姓名：邹富   学号：20021211160

【嵌牛导读】关于雷达信号处理中分类识别常见问题。

【嵌牛鼻子】雷达信号分类识别

【嵌牛提问】雷达信号如何进行分类识别

【嵌牛正文】

本人主要借鉴《基于多域特征提取的雷达辐射源识别》_吴晨桐

信号分类识别的过程：特征提取，特征优化及分类器设计

本文选用基于分形理论和高阶统计量的特征提取方法，通过对分形理论汇总的盒维数特征及方差维数特征，以及高阶统计量中的方差、偏度和峰度、对所构造的雷达辐射源进行时域、瞬时幅度、瞬时频率、瞬时相位等多个域进行特征提取，并将所有特征进行初步分析，提取出其中的有效特征进行特征拼接作为雷达辐射源的多域特征，用于最终的雷达辐射源识别。

多域特征提取：即对信号不同域进行特征的汇总，包括信号的时域、频域、相位、时频域等，在完成各个域的不同特征提取过程后，将不同域的特征进行拼接融合，用来构成信号的多域特征，这种多域特征的融合，可以表述信号更加完整，更加多元化的信息。

特征提取的大致步骤思想：

该文章选用基于分形理论和高阶统计量的特征提取方法，通过对分形理论汇总的盒维数特征及方差维数特征，以及高阶统计量中的方差、偏度和峰度、对所构造的雷达辐射源进行时域、瞬时幅度、瞬时频率、瞬时相位等多个域进行特征提取，并将所有特征进行初步分析，提取出其中的有效特征进行特征拼接作为雷达辐射源的多域特征，用于最终的雷达辐射源识别。

特征提取与特征选择的区别：

特征提取：将原始特征转换为一组具有明显物理意义（Gabor、几何特征[角点、不变量]、纹理[LBP HOG]）或者统计意义或核的特征

特征选择：从特征集合中挑选一组最具统计意义的特征，达到降维

而本文章主要讨论的是特征提取的方法在雷达信号处理中的应用。

特征提取的方法：

1.基于分形理论的特征提取：

同样在信号处理领域，分形维数可以作为雷达信号的特征，通过分析信号分形维数的不同，从而达到雷达辐射源识别的目的。分形理论中的盒维数和方差维数概念可以较好的对信号整体细微特征变化进行检测。

2.基于高阶统计量的方差、峰度和偏度进行提取：

高阶统计量分别为、瞬时相瞬时幅度位、瞬时频率的方差、峰度、偏度九种特征。

上述两种特征提取的方法二选一，分别进行测试，来评估两种方法对于雷达信号特征提取的优缺点。

由于多域特征在某些域中效果不明显，因此这种全面的特征提取会对辐射源分类效果产生副作用，因此需采用特征降维的方法，即需要特征优化。

采用Simple-MKL 通过梯度下降法及 KKT准则（库恩塔克条件）对核组合进行优化，选用对分类特征较好的高斯核和多项式核作为核组合方式

这种特征降维可以很好的解决多域特征提取所得到的冗余特征，多核 MKL 的优化算法可以很好的融合特征集和核函数集，经过多核学习优化后，对于具有细微差别的不同辐射源进行分类，其识别率有了显著提高。