1.一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:该方法包括以下步骤:
S1:将辐射源信号进行预处理;
S2:对S1步骤得到的预处理后的信号提取样本熵、排列熵、盒维数和信息维数四个特征参数,获取训练样本以及测试样本;
S3:将S2步骤中得到的训练样本放入极限学习机中,并初始化粒子群优化算法的参数,以指数函数法获取学习因子值;
S4:经过S3步骤中极限学习机的学习,算出均方误差作为适度值与惯性权重划分,并不断更新粒子的速度与位置,调整极限学习机的连接权重和阈值;首先,把训练样本strain放入极限学习机,根据粒子的初始位置,计算出均方误差并作为适度值,改进粒子群优化算法是根据均方误差值划分惯性权重:设置粒子群的粒子数为100个,在第t次迭代过程中,第i个粒子适度值为εi,那么其种群最小适度值为εmin和平均的适度值为εavg,求得当前种群适度值小于εavg的平均值为εavg1和大于εavg的平均值为εavg2,然后将其分为三个不同的子群进行改变惯性权重,惯性权重ω产生的规则为:(1)将εi小于εavg1的粒子分为一类,其说明该粒子为种群中最优的粒子,极大程度的接近全局最优,ω取值为0.4;
(2)将εi大于εavg2的粒子分为另一类,其说明该粒子为种群中最差的粒子,将ω取值为
0.8;
(3)将εi在εavg1和εavg2分为最后一类,利用云模型中X发生器非线性动态取调整ω取值,云模型改变权重算法公式下:2
从而保证了ω∈[0.4,0.8],其中μ和σ分别为云模型的数学期望和方差,在第t次迭代过程中的粒子适度值为εi,平均适度值为εavg;
S5:不断重复S4步骤进行学习训练,寻求全局最优解,直至找到均方误差小于或等于设定值,训练结束,对应的连接权值和隐含层神经元的阈值为极限学习机的优化参数;
S6:将测试样本放入S5步骤中已经优化好的极限学习机中,算出输出层数据,对数据四舍五入取值,得到预测样本的类型。
2.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S1步骤中,将3类对讲机信号进行滤波处理,根据不同时间段、不同噪声环境进行3类信号分段,每个信号分成100段,每一段数据选择1000个点,并把分段好的信号构成实验数据集X。
3.根据权利要求2所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S2步骤中,对实验数据X进行时域分析,每1000个点提取样本熵、排列熵、盒维数和信息维数四个特征参数,组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
4.根据权利要求3所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S3步骤中,设置粒子群的粒子由极限学习机的连接权重W和隐含层神经元的阈值b组成,粒子个数为100,初始化粒子群的速度和位置,并用指数函数获取学习因子值c。
5.根据权利要求4所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S4步骤中,把训练样本strain放入极限学习机中,算出均方误差作为适度值并划分惯性权重,不断更新粒子的速度与位置。
6.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S5步骤中,不断学习训练,判断均方误差是否达到设定最小值0.005,若达到则跳出循环,训练结束,将对应的连接权重W和隐含层神经元的阈值b作为极限学习机的参数;
若未达到,将当前最小误差的粒子作为初始值重新学习。
7.根据权利要求1所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S6步骤中,把优化后的参数放入极限学习机中,将50组测试样本stest导入优化后的ELM中,计算出神经网络的输出,四舍五入后即预测样本的类型,并算出识别率。
8.根据权利要求2或3所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S1步骤中,对辐射源信号的滤波,是将信号重构吸引子重构成矩阵形式,然后进行奇异值分解的滤波,再将滤波后的信号进行分段构成实验数据集X;在所述S2步骤中,对辐射源信号进行特征提取,单使用熵值作为特征会出现特征值重叠现象,对讲机类型增加时会导致识别率降低,引入分形维数的盒维数和信息维数作为特征,避免冗余,提高识别率;每1000个点提取这四个特征组成特征向量组s,共提取300组,并随机选择训练模板strain250组和测试模板stest50组。
9.根据权利要求4所述的一种改进粒子群极限学习机的辐射源信号识别方法,其特征在于:在所述S3步骤中,设定粒子群初始的速度和位置,粒子群在寻优过程中,在前阶段希望粒子多向局部极值学习,加快粒子迭代速度,c1的值取较大值,c2的值取较小值,后阶段正好相反,用指数函数提高学习效率,其公式如下:其中t为当前迭代次数,T为总的迭代次数。