Question

特征提取

Answer 1

姓名：邹富   学号：20021211160

【嵌牛导读】关于雷达信号处理中分类识别常见问题。

【嵌牛鼻子】雷达信号分类识别

【嵌牛提问】雷达信号如何进行分类识别

【嵌牛正文】

本人主要借鉴《基于多域特征提取的雷达辐射源识别》_吴晨桐

信号分类识别的过程：特征提取，特征优化及分类器设计

本文选用 基于分形理论 和 高阶统计量 的特征提取方法，通过对分形理论汇总的盒维数特征及方差维数特征，以及高阶统计量中的方差、偏度和峰度、对所构造的雷达辐射源进行时域、瞬时幅度、瞬时频率、瞬时相位等多个域进行特征提取，并将所有特征进行初步分析，提取出其中的有效特征进行特征拼接作为雷达辐射源的多域特征，用于最终的雷达辐射源识别。

多域特征提取： 即对信号不同域进行特征的汇总，包括信号的时域、频域、相位、时频域等，在完成各个域的不同特征提取过程后，将不同域的特征进行拼接融合，用来构成信号的多域特征，这种多域特征的融合，可以表述信号更加完整，更加多元化的信息。

特征提取的大致步骤思想：

该文章选用 基于分形理论 和 高阶统计量 的特征提取方法，通过对分形理论汇总的盒维数特征及方差维数特征，以及高阶统计量中的方差、偏度和峰度、对所构造的雷达辐射源进行时域、瞬时幅度、瞬时频率、瞬时相位等多个域进行特征提取，并将所有特征进行初步分析，提取出其中的有效特征进行特征拼接作为雷达辐射源的多域特征，用于最终的雷达辐射源识别。

特征提取： 将原始特征转换为一组具有明显物理意义（Gabor、几何特征[角点、不变量]、纹理[LBP HOG]）或者统计意义或核的特征

特征选择： 从特征集合中挑选一组最具统计意义的特征，达到降维

而本文章主要讨论的是特征提取的方法在雷达信号处理中的应用。

1. 基于分形理论的特征提取：

同样在信号处理领域，分形维数可以作为雷达信号的特征，通过分析信号分形维数的不同，从而达到雷达辐射源识别的目的。分形理论中的 盒维数 和 方差维数 概念可以较好的对信号整体细微特征变化进行检测。

2. 基于高阶统计量的方差、峰度和偏度进行提取：

高阶统计量分别为、瞬时相瞬时幅度位、瞬时频率的方差、峰度、偏度九种特征。

上述两种特征提取的方法二选一，分别进行测试，来评估两种方法对于雷达信号特征提取的优缺点。

由于多域特征在某些域中效果不明显，因此这种全面的特征提取会对辐射源分类效果产生副作用，因此需采用特征降维的方法，即需要特征优化。

采用Simple-MKL 通过梯度下降法及 KKT准则（库恩塔克条件）对核组合进行优化，选用对分类特征较好的高斯核和多项式核作为核组合方式

这种特征降维可以很好的解决多域特征提取所得到的冗余特征，多核 MKL 的优化算法可以很好的融合特征集和核函数集，经过多核学习优化后，对于具有细微差别的不同辐射源进行分类，其识别率有了显著提高。