学位论文 > 优秀研究生学位论文题录展示

基于迁移学习的雷达辐射源识别研究

作　者: 陆鑫伟
导　师: 方敏
学　校: 西安电子科技大学
专　业: 计算机应用技术
关键词: 迁移成分分析 RBF神经网络 Boosting算法分布修正
分类号: TN957
类　型: 硕士论文
年　份: 2012年
下　载: 44次
引　用: 0次
阅　读: 论文下载

内容摘要

传统的机器学习方法假设训练集和测试集来自同一分布的样本集，如果实验数据的分布改变了，需要重新标注新样本作为训练集建立统计模型，然而标注新样本的代价通常很高，采用迁移学习理论可以减少分类器对标注新数据的需求。通过把不同领域的已标记数据迁移到目标领域辅助训练目标模型，提高模型的训练效果。本文主要研究利用迁移学习理论提高雷达辐射源的识别效果。首先实现了基于RBF神经网络的雷达辐射源识别算法，当训练集样本数很少时，训练出的分类器对雷达辐射源的识别率较低。对于这个问题，本文深入研究了领域匹配迁移学习理论，设计了基于迁移成分分析改进的RBF神经网络分类器，通过迁移不同领域的数据辅助训练分类器，减小了系统的识别误差。然后研究了集成学习理论以及在迁移学习框架下的AdaBoost算法。设计了AdaBoost算法的改进算法，即TCABoosting算法，实验结果显示改进后的算法提高了系统的精度。最后研究了Boosting算法中的基分类器训练样本分布修正函数对分类正确率的影响。把动态调整分布修正函数的思想应用到了TCABoosting算法中，提高了系统的稳定性。

全文目录

摘要  3-4
Abstract  4-7
第一章绪论  7-13
  1.1 迁移学习研究历史与现状  7-9
  1.2 迁移学习在雷达辐射源中的应用  9-10
    1.2.1 传统的雷达辐射源识别技术  9-10
    1.2.2 基于迁移学习的雷达辐射源识别技术  10
  1.3 本人所作的工作和组织结构  10-13
第二章迁移学习介绍与雷达辐射源样本处理  13-21
  2.1 迁移学习理论介绍  13-15
  2.2 雷达辐射源特征提取及归一化  15-19
  2.3 本章小结  19-21
第三章基于迁移成分分析的 RBF 神经网络算法  21-33
  3.1 径向基函数神经网络  21-26
    3.1.1 RBF 神经网络原理介绍  21-24
    3.1.2 RBF 神经网络分类器实验结果  24-26
  3.2 基于迁移成分分析改进的 RBF 神经网络分类器  26-32
    3.2.1 领域匹配迁移学习介绍  26-29
    3.2.2 TRBF 算法描述  29-30
    3.2.3 实验与分析  30-32
  3.3 本章小结  32-33
第四章基于 Boosting 算法的改进迁移学习算法  33-47
  4.1 集成学习简介  33-38
    4.1.1 Bagging 算法描述  34-36
    4.1.2 Boosting 算法描述  36-38
  4.2 基于实例迁移学习的 TrAdaBoost 算法  38-42
    4.2.1 TrAdaBoost 算法简介  39-40
    4.2.2 TrAdaBoost 算法实验  40-42
  4.3 基于 TCA 的改进的 Boosting 迁移学习算法  42-45
    4.3.1 TCABoosting 算法介绍  42-43
    4.3.2 实验与分析  43-45
  4.4 本章小结  45-47
第五章基于分布修正的迁移 Boosting 算法  47-55
  5.1 基于分布修正的 Boosting 算法原理  47-51
  5.2 基于分布修正改进的迁移 Boosting 算法  51-54
    5.2.1 算法描述  51-52
    5.2.2 实验与分析  52-54
  5.3 本章小结  54-55
第六章结论  55-57
  6.1 工作总结  55
  6.2 进一步研究  55-57
致谢  57-59
参考文献  59-62

基于迁移学习的雷达辐射源识别研究

内容摘要

全文目录

相似论文