用于雷达波形贝叶斯分类与聚类的广义多元Student-t混合模型
机器学习
2017-08-01 v1
摘要
本文提出了一种广义多元Student-t混合模型，用于低截获概率雷达波形的分类与聚类。低截获概率雷达信号的特征在于采用频率调制或相位调制的脉冲压缩波形。所提出的模型能够对不同调制类型进行分类和聚类，例如线性频率调制、非线性频率调制、多相Barker码、多相P1、P2、P3、P4码、Frank码和Zadoff码。该分类方法的核心在于为模型超参数引入了一种新的先验分布，这使我们能够处理混合模型对初始化的敏感性，并允许对数据进行更少限制的建模。推断通过变分贝叶斯方法进行，并采用贝叶斯处理方式进行模型学习、监督分类和聚类。此外，这种新颖的先验分布并非众所周知的概率分布，因此同时使用了确定性和随机性方法来估计其期望。若干数值实验表明，所提出的方法对初始化不那么敏感，并且比先前最先进的混合模型提供了更精确的结果。
引用
@article{arxiv.1707.09548,
title = {A generalized multivariate Student-t mixture model for Bayesian classification and clustering of radar waveforms},
author = {Guillaume Revillon and Ali Mohammad-Djafari and Cyrille Enderli},
journal= {arXiv preprint arXiv:1707.09548},
year = {2017}
}
备注
Submitted on 06/30/17 to the Journal of Selected Topics in Signal Processing Special Issue on Machine Learning for Cognition in Radio Communications and Radar (ML-CR2)