本发明属于综合电子战。
背景技术:
1、随着相控阵技术在电子信息系统上的广泛应用,雷达信号样式由固定样式发展为根据作战任务自波形库中选取对应波形组合生成信号样式,雷达信号样式分析已成为电子信号侦察中的重要环节。由于实际战场电磁环境的复杂性,实侦信号数据广泛存在部分信号序列元素缺失的现象。当前信号样式分析方法主要针对信号序列元素完整的数据集,可分为支持向量机(svm)等传统方法和卷积神经网络(cnn)、循环神经网络(rnn)、残差神经网络(resnet)等智能方法。以上方法均无法对序列元素缺失的信号数据进行信号样式分类、预测等反演分析处理。
技术实现思路
1、本发明针对现有技术中存在的问题,提供一种基于缺失关系网络的雷达信号样式反演方法,解决现有技术中无法对数据缺失的信号样式分类反演问题。
2、本发明解决上述技术问题的技术方案如下:
3、步骤1:对训练信号数据分析处理构建样本集,构建缺失关系网络,划分得到网络节点样本子集,构建节点集成分类器,计算各节点集成分类器权值;
4、步骤2:对输入的信号数据提取出对应的信号样本,利用缺失关系网络选取节点集成分类器以及对应的权值系数构建联合集成分类器,将信号样本输入联合集成分类器得到雷达信号样式分类识别结果;
5、步骤3:根据雷达信号样式识别结果,利用缺失关系网络选取所有对应逆向缺失子节点,对缺失元素通过计算近邻加权值进行估计预测。
6、在上述技术方案的基础上,本发明还可以做如下改进。
7、进一步,所述步骤1构建缺失关系网络包括根据样本元素缺失情况划分样本子集作为网络节点,根据缺失元素包含关系构建节点之间正向缺失和逆向缺失关系,将所有逆向缺失节点子集样本去除多余的元素后添加进对应节点样本子集。
8、进一步,所述步骤1节点集成分类器构建包括首先利用预分类方法和后分类方法生成强区分性元素集和弱区分性元素集,集成分类器的基分类器从强区分性元素集和弱区分性元素集中选取对应元素构建,最后通过各分类器简单多数投票结果集成分类结果。
9、进一步,所述步骤1节点集成分类器权值计算包括根据缺失元素集的修正条件熵值计算对应的集成分类器权值。
10、进一步,所述步骤2联合集成分类器识别包括根据输入信号的元素缺失情况,利用缺失关系网络选择对应的子节点以及对应的正向缺失节点对应的节点集成分类器及其权值构建联合集成分类器,将信号样本输入联合集成分类器得到最终的信号样式分类识别结果。
11、本发明的有益效果是:一方面使用通过构建缺失关系网络得到各子集对应的缺失关系,扩充了各样本子集;另一方面使用集成学习方法灵活构建加权分类器提高分类准确率,最终实现对样本元素缺失信号数据的信号样式反演分析。
1.一种基于缺失关系网络的雷达信号样式反演方法,其特征在于:
2.一种根据权利要求1所述的基于缺失关系网络的雷达信号样式反演方法,其特征在于:所述步骤1中信号样式分类训练为:
3.一种根据权利要求1所述的基于缺失关系网络的雷达信号样式反演方法,其特征在于:所述步骤2中信号联合集成分类器识别方法为: