论文部分内容阅读
在智能雷达辐射源信号(RES)识别领域中,特征提取是学者重点关注的方向。经过多年的积累,人工特征空间的维数不断扩展。这些特征在特定的环境下可以获得较好的识别效果。相比之下,特征选择的重要性被忽略。事实上,如何从人工特征空间中选择一组有效的特征子集已经成为专家们非常关注的问题。简单地级联多个人工特征来重构雷达信号不仅可能无法提高识别性能,并且可能增加识别过程的时间代价。研究表明,特征选择可以有效提升算法的预测性能。因此,特征选择算法的研究对于雷达辐射源信号识别具有现实意义。特征选择从形式上分为两种方式:特征排序和子集筛选。特征排序首先根据某一评价函数对每个特征进行评分,然后选择得分最高的前几个特征作为特征子集。在提高学习算法性能的语境下,这种方法最让人诟病的是,组合评分高的特征并不总能提供更好的性能。基于稀疏学习的方法是子集筛选的代表性研究方向。该方法的基本思路是让特征的得分趋于“0”,然后选择得分不为“0”的特征组成特征子集。然而,传统的稀疏特征选择模型通常是线性,无法处理非线性问题(对于分类问题,即是线性不可分问题)。不幸的是,现实应用中的非线性问题普遍存在。深度学习的快速发展给子集筛选提供了新的研究方向。深度学习的基本组成——深度神经网络是一个非常强大的非线性问题解决模型,因此,增加一些额外的技术(结构)重构深度神经网络可以有效地选择特征。本文将基于深度神经网络及深度学习相关技术构建的特征选择方法统称为深度特征选择模型。在探索深度特征选择模型的拓扑结构上,本文构建了具有成对连接层结构的新模型。其构建思路是:建立一个输入和输出节点数相同的全连接网络,用于输出特征得分;增加一个决策层,在监督学习环境下,用来对样本进行决策以及计算训练误差;构建一个点对点连接层连接前后两个结构,它的作用是建立一条从输入到全连接输出层的“捷径”。其次,为了得到稀疏化的特征评分,引入硬门限函数作为全连接网络输出层的激活函数。这使新模型具有两个优势:其一是,不增加额外的稀疏化手段或结构;其二是,可以灵活的设计激活函数来实现输出的稀疏。进一步,本文建立了门限值自适应学习的深度特征选择模型。通过嵌入常用的软门限和Garrote门限函数,使得门限值可以参与深度神经网络的学习。此外,考虑硬门限、软门限和Garrote门限函数的不足,设计了一种自适应软门限函数。最后,设计具有冗余项的损失函数降低特征子集的冗余度,使深度特征选择模型可以识别冗余特征。第三,由于特征选择是一种典型的数据挖掘技术,对数据的一致性要求严格。因此,增加数据清洗步骤可以有效提升算法的性能。数据清洗通常要在无先验知识的情况下,去除那些严重偏离数据分布的样本(这些样本被称为异常)。鉴于此,本文提出了一种基于主成分分析(PCA)的无监督异常检测算法。该方法利用PCA技术将原始特征空间映射到新的主成分特征空间中,而异常样本在新的空间中往往易于检测。在主成分空间中建立新的异常评价模型,实现样本的异常评分,基于评分结果实现异常检测。最后,本文关注深度特征选择模型的应用问题解决,将提出的算法应用到雷达辐射源信号识别问题中。现有的识别方法大体遵循“特征提取+分类器设计”的框架,其中,特征提取是关键。经过几十年的研究,已经有大量有效的雷达信号特征被提出。这样,积累的大量人工特征面临着特征选择的问题,也即,如何选择一组特征子集来有效识别辐射源信号——这是特征层的人工特征选择问题。另外,考虑到深度神经网络擅长处理非结构型数据,本文直接在信号层上进行特征选择。信号层上的特征选择不需要构建复杂的人工特征且保留了信号的大量信息。目前,有关这项研究的论文很少,原因是传统的特征选择算法难以在高维雷达信号上起效。综上,本文完整地构建了一个有监督的深度特征选择模型,包括模型拓扑结构的建立,新激活函数和损失函数的设计。该方法是一个端到端模型,可以自适应地学习门限值。从合成数据和基准数据的实验结果都表明,本文方法都具有比传统算法更好的特征识别性能。落实到具体的应用上,提出的方法可以有效提升雷达辐射源信号的识别性能。