版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- q-高斯函數(shù)在優(yōu)化算法及神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究.pdf
- 雷達(dá)網(wǎng)抗干擾效能評(píng)估.pdf
- 雷達(dá)系統(tǒng)抗干擾效能評(píng)估方法的研究.pdf
- 雷達(dá)抗干擾效能評(píng)估準(zhǔn)則與方法研究.pdf
- SOM神經(jīng)網(wǎng)絡(luò)的研究及在水文分區(qū)中的應(yīng)用.pdf
- 對(duì)合成孔徑雷達(dá)干擾與抗干擾及效能評(píng)估的研究.pdf
- 雷達(dá)抗干擾效能評(píng)估指標(biāo)體系及方法研究.pdf
- 神經(jīng)網(wǎng)絡(luò)在企業(yè)價(jià)值評(píng)估中的應(yīng)用.pdf
- 模糊神經(jīng)網(wǎng)絡(luò)在橋梁評(píng)估中的應(yīng)用.pdf
- 人工神經(jīng)網(wǎng)絡(luò)在軟件質(zhì)量評(píng)估中的應(yīng)用.pdf
- 神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用
- 反演在q-級(jí)數(shù)中的應(yīng)用.pdf
- 基于SOM神經(jīng)網(wǎng)絡(luò)的圖像修復(fù).pdf
- 雷達(dá)干擾抗干擾效果評(píng)估準(zhǔn)則與實(shí)現(xiàn).pdf
- bp神經(jīng)網(wǎng)絡(luò)在項(xiàng)目風(fēng)險(xiǎn)識(shí)別、評(píng)估中的應(yīng)用
- 神經(jīng)網(wǎng)絡(luò)在電信營(yíng)銷評(píng)估中的應(yīng)用研究.pdf
- 人工神經(jīng)網(wǎng)絡(luò)在納稅評(píng)估中的應(yīng)用研究.pdf
- 基于FAHP的網(wǎng)絡(luò)化雷達(dá)抗干擾評(píng)估技術(shù)研究.pdf
- 基于博弈論的雷達(dá)抗干擾評(píng)估研究.pdf
- plc系統(tǒng)在應(yīng)用中的抗干擾措施
評(píng)論
0/150
提交評(píng)論