基于遷移學(xué)習(xí)的雷達(dá)輻射源識(shí)別研究.pdf

1、傳統(tǒng)的機(jī)器學(xué)習(xí)方法假設(shè)訓(xùn)練集和測(cè)試集來(lái)自同一分布的樣本集，如果實(shí)驗(yàn)數(shù)據(jù)的分布改變了，需要重新標(biāo)注新樣本作為訓(xùn)練集建立統(tǒng)計(jì)模型，然而標(biāo)注新樣本的代價(jià)通常很高，采用遷移學(xué)習(xí)理論可以減少分類(lèi)器對(duì)標(biāo)注新數(shù)據(jù)的需求。通過(guò)把不同領(lǐng)域的已標(biāo)記數(shù)據(jù)遷移到目標(biāo)領(lǐng)域輔助訓(xùn)練目標(biāo)模型，提高模型的訓(xùn)練效果。本文主要研究利用遷移學(xué)習(xí)理論提高雷達(dá)輻射源的識(shí)別效果。
　　首先實(shí)現(xiàn)了基于RBF神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源識(shí)別算法，當(dāng)訓(xùn)練集樣本數(shù)很少時(shí)，訓(xùn)練出的分類(lèi)器對(duì)雷

2、達(dá)輻射源的識(shí)別率較低。對(duì)于這個(gè)問(wèn)題，本文深入研究了領(lǐng)域匹配遷移學(xué)習(xí)理論，設(shè)計(jì)了基于遷移成分分析改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器，通過(guò)遷移不同領(lǐng)域的數(shù)據(jù)輔助訓(xùn)練分類(lèi)器，減小了系統(tǒng)的識(shí)別誤差。然后研究了集成學(xué)習(xí)理論以及在遷移學(xué)習(xí)框架下的AdaBoost算法。設(shè)計(jì)了AdaBoost算法的改進(jìn)算法，即 TCABoosting算法，實(shí)驗(yàn)結(jié)果顯示改進(jìn)后的算法提高了系統(tǒng)的精度。最后研究了Boosting算法中的基分類(lèi)器訓(xùn)練樣本分布修正函數(shù)對(duì)分類(lèi)正確率的影響