引入

本节主要介绍基于机器学习的目标状态识别。以下首先介绍几个概念：
1）目标状态：以对抗系统接收到的信号为基准，而界定的对抗目标的状态
2）目标行为：目标辐射源在工作过程中，受到外界电磁环境的影响或系统内部的需要而产生的一种有规律的状态转变

1 已知目标状态

定义：判断输入的信号源对应于当前知识库里的哪个状态类别。简单说就是分类聚类这些机器学习常用的操作

1.1 基于有监督分类

什么SVM、朴素贝叶斯什么的，神经网络都可以搞

1.2 基于无监督聚类

介绍两个常用的，kkkMeans就不说了哇：
1）吸引子传播算法：
∙\bull∙ 基本思想：将所有样本点当作是潜在的聚类代表点 (exemplars)，然后迭代地在样本之间传递两类信息：吸引度 (responsibility) 和归属度 (availability)
∙\bull∙ 信息更新方式：
r(i,k)←s(i,k)−max⁡k′≠k{a(i,k′)+s(i,k′)}a(i,k)←{min⁡{0,r(k,k)+∑i′≠i,i′≠kmax⁡{0,r(i′,k)}}k≠i∑i′≠kmax⁡{0,r(i′,k)}k=iRt+1=(1−λ)Rt+λRt−1At+1=(1−λ)At+λAt−1r(i,k)\leftarrow s(i, k)-\max_{k'\neq k}\{ a(i, k') + s(i, k') \}\\ a(i,k)\leftarrow \left\{\begin{matrix} \min\{ 0,r(k, k) + \sum\limits_{i'\neq i, i'\neq k} \max\{ 0, r(i', k) \} \} \qquad&k\neq i\\ \sum\limits_{i'\neq k}\max\{ 0, r(i', k) \} \qquad&k = i \end{matrix}\right.\\ \mathbf{R}^{t+1}=(1-\lambda)\mathbf{R}^t+\lambda\mathbf{R}^{t-1}\\ \mathbf{A}^{t+1}=(1-\lambda)\mathbf{A}^t+\lambda\mathbf{A}^{t-1} r(i,k)←s(i,k)−k′=kmax{a(i,k′)+s(i,k′)}a(i,k)←⎩⎨⎧min{0,r(k,k)+i′=i,i′=k∑max{0,r(i′,k)}}i′=k∑max{0,r(i′,k)}k=ik=iRt+1=(1−λ)Rt+λRt−1At+1=(1−λ)At+λAt−1 其中吸引度 r(i,k)r(i, k)r(i,k)表示样本点kkk从所有样本点中吸引样本点iii作为其成员的程度、归属度a(i,k)a(i,k)a(i,k)表示样本点iii从所有样本中选择kkk作为其类代表的适合程度、s(i,k)s(i,k)s(i,k)表示两样本之间的相似的、R\mathbf{R}R和A\mathbf{A}A分别表示吸引度和归属度矩阵、ttt表示迭代次数
迭代结束后，所有的样本点就都有了自己的归属，感觉和DP很像，不过它需要迭代
∙\bull∙ 矩阵初始化：零矩阵即可
∙\bull∙ sklearn的示例如下：

from sklearn.datasets import load_iris
from sklearn.cluster import AffinityPropagationX, _ = load_iris(return_X_y=True)
ap = AffinityPropagation()
ap.fit(X)
print(ap.cluster_centers_.shape)

2）基于快速搜寻密度峰值法 (CFSFDP)：
∙\bull∙ 核心思想：首先寻找聚类中心，然后根据最近邻方法给每一个数据点分配对应的簇。为了寻找密度峰，为每一个样本点iii定义局部密度ρi\rho_iρi和最小距离δi\delta_iδi如下：
ρi=∑kX(di,k−dc)δi=min⁡k:ρk>ρi(di,k)\rho_i = \sum_k\mathcal{X} (d_{i,k} -d_c)\\ \delta_i =\min_{k:\rho_k>\rho_i}(d_{i,k}) ρi=k∑X(di,k−dc)δi=k:ρk>ρimin(di,k) 其中di,kd_{i,k}di,k表示两个样本之间的距离、dcd_cdc表示截断距离。特别地，如果数据点jjj有最高的局部密度，其最小距离设计为它与其他样本点的最大距离。其实就是密度峰值聚类，哈哈

2 未知目标状态

要完成未知目标状态识别，就需要研究增量式识别算法。增量式是指模型可以识别新样本，并基于新样本在不重新训练模型的情况下对模型进行更新，且不会冲洗掉之前的习得信息

2.1 未知状态检测

1）单类支持向量机 (SVDD)：简单说就是训练一个超球，使得其能够尽可能的覆盖目标数据。这样判断新来的数据是否在超球内就行了

import numpy as np
from sklearn.datasets import load_iris
from sklearn.svm import OneClassSVMX, _ = load_iris(return_X_y=True)
classifier = OneClassSVM()
idx = np.random.permutation(len(X))
"""只用iris第一类数据训练"""
classifier.fit(X[:50])
"""预测随机打乱索引的钱是十个"""
print(idx[:10])
print(classifier.predict(X[idx[:10]]))

输出如下：

[ 30  93  32  83  29 136 145  69  31  88]
[ 1 -1 -1 -1  1 -1 -1 -1 -1 -1]

2）ARTMAP网络：依据自适应共振理论实现的一种快速在线的增量式学习的自组织神经网络，一般使用以下简化结构，如图2.1：
∙\bull∙ 和感知机差不多的结构
∙\bull∙ 多了个阈值ρ\rhoρ用于检测输入样本是否与输出层的某个结点匹配，该值也会动态更新

图2.1：ARTMAP网络

2.2 增量式机器学习

1）增量学习：简单说就是在吸收新知识的同时保留甚至整合、优化旧知识

2）增量式分类算法，以下均只进行算法简要说明：
∙\bull∙ 在线式SVM：解决SVM在线更新问题，但是需要新样本带标签
∙\bull∙ 树形预测机制CNN：处理大规模增量式任务
∙\bull∙ 快速数据流特征挖掘：利用迁移学习识别新类别
∙\bull∙ 在线增量式深度学习：利用数据并行机制并进行模块化更新

3）增量式聚类算法：已有研究模型复杂度高，在认知电子战中的应用需要进一步探究

认知电子战 (2.2)：基于机器学习的目标状态识别相关推荐

【Python】基于机器学习的财务数据分析——识别财务造假
[Python]基于机器学习的财务数据分析--识别财务造假前言: 本文数据使用了2021泰迪杯官方给出的数据. 其中第一章的代码给出了如何由比赛数据生成案例分析所使用的数据而第二章则重点介绍了如 ...
基于机器学习的恶意URL识别--选自《通信技术》
基于机器学习的恶意URL识别原文作者:李泽宇,施勇,薛质原文期刊:信息安全与通信保密杂志社选自<通信技术>2020年第二期 2020-03-10 原文链接:https://www.s ...
基于机器学习的曲风识别
基于机器学习的曲风识别项目链接:https://pan.baidu.com/s/1Mxpj_WjRf2gTOMxGDLe20Q 提取码:v0r8 复制这段内容后打开百度网盘手机App,操作更方便哦 ...
(ICCV-2021)TransReID：基于transformer的目标重识别
TransReID:基于transformer的目标重识别 paper题目:TransReID: Transformer-based Object Re-Identification paper是浙大 ...
ros订阅相机深度信息_一起做ROS-DEMO系列 (2):基于find_object_2d的目标匹配识别
首发于CSDN:https://blog.csdn.net/qq_23670601/article/details/93663974 - 接上文,我们希望机器人能够更加智能一点,抓住我们想要的任何东西 ...
二十三.基于机器学习的恶意请求识别及安全领域中的机器学习
这是作者的系列网络安全自学教程,主要是关于网安工具和实践操作的在线笔记,特分享出来与博友共勉,希望您们喜欢,一起进步.前文分享了Web渗透的第一步工作,涉及网站信息.域名信息.端口信息.敏感信息及指纹 ...
泛读：基于机器学习的雷达辐射源识别方法综述
基本思路雷达辐射源识别是通过分析处理截获的敌方雷达信号,获取敌方雷达的工作参数和信号特征参数,通过与已知雷达数据库进行对比,判断雷达的型号.工作模式.位置.以前多用参数匹配法直接利用测量获得的信号特 ...
基于机器学习的技术术语识别研究综述
摘要 [目的] 梳理机器学习算法在技术术语识别中的应用现状与前景.[文献范围] 在WOS核心库和CNKI数据库中,以"technology term* recognition".& ...
基于FPGA的目标颜色识别追踪三——FIFO（同/异步FIFO）、DDR3
FIFO在数据处理过程中是十分重要的. 同步FIFO比较简单,面试过程中手撕代码可能会用到. module sFIFO #(parameter DATA_WIDTH = 8,ADDR_WIDTH = ...

认知电子战 (2.2)：基于机器学习的目标状态识别

文章目录

引入