师兄文章阅读-基于辐射源的雷达分类

师兄文章阅读-基于辐射源的雷达分类

原文《Mutation grey wolf elite PSO balanced XGBoost for radar emitter individual identification based on measured signals》-Shiqiang Zhao(刘老师为通讯作者)

*文章来源：陈师兄，based on 雷达的小样本分类识别项目（2022控制之旅）

emitter：发射器，elite：精英的，Mutation：突变的

supported by National Key
R&D Program of China(Grant NO. 2018YFB2004200),Zhejiang Provincial
Natural Science Foundation(LY 18D060002),National Natural Science
Foundation of China(61590921)*

核心内容：利用PSO的改进算法优化XGBoost算法，针对real radar signals，而非simulation signals

Introducation

段落	内容
1	the difference of radar emitter individual identification and radar emitter identification （REC)前者是一个更新的领域
2	the latest progress of REC,including SVM,and the introduction of difference of channels
3	the summary of the REC methods(突出这种方法研究多利用simulation data, ACC easy to reduce when faced real situation)
4	往individual 方向进行的原因，承接上一段，介绍了使用individual 的优点以及必要性（同种雷达的不同个体差异大）
5	the reason choose measured signals but not simulation signals (仿真数据与实际有差距)
6	the use of CNN and RVM,引出XGBoost
7	改进XGBoost 的原因–hard to find which parameter should be adjust
8	the method used to improve XGBoost (mainly about how to find and adjust the parameters)
9	段落结构介绍

Methodology

由4部分构成：GWEPSO-----MGWEPSO—BXGBoost—MGWEPSO-BXGBoost

1、use grey wolf elite改进PSO算法

main idea: choose one part which don’t participate in update

优势：避免局部最优解

2、use mutation 改进 GWEPSO

main idea:前述局部不参与迭代寻优容易导致局部最优，故而利用生物学中“突发”（mutation)概念，改进算法

3、balanced XGBoost

main idea:介绍一种广泛应用于分类研究的算法

4、MGWEPSO-BXGBoost

main idea:MGWEPSO-BXGBoost的组合原则，以及关键的参数配置信息

Experiments and results discussion

分为三个板块：介绍评判标准以及数据的归一化操作----在充分样本下的实验（完整样本）----在不充分样本下的实验（实际采样数据，有残缺）

1、实验的评判指标介绍

Precision Recall F1 Mprecision Mrecall MF1 Merror

2、24个个体，，每个采集200个样本，一共11150条样本数据进行分析

分别就前面提到的4中算法进行测试，按照评价指标列表对比结果。

3、19个个体，一共1408个样本数据进行分析（模拟真实情况下信息难以获取）

对比4种方法的评价指标

Conclusion

总结MGWEPSO-BXGBoost99.73%ACC的优势，强调当数据减少时准确地下降，值得进一步研究。描述该算法未来可以进一步对于小样本识别做出贡献，在优化、不平衡环境领域有前景、针对模式识别或系统识别有应用前景

Reference

一共50篇，引用了组里的文章

未来进组可以进一步询问的板块：

overall framework不是很clear