^JO 最小，且任何对 ik, k,)有"Cr，tokl)~di.x, tok) (T, 则 z 且z ；
②设JCr，tj (1彡*彡幻最小，但不存在任何对(毛先)有JCr，toU)-d(x, tok) ^T,则 ze 氺iTft)。其中，mww(k) ,分别为上下近似的权值系数，7为阀值。在聚类空间中，粗糙K-均值算法的聚类中心为该聚类空间的重心，而由粗糙集理 论求得的初始聚类中心可视为其几何中心。所以，以％^作为初始聚类中心的方法比传
统的计算最小平方和法和随机选取初始聚类中心的方法效率更高。阈值7如果过大，下近似集可能为空集，如果过小，则对边界域没有约束力。T 的取值范围确定步骤如下
bwef Iit) I mer I — JC^-jfc； i
Sy, M y、冗
Qyhywjrr it) x-~oth erwi se
8①计算所有对象与^个聚类中心的欧氏距离，得到距离矩阵；
②计算每个对象与各个类中心的最小值即距离矩阵每行最小值；
③计算每个对象同其他类中心距离与最小距离的差值，得到差值矩阵；
④找出差值矩阵中每行除0以外的最小值；
⑤阈值T的取值就在最小值中选取。 下近似集合中的元素越少，则下近似的相对重要度要大些，否则下近似的类中心 值易被忽略；如果边界域的集合元素越多，则上近似的相对重要度应该越小。上下近似元 素的个数可以衡量相对重要度比例
本实施方式中，高斯函数方差W的确定
of表示和每个中心相联系的数据散布的一种测度，在聚类中卞出后，可以用下 式计算
权利要求
一种基于粗糙集的雷达辐射源信号识别方法，其特征在于所述识别方法包括以下步骤步骤一获取雷达辐射源信号样本的脉冲描述字，所述脉冲描述字为训练待建立的RBF神经网络的样本描述字；步骤二根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐射源信号样本的条件属性对决策属性D的属性重要度，并提取针对所述雷达辐射源信号样本的分类规则，其中，i=1,2,…,N；步骤三根据步骤二获得的属性重要度计算条件属性的属性权值，并将所述条件属性的属性权值作为建立RBF神经网络的隐层神经元基函数的条件属性的属性权值；步骤四根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K 均值的聚类数K和初始聚类中心，再根据所述初始聚类中心进行粗糙K 均值聚类，以获取新聚类中心，并将所述新聚类中心作为待建立的RBF神经网络的隐层神经元基函数的中心，其中，k=1,2,…，K，并根据所述中心计算高斯函数方差；步骤五根据步骤三获得的隐层神经元基函数的各条件属性的属性权值、步骤四获取的隐层神经元基函数的中心及方差建立RBF神经网络，并获得所述RBF神经网络输出函数，其中，为输出层神经元对隐层神经元的权值，该权值通过使用雷达辐射源信号样本X对RBF神经网络训练获得，J为输出层神经元个数，,，其中，Xi为RBF神经网络输入数据的条件属性的值,为聚类中心的条件属性的值，为高斯函数方差；步骤六将待识别雷达辐射源信号的样本描述字输入步骤五所建立的RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。386349dest_path_image001.jpg,138404dest_path_image002.jpg,898550dest_path_image002.jpg,103266dest_path_image001.jpg,236920dest_path_image003.jpg,843482dest_path_image001.jpg,774529dest_path_image003.jpg,466541dest_path_image004.jpg,141236dest_path_image004.jpg,602304dest_path_image005.jpg,969832dest_path_image006.jpg,149140dest_path_image007.jpg,359017dest_path_image008.jpg,940171dest_path_image009.jpg,213021dest_path_image010.jpg,879626dest_path_image011.jpg,958440dest_path_image012.jpg,394101dest_path_image013.jpg,103431dest_path_image014.jpg,991752dest_path_image015.jpg
2.根据权利要求1所述的一种基于粗糙集的雷达辐射源信号识别方法，其特征在于在 步骤二中，根据所述雷达辐射源信号样本的样本描述字，利用粗糙集理论计算所述雷达辐 射源信号样本的条件属性A对决策属性D的属性重要度&的具体过程为按照等距离离散法离散所述雷达辐射源信号样本的样本描述字，并使用 粗糙集理论对所述样本描述字进行处理，进而获取条件属性G的属性重要度 其中，M是所述雷达辐射源信号样本的条件属性的个数，POSc W)是决策属性々对条件属性集c的 正域。
3.根据权利要求1或2所述的一种基于粗糙集的雷达辐射源信号识别方法，其特征在 于在步骤三中，根据步骤二获得的属性重要度&(ft)计算条件属性G的属性权值為的具 体过程为将步骤二获得的的属性重要度&归一化，以获得所述条件属性的属性权值 ，其中，#是条件属性集C中元素个数，即条件属性个数。a
4.根据权利要求1或2所述的一种基于粗糙集的雷达辐射源信号识别方法，其特征在 于在步骤四中，根据步骤二提取的雷达辐射源信号样本的分类规则确定粗糙K-均值的聚类数K和初始聚类中心的具体过程为依据利用粗糙集理论获得的K条分类规则确定聚类数凡再将雷达辐射源信号样本分成f类集- 集合"T中包含TT个样本数Ut据，则初始聚类中心/
全文摘要
一种基于粗糙集的雷达辐射源信号识别方法，它涉及信号识别技术领域，它解决了现有的利用粗糙K-均值方法识别雷达辐射源信号时，由于需要计算最小平方和来确定最优初始聚类中心而导致计算量大的问题。本发明的雷达辐射源信号识别方法首先获取雷达辐射源信号样本的脉冲描述字，然后利用粗糙集理论确定粗糙K-均值的聚类数和初始聚类中心，再通过粗糙K-均值获取RBF神经网络隐层神经元的中心，以获得RBF神经网络结构；最后将待识别的雷达辐射源信号的样本描述字输入所述RBF神经网络，获取识别结果，完成雷达辐射源信号的识别。本发明适用于雷达辐射源信号识别。
文档编号G06N3/08GK101893704SQ20101023139
公开日2010年11月24日 申请日期2010年7月20日 优先权日2010年7月20日
发明者匡运生, 史振国, 吴芝路, 尹振东, 杨柱天 申请人:哈尔滨工业大学