基于蚁群特征选择并行分类集成学习的孪生辐射源个体识别

作     者：徐雨芯 顾楚梅 曹建军 许金勇 魏志虎 XU Yuxin;GU Chumei;CAO Jianjun;XU Jinyong;WEI Zhihu

作者机构：南京信息工程大学计算机与软件学院江苏南京210044 国防科技大学第六十三研究所江苏南京210007 

出 版 物：《兵工学报》 (Acta Armamentarii)

年 卷 期：2022年第43卷第12期

页      面：3132-3141页

核心收录：

学科分类：0810[工学-信息与通信工程] 0711[理学-系统科学] 08[工学] 081203[工学-计算机应用技术] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61371196) 中国博士后科学基金特别资助项目(2015M582832) 国家重大科技专项项目(2015ZX01040-201)。 

主　　题：特征选择 支持向量机 集成学习 蚁群算法 二分类问题 

摘      要：为提高辐射源个体识别的准确率和可靠性,定义并研究孪生辐射源个体识别问题,提出基于蚁群特征选择并行分类集成学习的孪生辐射源个体识别方法。用皮尔森相关系数法确定不同分类器输出结果的分布矩阵的差异性,以基于蚁群特征选择的并行分类器中各子分类器分类准确率最高、差异性最大并使输入特征子集规模最小为目标建立设计模型,结合模型特点设计求解模型的蚁群算法。各子分类器根据其与所有子分类器的差异度和可靠度确定权重,差异度和可靠度越大,所占权重越大,根据不同权重子分类器预测结果的加权和进行最终决策。为验证方法的优越性,在原始电台采集信号、添加10 dB噪声、添加5 dB噪声3组数据下,将新方法和单一分类器、Adaboost算法及随机森林算法进行实验对比。研究结果表明,所提并行分类器设计模型分类准确率分别为88.70%、76.70%、64.80%,提高了特征的利用率和分类的准确性,优于其余3种方法。