贝叶斯优化与集成学习在弹载雷达目标识别中的应用

TJ760; 空空导弹在打击低空、超低空目标时,弹载雷达区分目标和杂波的性能下降.本文针对弹载雷达目标识别问题,应用多种集成学习算法和贝叶斯优化算法,建立了多个目标识别模型,测试并对比了模型性能.通过特征提取、数据标准化和特征选择,构建了优选特征的目标杂波数据集.使用贝叶斯优化算法进行调参,构建了XGBoost、LightGBM和CatBoost目标识别模型并测试.测试结果表明,XGBoost、LightGBM、CatBoost的目标识别效果优于随机森林、支持向量机和AdaBoost.选择XG-Boost、LightGBM和CatBoost和随机森林为基分类器,构建了Stacking目标识别模...

Full description

Saved in:
Bibliographic Details
Published in航空兵器 Vol. 31; no. 1; pp. 58 - 65
Main Authors 张攀博, 高静, 吴元伟
Format Journal Article
LanguageChinese
Published 空基信息感知与融合全国重点实验室,河南 洛阳 471009 29.02.2024
中国空空导弹研究院,河南 洛阳 471009%中国空空导弹研究院,河南 洛阳 471009
Subjects
集成学习
Stacking
Light-GBM
LightGBM
贝叶斯优化
missile-borne radar
target recognition
ensemble learning
XGBoost
目标识别
Bayesian optimization
弹载雷达
CatBoost
Online AccessGet full text
ISSN1673-5048
DOI10.12132/ISSN.1673-5048.2023.0049

Cover

More Information
Summary:TJ760; 空空导弹在打击低空、超低空目标时,弹载雷达区分目标和杂波的性能下降.本文针对弹载雷达目标识别问题,应用多种集成学习算法和贝叶斯优化算法,建立了多个目标识别模型,测试并对比了模型性能.通过特征提取、数据标准化和特征选择,构建了优选特征的目标杂波数据集.使用贝叶斯优化算法进行调参,构建了XGBoost、LightGBM和CatBoost目标识别模型并测试.测试结果表明,XGBoost、LightGBM、CatBoost的目标识别效果优于随机森林、支持向量机和AdaBoost.选择XG-Boost、LightGBM和CatBoost和随机森林为基分类器,构建了Stacking目标识别模型并测试.测试结果表明,Stacking的目标识别准确率达到98.88%,优于组成它的四个单一模型,但运行效率大幅降低.综合来看,CatBoost的目标识别准确率达到98.03%,虽不是最优,但其测试时间为0.011 s,运行效率的优势更明显.
ISSN:1673-5048
DOI:10.12132/ISSN.1673-5048.2023.0049