一种基于决策树的信号分类方法

2018-07-23 08:09四川九洲空管科技有限责任公司赵浩然

电子世界 2018年13期

四川九洲空管科技有限责任公司程旗赵浩然

1.引言

随着当代通信技术的飞速发展，空中的电磁环境日趋复杂。在这样的环境中，现代战争的作战形式与过去的战争有很大区别，兵力已不再是决定战争胜负的主要因素，掌握并控制战场信息才是打赢一场现代战争的首要条件。为了确保战争指挥者能够及时准确地掌握敌方电子装备的战略战术信息，并有针对性地对敌方重要电子装备及载体实施有效的干扰、反干扰或军事打击[1]，必须对地方通信设备及辐射源信号实施电子侦察；基于这种需求，雷达辐射源个体识别技术应运而生。

雷达辐射源个体识别技术，是指通过提取侦察接收机截获的辐射源信号的细微特征，与特征库中的样本进行对比匹配，进而获取发射该信号设备各种属性信息，实现个体识别[2]。其中，信号细微特征提取是雷达辐射源个体识别技术的关键，也是其核心所在。

早期的雷达辐射源个体识别技术主要集中在提取信号的暂态特征[3-4]，通过分形理论等方法对辐射源时域暂态信号（如开机过程、设备工作模式转换）进行分析，但是暂态信号具有持续时间短（往往只有几毫秒）、难以捕获等明显缺点，造成其实用性较差。当系统工作稳定后，辐射源设备按照预期工作模式稳定地发射大量信号，这使得接收机有时间采集足够的样本数据进行分析，这一时段的个体特征称为稳态特征。由于辐射源稳态特征的优点，当前的研究热点是提取信号的稳态特征。

通常，信号细微特征提取与识别过程如图1所示：

图1 信号细微特征提取与识别过程

上述过程主要包括预处理、信号变换、特征提取、分类器设计等过程。本文在分析传统特征提取方法的基础上发现传统方法的一些缺点，并提出基于决策树的分类方法与传统方法结合。实验表明，改进后的分类方法在多目标识别应用上具有更高的识别正确率。

2.基于决策树的信号分类方法

经过预处理后的信号变换主要是利用时间和频率的联合函数（即时频分布），用以同时增加信号在时域和频域的分辨率从而有效剖析信号。在各个领域的实际工程应用中常用的时频分布有短时傅里叶变换，小波变换、魏格纳分布、模糊函数等等[5-7]。本文采用魏格纳分布进行特征提取及之后的决策树属性选择。

魏格纳分布具有对称性、位移性、定义域的同一性以及积分性等良好的性质用于支撑其在各个领域的应用。

信号变换之后，需要对变换后的时频分布数据进行特征提取。特征即为同类相同或者相近，不同类之间差别相对较大。Fisher判别比通常被用来在模式识别问题中选取原始特征中分类性能优秀的特征子集。Fisher判别比由信号的类间方差和类内方差的比值表示，是很直观且很常用的特征提取方法。类间方差表示不同类信号样本之间的类间差别，类内方差表示同一类信号样本的类内聚集程度。Fisher判决比在类间方差最大且类内方差最小时达到最大，即分类性能最好。Fisher判决比一般表示为：

针对训练信号样本，对样本进行训练与特征提取过程一般如下：

第一步：信号幅度归一标准化，对齐时间；

第二步：对标准化信号进行时频变换；

第三步：利用Fisher判别法进行特征选取；

第四步：对特征进行距离匹配，常用的距离有“闵可夫斯基距离”、“Hausdorff距离”等；

第五步：利用第四步的匹配结果（即测试数据与样本数据之间的相似度），设计分类器识别目标。

利用上述过程，可以对目标达到较高的识别率。然而，随着目标个数增加与电磁环境的变坏，上述算法会有以下两个缺点：

a）目标个体增多后，利用Fisher判别法寻找多个目标之间的共同特征会变的越发困难，可以区分少量目标的明显特征将会被淹没；

b）随着电磁环境日益复杂变坏，通过上述计算机理进行特征匹配的方法鲁棒性不强。

下面，我们提出基于决策树的分类方法用于改进上述缺点。决策树分类法是通过分析训练集的属性差别通过递归的方式建立决策树[8]。其原理是针对整个训练集D，通过从属性集A中根据属性优劣顺序选择属性，形成一个根结点、若干个内部结点和若干个叶节点；其中，叶结点对应于决策结果，其他结点对应一个属性测试；每个节点中的样本集根据属性测试的结果被划分到子结点中，根结点包含样本全集。决策树分类方法具有易于理解、速度快、分类准确性高等优点。决策树分类算法的关键是最优属性选择，最常用的方法是信息增益：