基于BAS-BP神經(jīng)網(wǎng)絡(luò)的遮蓋干擾信號識別

楊 潔, 褚書培

(西安郵電大學(xué) 通信與信息工程學(xué)院， 陜西 西安 710121)

通常雷達(dá)工作時會接收到各種回波信號，除了目標(biāo)回波信號之外，還有遮蓋性干擾信號[1]。遮蓋性干擾信號會干擾雷達(dá)正常工作，遮蓋目標(biāo)的真實回波信息，導(dǎo)致雷達(dá)難以檢測真實目標(biāo)，破壞雷達(dá)效能[2-3]。排除遮蓋性干擾信號需要通過信號預(yù)處理和信號特征提取，使用分類器識別干擾信號的類型[4]，根據(jù)干擾信號類型采用不同的抗干擾措施，使雷達(dá)能夠較為準(zhǔn)確地確定目標(biāo)信息[5]。

在排除遮蓋性干擾信號過程中，識別干擾信號類型是其中重要的一步。通常采用支持向量機(jī)[6](support vector machines, SVM)、統(tǒng)計判決樹[7]、逆云模型[8]、反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)[9]算法等分類器實現(xiàn)對遮蓋性干擾信號分類，但是，SVM方法需經(jīng)過反復(fù)測試獲取最佳的核函數(shù)[10]，測試過程較為復(fù)雜；基于統(tǒng)計判決樹的分類方法雖然相對簡單，但在干噪比較小的情況下，效果不理想；基于逆云模型的分類方法，由于各個云滴的聚集性能較差導(dǎo)致對干擾信號的識別率不高；BP神經(jīng)網(wǎng)絡(luò)算法，由于采用隨機(jī)初始化得到權(quán)值和閾值，會對訓(xùn)練結(jié)果產(chǎn)生影響，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性較差，容易陷入局部最優(yōu)，降低了識別的精確度。

為了提高遮蓋性干擾信號類型識別的準(zhǔn)確度，本文擬使用天牛須搜索算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值[11]，得到最優(yōu)的權(quán)值、閾值。將最優(yōu)權(quán)值、閾值分別應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)模型[12]中，實現(xiàn)對雷達(dá)有源遮蓋性干擾信號的分類。

1 預(yù)備知識

1.1 雷達(dá)干擾信號識別

常見的雷達(dá)遮蓋性干擾信號有射頻噪聲、噪聲調(diào)幅和噪聲調(diào)頻3種干擾信號[13]。雷達(dá)遮蓋干擾信號的識別的原理如圖1所示。要實現(xiàn)對雷達(dá)遮蓋干擾信號的識別，先要對遮蓋干擾信號預(yù)處理，提取其特征參數(shù)，再利用類器對其進(jìn)行分類識別處理。

圖1 遮蓋干擾信號識別原理

1.2 BP神經(jīng)網(wǎng)絡(luò)

典型的BP神經(jīng)網(wǎng)絡(luò)是一種由輸入層、隱含層和輸出層構(gòu)成的3層前向反饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)利用輸出層產(chǎn)生的誤差估計出隱含層的誤差，根據(jù)隱含層誤差估計出輸入層誤差，利用各層之間的誤差來調(diào)整連接各層的權(quán)值、閾值重新計算誤差，直至更新到所設(shè)定的誤差精度或迭代次數(shù)。BP神經(jīng)網(wǎng)絡(luò)常常用作數(shù)據(jù)的分類處理、聚類識別以及函數(shù)的逼近，本文將BP神經(jīng)網(wǎng)絡(luò)作為分類器，利用不同干擾信號相關(guān)特征參數(shù)，對雷達(dá)有源遮蓋性干擾信號的分類處理。

1.3 BAS算法

天牛須搜索[14-15](beetle antennae search, BAS)算法是根據(jù)天牛覓食原理發(fā)展出的生物啟發(fā)式算法，使用該算法可以對目標(biāo)函數(shù)進(jìn)行尋優(yōu)處理。BAS算法的步驟如下。

步驟1將天牛左、右須初始方向歸一化[9]為單位向量

其中:rands()為由隨機(jī)函數(shù)生成的隨機(jī)向量;k表示天牛須的空間維度。

步驟2定義天牛左須和右須在第t次迭代的位置坐標(biāo)向量[9]分別為

(1)

其中:t=0,1,2,…,n為迭代次數(shù)；xt表示第t次迭代天牛的質(zhì)心位置向量；d0為天牛左、右須之間的距離。

步驟3利用左、右須判斷食物氣味的強(qiáng)弱，決定天牛下一步移動方向，用適應(yīng)度函數(shù)f(xL,t)和f(xR,t)更新天牛的位置。第t+1次天牛質(zhì)心位置向量的迭代表達(dá)式[9]為

xt+1=xt-μtesign(f(xR,t)-f(xL,t))。

(2)

其中:μt表示第t次迭代的步長；sign(·)為符號函數(shù)；f(xL,t)和f(xR,t)分別表示天牛左、右須用于判斷食物氣味強(qiáng)弱的適應(yīng)度函數(shù)。

使用天牛須搜索算法不需要知道待優(yōu)化函數(shù)形式以及梯度信息，就可以實現(xiàn)待對優(yōu)化函數(shù)的高效尋優(yōu)。本文將其應(yīng)用于對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值優(yōu)化。

2 BAS-BP神經(jīng)網(wǎng)絡(luò)的干擾信號識別

基于BAS-BP神經(jīng)網(wǎng)絡(luò)方法的干擾信號識別是通過確定更新步長、更新并輸出最優(yōu)權(quán)值、閾值來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)識別遮蓋干擾信號。

2.1 利用BAS優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

2.1.1 確定更新步長

設(shè)BP神經(jīng)網(wǎng)絡(luò)模型的輸入層、隱含層和輸出層結(jié)構(gòu)為I-M-O,I、M和O分別表示輸入層、隱含層和輸出層神經(jīng)元個數(shù)。輸入層與隱含層之間連接權(quán)值的個數(shù)為I×M，隱含層與輸出層之間連接權(quán)值的個數(shù)為M×O，隱含層各神經(jīng)元的閾值個數(shù)為M，輸出層各神經(jīng)元的閾值個數(shù)為O。由BP神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層直接的連接權(quán)值與各神經(jīng)元的閾值構(gòu)成一個k=IM+MO+M+O維空間向量。

對k維空間向量的BP神經(jīng)網(wǎng)絡(luò)各層的權(quán)值、閾值歸一化為單位向量e后，確定權(quán)重和閾值的更新步長。令初始步長為μ0，則第t+1次步長迭代表達(dá)式[9]為

μt+1=μtη。

其中:迭代次數(shù)t=0,1,2,…,n;常數(shù)η為0.95[9]。

2.1.2 計算BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值

利用測試數(shù)據(jù)的均方誤差作為適應(yīng)度函數(shù)，由最小的適應(yīng)度函數(shù)值確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值。適應(yīng)度函數(shù)[9]表達(dá)式為

(3)

其中:N為訓(xùn)練樣本數(shù);第i個樣本的神經(jīng)網(wǎng)絡(luò)分類的輸出值為tsim(i)，輸入值為yi。

取區(qū)間[-1,1]的隨機(jī)數(shù)作為初始權(quán)值、閾值，得到天牛初始空間坐標(biāo)。

利用式(1)和式(3)分別更新天牛的左、右須的坐標(biāo)，左、右須對應(yīng)的適應(yīng)度值。將左、右須對應(yīng)的適應(yīng)度值代入式(2)更新權(quán)值、閾值，得到天牛的空間坐標(biāo)，再利用式(3)計算更新后的權(quán)值、閾值的適應(yīng)度值，并與前一次迭代的適應(yīng)度值比較。若小于前一次的適應(yīng)度值，則進(jìn)行更新。重復(fù)此過程，直至達(dá)到最大迭代次數(shù)或達(dá)到所設(shè)定的適應(yīng)度值，停止迭代，輸出BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值。經(jīng)反復(fù)實驗，確定最佳迭代次數(shù)為100，或適應(yīng)度值為0.001時，停止迭代。

2.2 BP神經(jīng)網(wǎng)絡(luò)識別遮蓋干擾信號步驟

2.2.1 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

將輸出的最優(yōu)權(quán)值、閾值分別賦值BP神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值。選取時域矩偏度和時域矩峰度[13]兩種特征參數(shù)提取遮蓋性干擾信號的特征值，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，其流程如圖2所示。

圖2 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)流程

每種遮蓋干擾信號特征值產(chǎn)生一組數(shù)據(jù)，選取其中一部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其余數(shù)據(jù)作為測試數(shù)據(jù)。利用訓(xùn)練數(shù)據(jù)對優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計算訓(xùn)練過程中的BP神經(jīng)網(wǎng)絡(luò)的全局誤差，并利用梯度下降法[13]更新網(wǎng)絡(luò)模型的權(quán)值、閾值，直至達(dá)到所設(shè)精度或者訓(xùn)練上限次數(shù)為止，訓(xùn)練出最佳的BP神經(jīng)網(wǎng)絡(luò)模型。

2.2.2 遮蓋干擾信號類型識別

使用BP神經(jīng)網(wǎng)絡(luò)對常見的雷達(dá)射頻噪聲、噪聲調(diào)幅和噪聲調(diào)頻3種遮蓋性干擾信號進(jìn)行識別，其原理如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)識別遮蓋干擾信號原理

將已計算出的遮蓋干擾信號的時域矩偏度作為輸出最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型的“子網(wǎng)絡(luò)1”的測試數(shù)據(jù)，若“子網(wǎng)絡(luò)1”輸出為“1”，則判斷遮蓋干擾類型為噪聲調(diào)幅干擾，停止判別；若子網(wǎng)絡(luò)1輸出的值為“0”，則繼續(xù)下一步判別。

將已計算出的遮蓋干擾信號的時域矩峰度作為最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型“子網(wǎng)絡(luò)2”的測試數(shù)據(jù)，若“子網(wǎng)絡(luò)2”輸出為“1”，則判斷遮蓋干擾類型為射頻噪聲干擾，停止判別；若子網(wǎng)絡(luò)2輸出的值為“0”，則判斷遮蓋干擾類型為噪聲調(diào)頻干擾，停止判別。

3 仿真結(jié)果及分析

3.1 仿真條件

選取射頻噪聲干擾、噪聲調(diào)幅干擾和噪聲調(diào)頻干擾3種雷達(dá)有源遮蓋性干擾信號進(jìn)行仿真。干擾信號的調(diào)制噪聲均值為0，方差為1，信號帶寬為10 MHz，噪聲調(diào)幅干擾的有效調(diào)制系數(shù)為0.2，噪聲調(diào)頻干擾的調(diào)頻斜率為10 MHz/V，載波頻率為100 MHz，采樣頻率為300 MHz。選取時域矩偏度、時域矩峰度兩種特征參數(shù)進(jìn)行對干擾信號的特征值提取。

設(shè)定3種干擾信號，每種干擾信號產(chǎn)生800組數(shù)據(jù)，選取前500組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后300組數(shù)據(jù)作為測試數(shù)據(jù)。選用輸入層有2個神經(jīng)元，輸出層有3個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過反復(fù)試驗，得到最佳隱含層神經(jīng)元數(shù)為8，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-8-3。設(shè)定k=51，初始搜索步長為50，迭代次數(shù)為100。

3.2 仿真結(jié)果

分別對BP神經(jīng)網(wǎng)絡(luò)和BAS-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用均方誤差和平均絕對值誤差[13]作為神經(jīng)網(wǎng)絡(luò)的評價指標(biāo)。BP神經(jīng)網(wǎng)絡(luò)與BAS-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果對比如表1所示。可以看出BAS-BP神經(jīng)網(wǎng)絡(luò)的均方誤差和平均絕對值誤差均小于BP神經(jīng)網(wǎng)絡(luò)的誤差，說明BAS-BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法。

表1 BP神經(jīng)網(wǎng)絡(luò)與BAS-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果對比

在不同干噪比條件下，分別使用BP神經(jīng)網(wǎng)絡(luò)與BAS-BP神經(jīng)網(wǎng)絡(luò)算法對3種遮蓋性干擾信號進(jìn)行分類識別，仿真結(jié)果如圖4所示。

從圖4可以看出，在不同干噪比條件下，BAS-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法對遮蓋性干擾信號的平均識別率分別為0.913 7和0.882 7，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)比優(yōu)化前的提高了約3個百分點。在干噪比為0 dB條件下BAS-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對3種干擾信號的平均識別率分別為0.913 3和0.826 7；在干噪比為-3 dB條件下，兩種算法的平均識別率分別為0.740 0和0.643 3?？梢钥闯鲈诟稍氡葹樨?fù)時BAS-BP神經(jīng)網(wǎng)絡(luò)算法的正確識別率提升較高。當(dāng)干噪比大于6 dB時，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法對噪聲調(diào)幅干擾信號正確識別率就能到達(dá)1，而未優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法在大于9dB時才達(dá)到1。

(a) BP神經(jīng)網(wǎng)絡(luò)

(b) BAS-BP神經(jīng)網(wǎng)絡(luò)

圖4中，遮蓋性干擾信號的正確識別率隨著干噪比的增大而上升，這是因為隨著干噪比增大，遮蓋性干擾信號的強(qiáng)度變大，BAS-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法對遮蓋性干擾信號的分類效果越明顯。BAS-BP神經(jīng)網(wǎng)絡(luò)的識別率明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，這是由于采用BAS算法輸出的最優(yōu)權(quán)值、閾值，作為初始權(quán)值、閾值優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)，提高了其預(yù)測精度。

4 結(jié)語

針對雷達(dá)遮蓋性干擾信號識別問題，提出了一種BAS-BP神經(jīng)網(wǎng)絡(luò)算法。利用天牛須搜索算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化，將優(yōu)化后的權(quán)值、閾值賦值給BP神經(jīng)網(wǎng)絡(luò)，作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值。選取時域矩偏度、時域矩峰度兩種特征參數(shù)提取遮蓋性干擾信號的特征值，利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)算法識別雷達(dá)遮蓋性干擾信號。仿真結(jié)果表明，相比于BP神經(jīng)網(wǎng)絡(luò)算法，BAS-BP神經(jīng)網(wǎng)絡(luò)算法對雷達(dá)有源遮蓋性干擾信號的正確識別率較高。