q-高斯的som神經(jīng)網(wǎng)絡(luò)在雷達(dá)抗干擾效能評(píng)估中的應(yīng)用

1、第32卷第6期2011年6月哈爾Journal濱工程大學(xué)學(xué)報(bào)ofHarbinEngineeringUniversityVo132No6Jun2011doi：103969／jissn1006—7043201106013g一高斯的SOM神經(jīng)網(wǎng)絡(luò)在雷達(dá)抗干擾效能評(píng)估中的應(yīng)用趙偉，傘冶(哈爾濱工業(yè)大學(xué)控制與仿真中心，黑龍江哈爾濱150001)摘要：為了擴(kuò)大鄰域函數(shù)的輸出空間和增強(qiáng)神經(jīng)元的鄰域合作，提出基于g一高斯的SOM(selforganiz

2、ingmapping)神經(jīng)網(wǎng)絡(luò)評(píng)估雷達(dá)抗干擾效能采用q高斯函數(shù)作為SOM神經(jīng)網(wǎng)絡(luò)的鄰域函數(shù)，選取較大的非廣延熵指數(shù)q擴(kuò)大了q一高斯函數(shù)的輸出空間，隨著鄰域的縮小，非廣延熵指數(shù)q從大到小自適應(yīng)地調(diào)整平衡了神經(jīng)元的遠(yuǎn)鄰域合作和近鄰域合作通過評(píng)估雷達(dá)抗干擾效能和實(shí)例測(cè)試，仿真結(jié)果表明基于g高斯的SOM神經(jīng)網(wǎng)絡(luò)效能評(píng)估的準(zhǔn)確率為100％、模式識(shí)別的聚類正確率和分類正確率比其他SOM神經(jīng)網(wǎng)絡(luò)高出5％，驗(yàn)證了該方法的有效性和可行性關(guān)鍵詞：效能評(píng)估；

3、雷達(dá)抗干擾；SOM神經(jīng)網(wǎng)絡(luò)；q一高斯中圖分類號(hào)：TP18；E917文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：10067043(2011)06076706AqGaussianSOMneuralnetworkanditsapplicationforevaluationoftheefectivenessofradarECCMZHAOWei，SANYe(ControlandSimulationCenter，HarbinInstituteofTechnology，

4、Harbin150001，China)Abstract：Inordertoincreasetheoutputspaceofneighborhoodfunctionsandenhancetheneighborhoodcooperationbetweenneurons，aqGaussianselforganizingmapping(SOM)neuralnetworkwasproposedforevaluationoftheeffective

5、nessofradarelectroniccounter—countermeasures(ECCM)AqGaussianfunctionwastakenasaneighbor—hoodfunctioninanSOMneuralnetwork，andthenon—extensiveentropicindexqwaslargertoeficientlyincreasetheoutputspaceoftheqGaussianfunctionT

6、henonextensiveentropicindexqwasadjustedadaptivelyfromlargetosmallwiththedecreasingneighbortobalancetheneuronsdistantandcloseneighborhoodcooperationabilityThesimulationresultsoftheeffectivenessevaluationoftheradarECCMandi

7、nstancetestsshowthattheqGaussianSOMneuralnetworkcanobtain100％accurateresultsinevaluatingeffectivenessa5％higheraccuracyratebothinclusteringandclassificationthanotherSOMneuralnetworksinpatternrecognition；thevalidityandfeas

8、ibilityofthemethodareverifiedKeywords：effectivenessevaluation；radarECCM；selforganizingmappingneuralnetwork；q—Gaussian各種武器裝備威力的發(fā)揮，戰(zhàn)區(qū)的監(jiān)視和警戒，諸兵種協(xié)同作戰(zhàn)的調(diào)配、聯(lián)系、指揮和控制等，都越來越多地依賴于雷達(dá)的效能隨著雷達(dá)技術(shù)的發(fā)展，反雷達(dá)技術(shù)也迅速發(fā)展，導(dǎo)致了現(xiàn)代雷達(dá)工作環(huán)境的日益復(fù)雜和惡化因此，研究雷達(dá)

9、的抗干擾能力受到了人們的重視，雷達(dá)抗干擾效能評(píng)估對(duì)雷收稿日期：200910—13基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(60474069)作者簡(jiǎn)介：趙偉(1977)，男，博士研究生，E—mail：zhaoweidaqing@ya—hoocorncn傘冶(1951)，男，教授，博士生導(dǎo)師通信作者：趙偉達(dá)裝備研究和作戰(zhàn)效能評(píng)估有重要的作用目前，雷達(dá)抗干擾效能評(píng)估的方法主要有線性加權(quán)法、層次分析法、模糊評(píng)判法和概率綜合法但這些方法受人為因素影響大

10、，因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有良好的非線性映射能力，可以任意逼近一個(gè)復(fù)雜的非線性系統(tǒng)，所以人們?cè)絹碓蕉嗟闹匾暡捎蒙窠?jīng)網(wǎng)絡(luò)來評(píng)估雷達(dá)抗干擾效能JSOM神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)的競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)，通過不斷縮小獲勝神經(jīng)元的鄰域來達(dá)到聚類的目的，目前已有很多成功的應(yīng)用，如軟構(gòu)件分類j、語音識(shí)別J、紋理圖像識(shí)別JSOM神經(jīng)網(wǎng)絡(luò)的鄰域函數(shù)通常選取高斯函數(shù)，已有學(xué)者提出各第6期趙偉，等：q高斯的SOM神經(jīng)網(wǎng)絡(luò)在雷達(dá)抗干擾效能評(píng)估中的應(yīng)用S圖2q高斯分布Fig2qG

11、aussiandistribution22基于q一高斯的SOM神經(jīng)網(wǎng)絡(luò)SOM網(wǎng)絡(luò)的優(yōu)點(diǎn)是不需要知道類別的先驗(yàn)知識(shí)，根據(jù)具體的訓(xùn)練樣本便可以完成學(xué)習(xí)訓(xùn)練，與識(shí)別問題的背景沒有關(guān)聯(lián)，所以SOM神經(jīng)網(wǎng)絡(luò)對(duì)于解決類別特征不明顯和特征參數(shù)相互交錯(cuò)混雜的雷達(dá)抗干擾效能評(píng)估問題是非常有效的如圖3所示，SOM神經(jīng)網(wǎng)絡(luò)是由輸入層和競(jìng)爭(zhēng)層構(gòu)成的兩層神經(jīng)網(wǎng)絡(luò)，主要功能是將輸入的n維空間數(shù)據(jù)映射到二維的空間，同時(shí)保持?jǐn)?shù)據(jù)原有的拓?fù)溥壿嬯P(guān)系層圖3SOM神經(jīng)網(wǎng)絡(luò)結(jié)

12、構(gòu)圖Fig3SOMneuralnetworksstructure輸入層中神經(jīng)元的數(shù)目由輸入向量的維數(shù)rL決定，競(jìng)爭(zhēng)層神經(jīng)元通過權(quán)向量w=[ww，，w]’與輸入層的每個(gè)神經(jīng)元相連接對(duì)于任一輸入向量x，競(jìng)爭(zhēng)層中的獲勝神經(jīng)元按如下方式確定：c=argminIIX—WiII(10)式中：i=1，2，，m，m為競(jìng)爭(zhēng)層中神經(jīng)元的數(shù)目，lIll表示歐氏距離在SOM神經(jīng)網(wǎng)絡(luò)中，只對(duì)獲勝神經(jīng)元鄰域范圍內(nèi)神經(jīng)元的權(quán)值進(jìn)行更新，即W(t1)=W(t)(t)h

13、i(t)[(t)一’，(t)](11)式中：h(t)為鄰域函數(shù)；OL(t)為學(xué)習(xí)率函數(shù)，按如下方式由大到小自適應(yīng)地調(diào)整學(xué)習(xí)率OL(t)：OL(t)=OLi(一僅i)—(12)式中：t為Kohonen算法的當(dāng)代迭代次數(shù)，為Koho—nen算法的最大迭代次數(shù)，O／和O／分別為學(xué)習(xí)率的最小值和最大值鄰域函數(shù)h(t)有多種，包括bubble函數(shù)：hcl(f)：c_r‘)(13)【0，llr一rlor(t)逆正比函數(shù)：()：』一jL，llrc一l

14、l≤()；0，JIr。一ll(f)(14)線性函數(shù)：(f)：』1一，lI—rIl≤()；L0，IIr一r!()(15)但通常取高斯函數(shù)，即()：lexp(一j)，Ilrc—rI≤()；0，llr一()(16)式中：IIr一表示獲勝神經(jīng)元c與神經(jīng)元i之間的距離；(t)表示鄰域范圍由式(16)可知，當(dāng)鄰域范圍(t)3時(shí)，h(t)or(t)(17)由圖2和式(17)可知，在基于g高斯的SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)初期，選取較大的非廣延熵指數(shù)q，q高斯函