本发明涉及通信辐射源个体识别领域，提出一种基于改进tsvm的半监督通信辐射源个体识别方法(animprovedtsvmiterativealgorithmbasedontheconfidenceofprediction,cp-tsvm)。
背景技术：
通信辐射源个体识别(specialemitteridentification,sei)是通过对各辐射源蕴含的独有的射频信号指纹进行提取，并且利用这些特征构造分类器从而对目标进行判别。为了充分提取出信号指纹特征，需要大量有标签的训练集，然而在实际场景下，标签的获取往往需要耗费大量的人力物力，导致难以获取到足额的有标签训练样本。如果训练样本不够多，将难以涵盖所有可能的指纹信息，识别性能必然会受到影响。由于无标签的样本获取较为容易，且与有标签的样本具有相同的指纹特征，如何利用这部分样本来提升识别性能，已成为通信辐射源个体识别领域的热点问题之一。半监督机器学习(semi-supervisedlearning,ssl)是一种自动地利用没有标签的样本来提升学习性能的方法，近年来在个体识别领域得到越来越广泛的使用。
半监督支持向量机(semi-supervisedsupportvectormachines,s3vm)是ssl中非常主流的一类分类器，其中最著名的是joachim于1999年提出的直推式支持向量机(transductivesupportvectormachine,tsvm)，求解目标为寻找既能将有标记样本分开，又能穿过数据低密度区域的超平面。但是在实际运用中tsvm虽然解决了纯监督式svm应用于半监督场景带来的问题，但由于tsvm的搜索策略是基于局部组合搜索，由标签开关程序引导，因此迭代次数可能会非常多，导致运算复杂度高，训练时间长。
技术实现要素：
本发明要解决的技术问题是，针对tsvm在半监督通信辐射源个体识别中运算复杂度高、模型训练时间长，提供提出一种基于改进tsvm的半监督通信辐射源个体识别方法(cp-tsvm)。在通信辐射源个体识别中，当有标签的训练样本较少时，与经典的tsvm方法相比，在保证识别准确率的同时，还能大幅度减少分类器的运算量。
本发明在传统半监督支持向量机tsvm方法的基础上，利用训练样本中各类分布比例的先验信息，通过预置门限对上一次预测结果进行优化，利用优化后的标签重新训练分类器并再次进行预测，若两次的预测的标签结果一致，或者达到设置的迭代次数，则训练结束。在使用svm对所有样本的预测过程中，不仅能得到每个样本的预测标签值，根据该样本点到超平面的距离，还能得到该样本预测结果的置信度，距离超平面越远的样本属于该类别的可能性就越大，置信度就越高；距离超平面越近的样本误判的可能性就越大，置信度就越低。每经过一次预测，都利用置信度对结果进行重新划分。
本发明的技术方案是：
一种基于改进tsvm的半监督通信辐射源个体识别方法，包括如下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的svm训练，得到分类器svm0；
第④步：基于分类器svm0对所有样本进行预测，得到所有样本的标签label0；
第⑤步：将label0的置信度按照降序排列，高于式(1)的部分，标签判定为“ 1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“ 1”，若预测值小于0，则标签设为“-1”，得到新的样本标签label1；
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取label1中的80％，label0中的20％进行组合得到新的样本标签temp_label1，使用temp_label1对样本空间重新进行训练和预测，得到样本标签temp_label2，对temp_label2按照第⑤步中的方法进行更新，得到标签label2；
第⑦步：如果label2与label1相等，输出label2为预测结果，若不相同，令c2＝min{c1,2c2}，c1和c2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i 1，直到labeli 1与labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为cp-tsvm方法所预测的结果。
相比于现有技术，本发明的有益效果是，提供的基于改进tsvm的半监督通信辐射源个体识别方法，当有标签训练样本数目较少、待识别的无标签样本数目较多时，与经典的tsvm方法相比，在保证识别准确率的同时，还具有更低的运算复杂度。
附图说明
图1是通信辐射源信号双谱特征提取、降维和分类器构造主要步骤流程图；
图2是本发明提供的cp-tsvm方法流程框图；
图3是svm、tsvm和cp-tsvm三种方法下通信辐射源个体识别率随信噪比的变化曲线图；
图4是cp-tsvm和tsvm方法训练时间对比柱状图。
具体实施方式
下面结合图1、图2详细说明本发明提供的基于改进tsvm的半监督通信辐射源个体识别方法，包括如下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的svm训练，得到分类器svm0；
第④步：基于分类器svm0对所有样本进行预测，得到所有样本的标签label0；
第⑤步：将label0的置信度按照降序排列，高于式(1)的部分，标签判定为“ 1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“ 1”，若预测值小于0，则标签设为“-1”，得到新的样本标签label1；
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取label1中的80％，label0中的20％进行组合得到新的样本标签temp_label1，使用temp_label1对样本空间重新进行训练和预测，得到样本标签temp_label2，对temp_label2按照第⑤步中的方法进行更新，得到标签label2；
第⑦步：如果label2与label1相等，输出label2为预测结果，若不相同，令c2＝min{c1,2c2}，c1和c2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i 1，直到labeli 1与labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为cp-tsvm方法所预测的结果。
利用本发明和现有的svm、tsvm方法进行对比，验证cp-tsvm方法在有标签样本数量较小情况下的性能。每个辐射源个体采用20个样本作为有标签的训练样本，1000个样本作为测试样本，对比在不同的信噪比条件下，3种方法的识别正确率。结果如图3所示，横轴表示信噪比，纵轴表示个体识别正确率，可以发现cp-tsvm方法识别效果最好，tsvm其次，svm方法效果最差。两种半监督方法准确率都明显高于纯监督的svm方法，表明在有标签样本较少时，引入半监督机器学习方法确实能提升分类器的识别效果。本发明提供的cp-tsvm方法，在不同的信噪比下，较纯监督的svm方法，平均正确识别率提升约10％，较半监督tsvm方法，平均正确识别率提升约为3％，验证了cp-tsvm方法的有效性。
对比本发明提供的cp-tsvm方法与传统tsvm方法的运算复杂度，统计各信噪比下两种方法的运算时间，结果如图4所示。观察可知cp-tsvm方法在各信噪比下，平均所需要的运算时间约为70s，传统的tsvm方法平均所需时间约为150s，cp-tsvm方法较传统的tsvm方法节约了近一半的运算时间，表明本发明提供的cp-tsvm方法具有更好的运算效率。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
1.一种基于改进tsvm的半监督通信辐射源个体识别方法,其特征在于，包括以下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的svm训练，得到分类器svm0；
第④步：基于分类器svm0对所有样本进行预测，得到所有样本的标签label0；
第⑤步：将label0的置信度按照降序排列，高于式(1)的部分，标签判定为“ 1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“ 1”，若预测值小于0，则标签设为“-1”，得到新的样本标签label1；
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取label1中的80％，label0中的20％进行组合得到新的样本标签temp_label1，使用temp_label1对样本空间重新进行训练和预测，得到样本标签temp_label2，对temp_label2按照第⑤步中的方法进行更新，得到标签label2；
第⑦步：如果label2与label1相等，输出label2为预测结果，若不相同，令c2＝min{c1,2c2}，c1和c2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i 1，直到labeli 1与labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为cp-tsvm方法所预测的结果。
技术总结