基于分布式集成学习方法的雷达辐射源分布式识别模型研究

本项目以多结点雷达辐射源分类识别应用为背景，以多分类器分布式集成学习及基于多吸引子细胞自动机分类方法研究为切入点，探索分布式多分类器集成学习基本理论和新方法。重点围绕多结点样本采样、多吸引子细胞分类器的学习和过拟合分析等几个关键问题展开研究。探索扩展细胞自动机模型、样本细胞及邻域模型，提出样本细胞邻域采样频度描述方法。基于邻域内样本采样频度的约束，获取样本细胞转换规则，将细胞自动机动力学规则与多结点样本采样方法相结合建立多结点样本协同采样新模型，以满足多观测站雷达辐射源多分类器集成学习样本重采样的理论需求。基于初等因子组优化提出多分类多吸引子细胞自动机特征矩阵计算方法，并结合分类回归树算法提出树型多吸引子细胞自动机基分类器构造方法，以提高复杂体制的辐射源分类性能，改善其过拟合问题。设计一种适用于多结点雷达辐射源分类的多吸引子细胞自动机分类器集成学习方法，并对关键问题展开研究。

以多结点雷达辐射源分类识别应用为背景，研究多分类器分布式集成学习及基于多吸引子细胞自动机分类器。提出了分布式多分类器集成学习基本理论和新方法。主要解决了多结点样本采样、树形多吸引子细胞分类器的学习和过拟合分析等几个关键问题。提出了扩展细胞自动机模型、样本细胞及邻域模型，提出样本细胞邻域采样频度描述方法。满足了多观测站雷达辐射源多分类器集成学习样本重采样的理论需求。基于初等因子组优化提出多分类多吸引子细胞自动机特征矩阵计算方法，并结合分类回归树算法提出树型多吸引子细胞自动机基分类器构造方法，以提高复杂体制的辐射源分类性能，改善其过拟合问题。研究成果为：.首先，对于集成分类学习算法中重采样技术过于关注难于分类样本造成性能易受噪声的问题，提出一种基于细胞自动机引导的重采样技术。研究样本细胞的描述及样本邻域细胞的定义规则，在细胞结构及动力学规则中引入样本细胞核的概念。将细胞自动机动力学规则与样本分布权重变化相结合，提出适用于样本重采样的动力学规则，利用细胞自动机自身的演化修正集成学习过程中的样本分布。基于细胞自动机重采样技术研究了一种改进的集成学习算法。基于细胞自动机的局部分类不一致性检测方法，能够抑制集成学习算法对噪声敏感的缺陷。.第二，基于多吸引子细胞自动机的分类方法多是二分类算法，我们基于粒子群优化方法提出最优多吸引子细胞自动机特征矩阵的构造方法，并基于此提出多吸引子细胞自动机的多类别分类器。.第三，基于多吸引子细胞自动机的分类方法难以克服过度拟合问题，在生成多吸引子细胞自动机时如何有效地处理多分类及过度拟合问题还缺乏可行的方法。从细胞空间角度对模式空间进行分割是一种均匀分割，难以适应空间非均匀分割的需要。将CART算法同多吸引子细胞自动机相结合构造树型结构的分类器，以解决空间的非均匀分割及过度拟合问题，并基于粒子群优化方法提出树节点的最优多吸引子细胞自动机特征矩阵的构造方法。基于该方法构造的多吸引子细胞自动机分类器能够以较少的伪穷举域比特数获得好的分类性能,减少了分类器中的空盆数量，在保证分类正确率的同时改善了过拟合问题，缩短了分类时间。.第四，基于细胞自动机引导的重采样技术，利用细胞状态演化规则进行多观测站样本采样，每个源采用基于树型MACA为基分类器模型训练预测器，基于多源MACA 分类器的集成测试。实验分析证明了所提出方法的可行性和有效性。