一种雷达回波信号的分类方法、装置及设备

1.本发明涉及模式识别领域，特别是涉及一种雷达回波信号的分类方法、装置及设备。


背景技术：

2.雷达回波信号多种多样，通过对雷达回波信号进行，可以促进军用或者民用领域的发展，因此准确高效地分析雷达回波信号的特征就尤为重要。
3.目前已有的特征选择方法有全监督特征选择方法、半监督特征选择方法以及无监督特征选择方法三种，其中半监督特征选择方法在分析雷达回波信号特征方面有着显著的优势。目前针对半监督特征选择，基于约束评分的特征选择方法已经被提出，但是这种办法没有考虑到特征之间存在的关联性，可能会导致所选择的特征子集中存在冗余的情况，若按照这样选择的特征去对雷达回波信号进行分类，正确率会有所下降，在分类的时候会产生错误分类。
4.综上所述可以看出，如何准确高效地分析雷达回波信号的特征是目前有待解决的问题。


技术实现要素：

5.本发明的目的是提供一种雷达回波信号特征选择的方法、装置及设备，以解决目前在特征选择过程中未考虑到特征之间的关联性，导致选择的特征子集中可能会存在特征冗余的问题，进而造成对雷达回波信号分类时产生错误分类。
6.为解决上述技术问题，本发明提供一种雷达回波信号分析的方法，包括：对已知的雷达回波信号进行预处理，形成原始样本数据集，所述原始样本数据集包括有标签数据集合无标签数据集，提取所述原始样本数据集的特征，构成初始特征集合，利用所述有标签数据集生成连接约束对集合和不能连接约束对集合；初始化目标特征子集和候选特征子集，所述候选特征子集为所述初始特征集合与目标特征子集的差值，设置需要选择的特征数量和最大近邻值k；计算每一对不能连接约束对(xi,xj)中的每个样本的k个近邻集合在原始样本数据集上的自相关度，分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本，将选择出来的目标近邻集合作为同类样本集合，根据所述同类样本集合扩展连接约束对集合和不能连接约束对集合，从而生成扩展后的约束对集合；根据所述扩展后的约束对集合，分别生成两个连接矩阵，构建拉普拉斯矩阵，计算候选特征子集中每一个特征并入到特征子集后的目标函数，选择目标函数最小的特征索引，将选择出的特征添加到目标特征子集中，得到更新后的目标特征子集以及候选特征子集；持续迭代不断更新目标特征子集以及候选特征子集，直至满足既定条件后，完成迭代，停止选择，得到最终选择出的目标特征子集；根据所述最终选择出的目标特征子集，对原始样本数据集进行特征选择，生成训练样本数据，利用训练样本数
据训练的最近邻分类器对未知的雷达回波信号进行分类。
7.优选地，所述计算每一对不能连接约束对(xi,xj)中的每个样本的k个近邻集合在原始样本数据集上的自相关度，分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)包括：
8.对不能连接约束对集合c中的每一对不能连接约束对(xi,xj)，包括以下步骤：
9.步骤s11：计算集合之间的相关度，令q1＝q(xi,k)且q2＝q(x
t
,k)，其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，x
t
∈q(xi,k)表示其中的一个元素，x表示原始样本数据集；则集合q1和q2的相关度表示为
[0010][0011]
其中，|
·
|表示取集合元素个数的函数；
[0012]
步骤s12：根据上面的式子，计算集合在原始样本数据集x上的自相关度，即
[0013][0014]
其中，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度，r(q(xi,k),q(x
t
,k))表示集合q(xi,k)和集合q(x
t
,k)之间的相关度，x
t
∈q(xi,k)表示q(xi,k)的一个元素，r(q(xi,k),q(xs,k))表示集合q(xi,k)和集合q(xs,k)之间的相关度，表示除xi以外原始样本数据集x上的一个元素；
[0015]
步骤s13：找到ki个和xi具有近邻关系的样本以及kj个和xj具有近邻关系的样本，即：
[0016][0017][0018]
其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度；
[0019]
分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本；
[0020]
利用ki个和xi具有近邻关系的样本得到xi的同类样本集合a，同理得到xj的同类样本集合b。
[0021]
优选地，所述根据所述同类样本集合扩展连接约束对集合和不能连接约束对集合
包括：
[0022]
扩展必须连接约束对集合m和不能连接约束对集合c：
[0023]
m＝m∪{(xi,a),(xj,b)|a∈a,b∈b}
[0024]
c＝c∪{(a,b)|a∈a,b∈b}
[0025]
其中，等式前的m为扩展后的连接约束对集合，等式后m为扩展前的连接约束对集合；等式前的c为扩展后的不连接约束对集合，等式后的c为扩展前的不连接约束对集合；a是xi的同类样本集合，a是a中的元素；b是xj的同类样本集合，b是b中的元素。
[0026]
优选地，所述选择目标函数最小的特征索引包括：
[0027]
当目标特征子集特征数量小于需要选择的特征数量，即|g|《m时，进行步骤s21-s26：
[0028]
步骤s21：由扩展后的必须连接约束对集合m和不能连接约束对集合c分别生成两个矩阵wm和wc，矩阵中的具体元素构造如下：
[0029][0030][0031]
步骤s22：计算对角矩阵dm，其对角线元素的值为并构造拉普拉斯矩阵lm＝d
m-wm；类似地，构造拉普拉斯矩阵lc；
[0032]
步骤s23：计算候选特征子集中的每一个特征fk并入到特征子集g后的得分：
[0033][0034]
其中trace(
·
)是求矩阵对角线元素之和的函数，代表在特征子集g∪{fk}上的特征矩阵；
[0035]
步骤s24：选择得分最小的特征索引f
*
：
[0036][0037]
步骤s25：更新目标特征子集，将得分最小的特征索引添加到目标特征子集g中，即g＝g∪{f
*
}；
[0038]
步骤s26：更新待选特征子集即
[0039]
重复步骤s21-s26，直到目标特征子集特征数量等于需要选择的特征数量，即|g|＝m时，停止选择。
[0040]
优选地，所述对已知的雷达回波信号进行预处理，形成原始样本数据集包括：
[0041]
收集已知的雷达回波信号并数值化形成数据集，将数据集中的每一个数据进行特征表示，并进行归一化处理，得到原始样本数据集，记为x＝{x1,x2,...,xn}，xi∈x，i∈{1,2,...,n}，n表示数据集中数据样本的总数，其中，表示第i
个样本数据，d表示样本数据的特征个数；
[0042]
样本数据的特征矩阵表示为其中，是第j个特征向量，且被归一到[0,1]区间。
[0043]
优选地，所述对已知的雷达回波信号进行预处理还包括：根据已知的雷达回波信号，在数据集中选择p个数据加标签，形成有标签数据集；令有选择出的有标签数据集为x1和x2(x1∪x2＝x
l
)，分别表示存在自由电子和不存在自由电子时的雷达回波信号集合；利用有标签的数据集生成生成必须连接约束对集合m和不能连接约束对集合c，即
[0044]
m＝{(xi,xj)|xi∈x
l and xj∈x
l
,l＝1,2}
[0045]
c＝{(xi,xj)|xi∈x
l and xj∈x
l
′
,l,l
′
＝1,2,l≠l
′
}
[0046]
优选地，所述初始化目标特征子集和候选特征子集包括：
[0047]
初始化目标特征子集所有特征集合为f＝{f1,f2,
…
,fd}，候选特征子集为并设置需要的最大近邻值k(k≤n)和选择的特征数量m。
[0048]
优选地，所述利用训练样本数据训练的最近邻分类器对未知的雷达回波信号进行分类包括：
[0049]
根据最终选择出的目标特征子集对原始样本数据集x＝{x1,x2,...,xn}，其中进行特征选择，得到训练样本数据集x
′
＝{x
′1,x
′2,
…
,x
′n}，其中
[0050]
采用最近邻分类器，以训练样本数据集中的样本x
′
为训练数据来分类未知的雷达回波信号，分类结果为1表示雷达回波信号存在自由电子，分类结果2表示雷达回波信号不存在自由电子。
[0051]
本发明还提供一种雷达回波信号分析的装置，包括：
[0052]
数据处理模块，对已知的雷达回波信号进行预处理，形成原始样本数据集，所述原始样本数据集包括有标签数据集合无标签数据集，提取所述原始样本数据集的特征，构成初始特征集合，利用所述有标签数据集生成连接约束对集合和不能连接约束对集合；
[0053]
设置模块，初始化目标特征子集，计算候选特征子集，所述候选特征子集为所述初始特征集合与目标特征子集的差值，设置需要选择的特征数量；
[0054]
扩展模块，设置最大近邻值k，计算每一对不能连接约束对(xi,xj)中的每个样本的k个近邻集合在原始样本数据集上的自相关度，分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本，将选择出来的目标近邻集合作为同类样本集合，根据所述同类样本集合扩展连接约束对集合和不能连接约束对集合，从而生成扩展后的约束对集合；
[0055]
选择模块，根据所述扩展后的约束对集合，分别生成两个连接矩阵，构建拉普拉斯矩阵，计算候选特征子集中每一个特征并入到特征子集后的目标函数，选择目标函数最小的特征索引，将选择出的特征添加到目标特征子集中，得到更新后的目标特征子集以及候选特征子集；
[0056]
迭代模块，持续迭代不断更新目标特征子集以及候选特征子集，直至满足既定条件后，完成迭代，停止选择，得到最终选择出的目标特征子集；
[0057]
分类模块，根据所述最终选择出的目标特征子集，对原始样本数据集进行特征选择，生成训练样本数据，利用训练样本数据训练的最近邻分类器对未知的雷达回波信号进行分类。
[0058]
本发明还提供一种雷达回波信号分析的设备，包括：
[0059]
存储器，用于存储计算机程序；
[0060]
处理器，用于执行所述计算机程序时实现如权利要求1至8任一所述一种雷达回拨信号的方法的步骤。
[0061]
本发明提供的雷达回波信号的分类方法，在特征选择过程中，每个样本周围的近邻样本的情况不同，采用自适应近邻迭代约束评分特征选择方法，对每个样本找到最合适的近邻集合，确保所找的近邻集合中元素之间联系紧密，从而使得特征与特征之间的联系更强，便于生成最优的特征子集；并考虑特征之间的关联性和数据的局部几何结构，弥补所选特征子集存在冗余的现象，提高了对于雷达回波信号分类精度的准确性。
附图说明
[0062]
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1为本发明所提供的雷达回波信号特征选择的方法的第一种具体实施例的流程图；
[0064]
图2为本发明所提供的雷达回波信号特征选择的方法的第二种具体实施例的流程图；
[0065]
图3为本发明与约束评分选择特征子集个数与雷达回波信号分类正确率的关系图；
[0066]
图4为本发明实施例提供的一种雷达回波信号分析的装置的结构框图。
具体实施方式
[0067]
本发明的核心是提供一种雷达回波信号分析的方法、装置和设备。
[0068]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069]
实施例1
[0070]
请参考图1，图1为本发明所提供的雷达回波信号特征选择的方法的第一种具体实施例的流程图；具体操作步骤如下：
[0071]
步骤s101：收集已知的雷达回波信号并数值化形成数据集，将数据集中的每一个数据进行特征表示，并进行归一化处理，得到原始样本数据集，记为x＝{x1,x2,...,xn}，xi∈x，i∈{1,2,...,n}，n表示数据集中数据样本的总数，其中，表示第i个样本数据，d表示样本数据的特征个数；
[0072]
样本数据的特征矩阵表示为其中，是第j个特征向量，且被归一到[0,1]区间；
[0073]
根据已知的雷达回波信号，在数据集中选择p个数据加标签，形成有标签数据集x
l
，剩下的为无标签数据集xu，即x＝{x
l
,xu}，l+u＝n，其中x
l
＝{x1,x2,
…
,x
l
}表示有标签数据集合，xu＝{x
l+1
,x
l+2
,
…
,x
l+u
}表示无标签数据集合，l表示有标签数据个数，u表示无标签数据个数，n表示数据集中数据样本的总数；根据有标签的雷达回波信号集合x
l
生成必须连接约束对集合m和不能连接约束对集合c。必须连接约束对集合m中的一对雷达回波信号(xi,xj)属于同一类别，而不能连接约束对集合c中的一对雷达回波信号(xi,xj)属于不同类别，即
[0074]
m＝{(xi,xj)|xi和xj是同类雷达回波信号}
[0075]
c＝{(xi,xj)|xi和xj是异类雷达回波信号}
[0076]
步骤s102：初始化目标特征子集所有特征集合为f＝{f1,f2,
…
,fd}，候选特征子集为并设置需要的最大近邻值k(k≤n)和选择的特征数量m；
[0077]
步骤s103：扩展必须连接约束对集合m和不能连接约束对集合c。对不能连接约束对集合c中的每一对不能连接约束对(xi,xj)，包括以下步骤：
[0078]
(1)计算集合之间的相关度，令q1＝q(xi,k)且q2＝q(x
t
,k)，其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，x
t
∈q(xi,k)表示其中的一个元素，x表示原始样本数据集；则集合q1和q2的相关度表示为
[0079][0080]
其中，|
·
|表示取集合元素个数的函数；
[0081]
(2)根据上面的式子，计算集合在原始样本数据集x上的自相关度，即
[0082][0083]
其中，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度，r(q(xi,k),q(x
t
,k))表示集合q(xi,k)和集合q(x
t
,k)之间的相关度，x
t
∈q(xi,k)表示q(xi,k)上的一个元素，r(q(xi,k),q(xs,k))表示集合q(xi,k)和集合q(xs,k)之间的相关度，表示除xi以外原始样本数据集x上的一个元素；
[0084]
(3)找到ki个和xi具有近邻关系的样本以及kj个和xj具有近邻关系的样本，即：
[0085][0086][0087]
其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度；
[0088]
分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本；
[0089]
(4)利用ki个和xi具有近邻关系的样本得到xi的同类样本集合a，同理得到xj的同类样本集合b；
[0090]
(5)扩展必须连接约束对集合m和不能连接约束对集合c：
[0091]
m＝m∪{(xi,a),(xj,b)|a∈a,b∈b}
[0092]
c＝c∪{(a,b)|a∈a,b∈b}
[0093]
其中，等式前的m为扩展后的连接约束对集合，等式后m为扩展前的连接约束对集合；等式前的c为扩展后的不连接约束对集合，等式后的c为扩展前的不连接约束对集合；a是xi的同类样本集合，a是a中的元素；b是xj的同类样本集合，b是b中的元素。
[0094]
步骤s104：当目标特征子集特征数量小于需要选择的特征数量，即|g|《m时：
[0095]
(1)由扩展后的必须连接约束对集合m和不能连接约束对集合c分别生成两个矩阵wm和wc，矩阵中的具体元素构造如下：
[0096][0097][0098]
(2)计算对角矩阵dm，其对角线元素的值为并构造拉普拉斯矩阵lm＝d
m-wm；类似地，构造拉普拉斯矩阵lc；
[0099]
(3)计算候选特征子集中的每一个特征fk并入到特征子集g后的得分：
[0100][0101]
其中trace(
·
)是求矩阵对角线元素之和的函数，代表在特征子集g∪{fk}上的特征矩阵；
[0102]
(4)选择得分最小的特征索引f
*
：
[0103][0104]
(5)更新目标特征子集，将得分最小的特征索引添加到目标特征子集g中，即g＝g∪{f
*
}；
[0105]
(6)更新待选特征子集即
[0106]
步骤s105：重复步骤s104，直到目标特征子集特征数量等于需要选择的特征数量，即|g|＝m时，停止选择；
[0107]
对原始样本数据集x进行特征选择形成训练样本数据集，记为x
′
＝{x
′1,x
′2,
…
,x
′n}，其中
[0108]
步骤s106：收集未知的雷达回波信号，形成一个回波信号样本根据上述特征选择选择得到的目标特征子集g，对样本数据x进行特征选择，从而生成一个约简的样本数据使用最近邻分类器，以训练样本数据集中的样本x
′
为训练数据来分类未知的雷达回波信号。
[0109]
实施例2
[0110]
基于以上实施例，本实施例中，选择在uci数据集ionosphere上作为训练数据，该数据集是电离层雷达回波数据集。本发明通过对雷电回波信号的特征进行提取和分析，进而对电离层的雷达回波信号进行分类，根据雷达回波的分类结果来判断电离层中是否存在自由电子。数据集一共包含351个数据样本，每个样本包含34个属性。每一个数据样本都代表一个雷达回波，每个雷达回波都有17个脉冲数，每个脉冲数都有两个电磁信号，根据一系列的分析，将每个样本的属性数值化。具体实施步骤如下：
[0111]
步骤s201：数据预处理
[0112]
收集已知的雷达回波信号并数值化形成数据集，将数据集中的每一个数据进行特征表示，并进行归一化处理，得到原始样本数据集，记为x＝{x1,x2,...,xn}，xi∈x，i∈{1,2,...,n}，n表示数据集中数据样本的总数，其中，表示第i个样本数据，d表示样本数据的特征个数；
[0113]
样本数据的特征矩阵表示为其中，是第j个特征向量，且被归一到[0,1]区间；
[0114]
根据已知的雷达回波信号，在数据集中选择p个数据加标签，形成有标签数据集；令有选择出的有标签数据集为x1和x2(x1∪x2＝x
l
)，分别表示存在自由电子和不存在自由电子时的雷达回波信号集合；利用有标签的数据集生成必须连接约束对集合m和不能连接约束对集合c，即
[0115]
m＝{(xi,xj)|xi∈x
l and xj∈x
l
,l＝1,2}
[0116]
c＝{(xi,xj)|xi∈x
l and xj∈x
l
′
,l,l
′
＝1,2,l≠l
′
}
[0117]
在本实施例中，设置样本总数n＝316，特征数d＝34，并且在每类中选择p＝5个有标签数据。
[0118]
步骤s202：特征选择
[0119]
1、初始化目标特征子集所有特征集合为f＝{f1,f2,
…
,fd}，候选特征子集为并设置需要的最大近邻值k＝10和选择的特征数量m＝25。
[0120]
2、扩展必须连接约束对集合m和不能连接约束对集合c。对不能连接约束对集合c中的每一对不能连接约束对(xi,xj)，包括以下步骤：
[0121]
(1)找到ki个和xi具有近邻关系的样本以及kj个和xj具有近邻关系的样本，即：
[0122][0123][0124]
其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度；
[0125]
(a)计算集合之间的相关度，令q1＝q(xi,k)且q2＝q(x
t
,k)，其中，q(xi,k)表示由xi的k个近邻样本组成的样本集合，x
t
∈q(xi,k)表示其中的一个元素，x表示原始样本数据集；则集合q1和q2的相关度表示为
[0126][0127]
其中，|
·
|表示取集合元素个数的函数；
[0128]
(b)根据上面的式子，计算集合在原始样本数据集x上的自相关度，即
[0129][0130]
其中，dr(q(xi,k))表示集合q(xi,k)在原始样本数据集x上的自相关度，r(q(xi,k),q(x
t
,k))表示集合q(xi,k)和集合q(x
t
,k)之间的相关度，x
t
∈q(xi,k)表示q(xi,k)的一个元素,r(q(xi,k),q(xs,k))表示集合q(xi,k)和集合q(xs,k)之间的相关度，表示除xi以外原始样本数据集x上的一个元素；
[0131]
(c)分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本；
[0132]
(2)利用ki个和xi具有近邻关系的样本得到xi的同类样本集合a，同理得到xj的同类样本集合b；
[0133]
(3)扩展必须连接约束对集合m和不能连接约束对集合c：
[0134]
m＝m∪{(xi,a),(xj,b)|a∈a,b∈b}
[0135]
c＝c∪{(a,b)|a∈a,b∈b}
[0136]
其中，等式前的m为扩展后的连接约束对集合，等式后m为扩展前的连接约束对集合；等式前的c为扩展后的不连接约束对集合，等式后的c为扩展前的不连接约束对集合；a是xi的同类样本集合，a是a中的元素；b是xj的同类样本集合，b是b中的元素。
[0137]
3、当目标特征子集特征数量小于需要选择的特征数量，即|g|《m时：
[0138]
(1)由扩展后的必须连接约束对集合m和不能连接约束对集合c分别生成两个矩阵wm和wc，矩阵中的具体元素构造如下:
[0139][0140][0141]
(2)计算对角矩阵dm，其对角线元素的值为并构造拉普拉斯矩阵lm＝d
m-wm；类似地，构造拉普拉斯矩阵lc；
[0142]
(3)计算候选特征子集中的每一个特征fk并入到特征子集g后的得分：
[0143][0144]
其中trace(
·
)是求矩阵对角线元素之和的函数，代表在特征子集g∪{fk}上的特征矩阵；
[0145]
(4)选择得分最小的特征索引f
*
：
[0146][0147][0148]
(6)更新待选特征子集即
[0149]
4、重复步骤3，直到目标特征子集特征数量等于需要选择的特征数量，即|g|＝25时，停止选择；
[0150]
5、对原始样本数据集x进行特征选择形成训练样本数据集，记为x
′
＝{x
′1,x
′2,
…
,x
′n}，其中
[0151]
步骤s203：本发明在ionosphere数据集上进行实验。根据上述特征选择模板得到的目标特征子集，对样本数据x进行特征选择，从而生成一个约简的样本数据使用最近邻分类器，以x
′
为训练数据来对雷达回波信号进行分类，分类结果为1表示电离层存在自由电子时的雷达回波信号，分类结果为2表示电离层不存在自由电子时的雷达回波信号。
[0152]
本实施例中，新用户的个数设为35个，即未知雷达回波信号的个数为35个，重复雷达回波信号分析模块100次。采用10次交叉验证方法，取十轮实验的平均值作为实验结果，如图2所示。总结图2的曲线，表1给出了本发明与基于约束评分的特征选择方法的最高精度与标准差。从图3和表1可得知，本发明与约束评分相比，能在相同的特征下，考虑了特征之间的相关性，获得了更高的分类精度。
[0153]
表1本发明方法和约束评分方法识别结果对比
[0154][0155]
实施例3
[0156]
请参考图3，图3为本发明实施例提供的一种雷达回波信号特征选择的装置的结构框图；具体装置可以包括：
[0157]
数据处理模块，对已知的雷达回波信号进行预处理，形成原始样本数据集，所述原始样本数据集包括有标签数据集合无标签数据集，提取所述原始样本数据集的特征，构成初始特征集合，利用所述有标签数据集生成连接约束对集合和不能连接约束对集合；
[0158]
设置模块，初始化目标特征子集，计算候选特征子集，所述候选特征子集为所述初始特征集合与目标特征子集的差值，设置需要选择的特征数量；
[0159]
扩展模块，设置最大近邻值k，计算每一对不能连接约束对(xi,xj)中的每个样本的k个近邻集合在原始样本数据集上的自相关度，分别选取与原始样本数据集相关度最大的目标近邻集合q(xi,ki)、q(xj,kj)，其中ki、kj∈{1,2
…
,k}，第ki个近邻集合q(xi,ki)中包含ki个与xi具有近邻关系的样本，第kj个近邻集合q(xj,kj)中包含kj个与xj具有近邻关系的样本，将选择出来的目标近邻集合作为同类样本集合，根据所述同类样本集合扩展连接约束对集合和不能连接约束对集合，从而生成扩展后的约束对集合；
[0160]
选择模块，根据所述扩展后的约束对集合，分别生成两个连接矩阵，构建拉普拉斯矩阵，计算候选特征子集中每一个特征并入到特征子集后的目标函数，选择目标函数最小的特征索引，将选择出的特征添加到目标特征子集中，得到更新后的目标特征子集以及候选特征子集；
[0161]
迭代模块，持续迭代不断更新目标特征子集以及候选特征子集，直至满足既定条件后，完成迭代，停止选择，得到最终选择出的目标特征子集；
[0162]
分类模块，根据所述最终选择出的目标特征子集，对原始样本数据集进行特征选择，生成训练样本数据，利用训练样本数据训练的最近邻分类器对未知的雷达回波信号进行分类。
[0163]
本实施例的装置用于实现前述的雷达回波信号分析方法，因此雷达回波信号分析装置中的具体实施方式可见前文中的雷达回波信号方法的实施例部分，例如，数据处理模块100，设置模块200，扩展模块300、选择模块400、迭代模块500、分类模块600分别用于实现上述雷达回波信号特征选择方法中步骤s101，s102，s103，s104，s105，s106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0164]
实施例4
[0165]
本发明具体实施例还提供了一种雷达回波信号分析的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种雷达回波信号分析的方法的步骤。
[0166]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装
置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0167]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0168]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0169]
以上对本发明所提供的雷达回波信号分析方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。