(1.空軍預(yù)警學(xué)院空天預(yù)警系, 湖北武漢 430019; 2.空軍預(yù)警學(xué)院教研保障中心, 湖北武漢 430019)
無源雷達(dá)作為一種新型預(yù)警探測裝備,自身不發(fā)射信號,具有抗電子干擾、目標(biāo)識別能力強(qiáng)等特性,可與有源雷達(dá)一體化運(yùn)用來提高雷達(dá)網(wǎng)整體性能,是未來信息戰(zhàn)條件下預(yù)警探測體系的重要構(gòu)成力量。當(dāng)前,該類裝備對目標(biāo)識別主要依靠與數(shù)據(jù)庫對比分析,不僅識別效率低,而且無法確保裝備實(shí)際作戰(zhàn)時能夠準(zhǔn)確有效地識別目標(biāo),成為備受關(guān)注的熱點(diǎn)和難點(diǎn)問題。因此,開展無源雷達(dá)目標(biāo)識別模型研究,加緊推動無源雷達(dá)目標(biāo)識別相關(guān)研究,對于促進(jìn)該類裝備戰(zhàn)斗力生成具有重要軍事意義。
目前,針對雷達(dá)目標(biāo)識別及智能識別方法等方面已開展了大量研究,形成了比較系統(tǒng)和完整的雷達(dá)目標(biāo)識別理論方法體系,其中,基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別是目前研究的熱點(diǎn)之一,但無源雷達(dá)目標(biāo)識別的研究并不多見。文獻(xiàn)[1]給出了一個BP神經(jīng)網(wǎng)絡(luò)在無源雷達(dá)目標(biāo)識別中的應(yīng)用思路,并進(jìn)行了仿真驗證;文獻(xiàn)[2]建立了利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)逼近非線性的空中目標(biāo)識別模型;文獻(xiàn)[3]對智能算法在空中目標(biāo)識別中的應(yīng)用進(jìn)行了理論探討;文獻(xiàn)[4]對神經(jīng)網(wǎng)絡(luò)的技術(shù)現(xiàn)狀和發(fā)展進(jìn)行了總結(jié)和梳理。以上這些研究為本文的研究提供了很好的參考和借鑒。
以下圍繞無源雷達(dá)目標(biāo)識別效率提升等問題,對無源雷達(dá)目標(biāo)識別問題和神經(jīng)網(wǎng)絡(luò)原理進(jìn)行梳理分析,構(gòu)建目標(biāo)識別總體流程和神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型,并給出模型運(yùn)用的關(guān)鍵問題及解決思路,為無源雷達(dá)智能目標(biāo)識別提供方法途徑。
目標(biāo)識別是現(xiàn)代防空作戰(zhàn)的熱點(diǎn)研究內(nèi)容。無源雷達(dá)目標(biāo)識別就是通過偵收敵方雷達(dá)信號,對探測到的信號進(jìn)行分析和處理,獲得目標(biāo)雷達(dá)等輻射源的相關(guān)參數(shù),完成輻射源和載機(jī)類型等的識別?,F(xiàn)代新體制雷達(dá)往往采用調(diào)制復(fù)雜、參數(shù)多變的信號形式,如頻率捷變、相位編碼等方式,甚至采用誘餌欺騙等戰(zhàn)術(shù),導(dǎo)致戰(zhàn)場空間電磁信號密集復(fù)雜,頻譜范圍十分寬,目標(biāo)識別面臨前所未有的挑戰(zhàn)。
未來戰(zhàn)場無源雷達(dá)將是有源雷達(dá)的重要補(bǔ)充,提升預(yù)警探測網(wǎng)的作戰(zhàn)效能和生存能力,目標(biāo)識別是其重要作戰(zhàn)任務(wù)。無源雷達(dá)目標(biāo)識別的主要目的包括:1)支持無源雷達(dá)情報分析。目標(biāo)識別可對偵收信號進(jìn)行脈內(nèi)和脈間特征分析,獲取信號時頻域特性,并通過與電子情報數(shù)據(jù)庫進(jìn)行對比、分析和推理,支撐無源雷達(dá)情報分析的重要內(nèi)容。2)協(xié)同有源雷達(dá)進(jìn)行空中目標(biāo)判性。無源雷達(dá)有強(qiáng)大數(shù)據(jù)庫技術(shù)作支撐,具有較強(qiáng)的目標(biāo)識別和屬性判斷能力,綜合運(yùn)用有源、無源探測信息,可以有效降低虛警率,增強(qiáng)預(yù)警探測網(wǎng)對空中目標(biāo)識別判性的可信度。3)輔助指揮員制定反干擾決策。無源雷達(dá)可精確測定干擾源一次信號的干擾頻率、脈沖寬度、重復(fù)周期、頻帶寬度等信息,進(jìn)而輔助指揮員準(zhǔn)確判定干擾類型、干擾頻段及主要干擾方向等,為指揮員定下反干擾決策提供依據(jù)。
目前,無源雷達(dá)目標(biāo)識別的主要問題包括:1)掌握目標(biāo)航跡受限于目標(biāo)輻射源。由于目標(biāo)機(jī)載雷達(dá)具有很強(qiáng)的方向性,在飛機(jī)轉(zhuǎn)彎、高度變化大、超低空和背站飛行時,很難發(fā)現(xiàn)目標(biāo),特別是目標(biāo)實(shí)施無線電靜默時,就無法捕捉目標(biāo)信號。2)無法判定目標(biāo)架數(shù)和準(zhǔn)確解算高度。當(dāng)跟蹤一批多架目標(biāo)時,若只有一架目標(biāo)發(fā)射電磁信號,無源雷達(dá)只能判斷為一批一架,無法準(zhǔn)確判定其架數(shù),而且無法提供準(zhǔn)確的目標(biāo)高度信息。3)當(dāng)參數(shù)相近時,無法準(zhǔn)確識別。例如,臺軍改進(jìn)型IDF戰(zhàn)機(jī)與F-16戰(zhàn)機(jī)火控雷達(dá)重復(fù)頻率相近,無源雷達(dá)易發(fā)生錯判、誤判,影響指揮協(xié)同效果。4)分析數(shù)據(jù)庫不夠完善。由于無源雷達(dá)情報數(shù)據(jù)庫的數(shù)據(jù)累積需要一個過程,目前只能對部分戰(zhàn)機(jī)型號進(jìn)行識別、判斷??偟膩碚f,目前無源雷達(dá)存在目標(biāo)識別率低、容錯性不足等問題,不能滿足高時效性要求的指揮決策需要,以神經(jīng)網(wǎng)絡(luò)為代表的智能目標(biāo)識別是未來的發(fā)展方向。
人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本元素,其原理如圖1所示。
圖1 人工神經(jīng)元示意圖
圖中,x1~xn表示從其他神經(jīng)元傳來的輸入信號,wij表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值,θ表示一個閾值,或稱為偏置。
神經(jīng)元i的輸入與輸出關(guān)系表示為
neti=xw
(1)
yi=f(neti)=f(xw)
(2)
式中,x表示輸入向量,用w表示權(quán)重向量,yi表示神經(jīng)元i的輸出,函數(shù)f稱為激活函數(shù)或轉(zhuǎn)移函數(shù),neti稱為凈激活。
若神經(jīng)元的凈激活net為正,稱該神經(jīng)元處于激活狀態(tài)或興奮狀態(tài),否則,則稱神經(jīng)元處于抑制狀態(tài)。
神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互聯(lián)而構(gòu)成的網(wǎng)絡(luò),根據(jù)互聯(lián)方式的不同,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以分為如下3類[4]:
1) 前饋神經(jīng)網(wǎng)絡(luò)
也稱前向網(wǎng)絡(luò)。這種網(wǎng)絡(luò)只在訓(xùn)練過程會有反饋信號,在分類過程中數(shù)據(jù)只能向前傳送,直到到達(dá)輸出層,層間沒有向后的反饋信號。BP神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò),廣泛應(yīng)用于模式識別、分類等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)或其變化形式占目前神經(jīng)網(wǎng)絡(luò)應(yīng)用中的80%~90%,是前饋網(wǎng)絡(luò)的核心部分,體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。
2) 反饋神經(jīng)網(wǎng)絡(luò)
反饋神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)比前饋網(wǎng)絡(luò)要復(fù)雜得多。典型的反饋型神經(jīng)網(wǎng)絡(luò)包括Elman網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)是一種典型的局部反饋神經(jīng)網(wǎng)絡(luò),可以看作是前向BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)形式。Hopfield網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò),結(jié)合存儲系統(tǒng)和二元系統(tǒng),保證了向局部極小的收斂,但也存在收斂到錯誤的局部極小值的可能。
3) 自組織網(wǎng)絡(luò)
自組織網(wǎng)絡(luò)是通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性,自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu),是具有自學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)。典型例子為多層感知機(jī)。這種網(wǎng)絡(luò)中,輸出節(jié)點(diǎn)與其領(lǐng)域其他節(jié)點(diǎn)廣泛相連,并通過某種規(guī)則,不斷調(diào)整輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間連接強(qiáng)度,使得在穩(wěn)定時,每一領(lǐng)域的所有節(jié)點(diǎn)對某種輸入具有類似輸出。
激活函數(shù)和學(xué)習(xí)算法的選取是構(gòu)建神經(jīng)網(wǎng)絡(luò)的重要內(nèi)容。其中,激活函數(shù)包含線性激活函數(shù)和非線性激活函數(shù)。BP神經(jīng)網(wǎng)絡(luò)通常采用非線性激活函數(shù)。常用的非線性激活函數(shù)如下:
S形函數(shù)為
(3)
雙極S形函數(shù)為
(4)
兩者的主要區(qū)別在于函數(shù)的值域,雙極S形函數(shù)為(-1,1),而S形函數(shù)為(0,1)。
學(xué)習(xí)算法是用來調(diào)整神經(jīng)元間的連接權(quán),使得網(wǎng)絡(luò)輸出更符合實(shí)際。學(xué)習(xí)算法分為有導(dǎo)師學(xué)習(xí)與無導(dǎo)師學(xué)習(xí)兩類[4]。BP網(wǎng)絡(luò)一般采用有導(dǎo)師學(xué)習(xí)算法。
無導(dǎo)師學(xué)習(xí)抽取樣本集合中蘊(yùn)含的統(tǒng)計特性,并以神經(jīng)元之間的連接權(quán)的形式存于網(wǎng)絡(luò)中。Hebb學(xué)習(xí)律是一種經(jīng)典的無導(dǎo)師學(xué)習(xí)算法,其核心思想是:當(dāng)兩個神經(jīng)元同時處于激發(fā)狀態(tài)時兩者間的連接權(quán)會被加強(qiáng),否則被減弱。
有導(dǎo)師學(xué)習(xí)算法將一組訓(xùn)練集送入網(wǎng)絡(luò),根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出間的差別來調(diào)整連接權(quán)。Delta學(xué)習(xí)規(guī)則是一種簡單的有導(dǎo)師學(xué)習(xí)算法。該算法根據(jù)神經(jīng)元的實(shí)際輸出與期望輸出差別來調(diào)整連接權(quán),調(diào)整幅度計算的數(shù)學(xué)表示為
wij(t+1)=wij(t)+a(di-yi)xj(t)
(5)
式中,xj表示神經(jīng)元j狀態(tài),若神經(jīng)元j處于激活狀態(tài)則xj為1,若處于抑制狀態(tài)則xj為0或-1,a表示學(xué)習(xí)速度常數(shù)。
基于神經(jīng)網(wǎng)絡(luò)的無源雷達(dá)目標(biāo)識別總體工作流程如圖2所示。
圖2 無源雷達(dá)目標(biāo)識別總體工作流程
基于神經(jīng)網(wǎng)絡(luò)進(jìn)行無源雷達(dá)目標(biāo)識別時,首先要提取目標(biāo)特征參數(shù),進(jìn)而完善目標(biāo)特征數(shù)據(jù)庫,并提取數(shù)據(jù)庫中典型數(shù)據(jù)進(jìn)行樣本學(xué)習(xí),實(shí)現(xiàn)對神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)的優(yōu)化配置。如果神經(jīng)網(wǎng)絡(luò)滿足了學(xué)習(xí)訓(xùn)練的中止條件,則認(rèn)為得到成熟的神經(jīng)網(wǎng)絡(luò)模型,運(yùn)用該模型,并將空情數(shù)據(jù)作為測試樣本,就可以實(shí)現(xiàn)無源雷達(dá)目標(biāo)識別,并輸出識別結(jié)果。
3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)和函數(shù)選取
無源雷達(dá)目標(biāo)識別可采用典型的前饋神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)。本文采用經(jīng)典的3層BP網(wǎng)絡(luò),即輸入層、輸出層和隱含層,如圖3所示。
激活函數(shù)的選取上,從輸入層到隱含層以及從隱含層到輸出層均選擇S形函數(shù),可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。學(xué)習(xí)函數(shù)選擇梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)[9]。訓(xùn)練參數(shù)包括學(xué)習(xí)速率、期望誤差最小值、最大循環(huán)次數(shù)和顯示中間結(jié)果周期[2]。Matlab神經(jīng)網(wǎng)絡(luò)工具箱中有相應(yīng)函數(shù)。
圖3 無源雷達(dá)目標(biāo)識別BP神經(jīng)網(wǎng)絡(luò)
3.2.2 目標(biāo)特征參數(shù)及歸一化
目標(biāo)特征參數(shù)選取原則上應(yīng)當(dāng)盡可能典型和完備。本文側(cè)重于模型方法的驗證,選取載頻、重頻和脈寬三個典型特征來表征空中目標(biāo),作為目標(biāo)識別的特征參數(shù)[5-7]。由于不同輻射信號特征通常有不同量綱,需要對特征參數(shù)進(jìn)行歸一化,將數(shù)據(jù)映射到(0,1)區(qū)間。無源雷達(dá)目標(biāo)識別模型采用對數(shù)歸一化法。對數(shù)歸一化算法為[2]
(6)
式中,C=lnγ,γ為滿足αγ≥1的常數(shù)。對數(shù)中的常數(shù)γ是為保證小數(shù)據(jù)取對數(shù)后為正值。
3.2.3 網(wǎng)絡(luò)節(jié)點(diǎn)確定及模式定義
3層BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)包括:輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)。
1) 輸入層節(jié)點(diǎn)數(shù)確定
在目標(biāo)識別應(yīng)用中,神經(jīng)網(wǎng)絡(luò)輸入是未知信號特征向量,輸入層節(jié)點(diǎn)數(shù)對應(yīng)目標(biāo)特征參數(shù)的數(shù)量,因此,無源雷達(dá)目標(biāo)識別模型輸入節(jié)點(diǎn)數(shù)對以上特征參數(shù)數(shù)量,即為3。
2) 隱含層節(jié)點(diǎn)數(shù)確定
隱含層節(jié)點(diǎn)的作用是從樣本中提取并存儲內(nèi)在規(guī)律。隱含單元數(shù)目的選擇是一個相對較復(fù)雜的問題,它與輸入輸出單元的多少有直接的關(guān)系,太多太少都可能影響網(wǎng)絡(luò)的性能。本文提出的無源雷達(dá)目標(biāo)識別神經(jīng)模型,屬于支持模式分類的BP網(wǎng)絡(luò),隱含層節(jié)點(diǎn)數(shù)確定可以參照以下經(jīng)驗公式[8]:
(7)
式中,N為隱含層節(jié)點(diǎn)數(shù),ni為輸入節(jié)點(diǎn)數(shù),n0為輸出節(jié)點(diǎn)數(shù),a為1~10之間的常數(shù)。
利用上式進(jìn)行多次實(shí)驗,實(shí)驗結(jié)果如表1所示,選取實(shí)際均方誤差最小時的N作為隱含層數(shù)目。
表1 隱含層節(jié)點(diǎn)數(shù)對應(yīng)誤差
計算結(jié)果表明,當(dāng)隱含層數(shù)為8時,系統(tǒng)的均方誤差最小。因此,確定無源雷達(dá)目標(biāo)識別模型的隱含層數(shù)目為8。
3) 輸出層節(jié)點(diǎn)數(shù)確定
輸出層節(jié)點(diǎn)的數(shù)量取決于空中目標(biāo)類型的數(shù)量。無源雷達(dá)作戰(zhàn)對象可以分為戰(zhàn)斗機(jī)、預(yù)警機(jī)、偵察機(jī)和干擾機(jī)。進(jìn)行無源雷達(dá)的目標(biāo)類型識別時,輸出層節(jié)點(diǎn)個數(shù)由目標(biāo)所需分的類型數(shù)決定。具體的數(shù)學(xué)換算方法為:若設(shè)待分類模式的總數(shù)為m,則輸出層的節(jié)點(diǎn)數(shù)為log2m[1-2],因此,無源雷達(dá)目標(biāo)識別的BP模型的輸出節(jié)點(diǎn)數(shù)確定為2。
4) 目標(biāo)模式的定義
由于模型選擇S型激活函數(shù),其對應(yīng)的輸出結(jié)果限制在0到1之間,因此,分別用(0.2,0.2),(0.4,0.4),(0.6,0.6),(0.8,0.8)表示戰(zhàn)斗機(jī)、預(yù)警機(jī)、偵察機(jī)和干擾機(jī)[10-11],如表2所示。
表2 目標(biāo)類型及模式定義表
3.3.1 基于目標(biāo)數(shù)據(jù)庫的樣本訓(xùn)練
樣本訓(xùn)練的目的是得到成熟的神經(jīng)網(wǎng)絡(luò)模型。無源雷達(dá)目標(biāo)識別的樣本訓(xùn)練是從目標(biāo)數(shù)據(jù)庫提取樣本數(shù)據(jù),通過神經(jīng)網(wǎng)絡(luò)模型的樣本學(xué)習(xí),不斷調(diào)整網(wǎng)絡(luò)權(quán)值,使得輸出的期望誤差滿足要求,或者達(dá)到設(shè)定的訓(xùn)練次數(shù),則完成網(wǎng)絡(luò)訓(xùn)練,輸出相對成熟的網(wǎng)絡(luò)模型,用于樣本測試。網(wǎng)絡(luò)訓(xùn)練工作流程如圖4所示。
圖4 無源雷達(dá)目標(biāo)識別神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
3.3.2 樣本測試與目標(biāo)識別
樣本測試的目的是檢驗神經(jīng)網(wǎng)絡(luò)模型的性能,檢測通過的神經(jīng)網(wǎng)絡(luò)模型就可用于無源雷達(dá)目標(biāo)識別。神經(jīng)網(wǎng)絡(luò)的性能好壞主要看其是否具有很好的泛化能力,對泛化能力的測試應(yīng)該用訓(xùn)練數(shù)據(jù)之外的驗證集,這里可以用空情數(shù)據(jù)??涨閿?shù)據(jù)和部分?jǐn)?shù)據(jù)庫數(shù)據(jù)構(gòu)成測試樣本。來自數(shù)據(jù)庫的樣本用于模型測試,而空情數(shù)據(jù)則用于目標(biāo)識別。通過樣本測試得到的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù),或者說仿真結(jié)果數(shù)據(jù),與定義的目標(biāo)類型進(jìn)行模式匹配,匹配的結(jié)果就是目標(biāo)識別結(jié)果。目標(biāo)工作流程如圖5所示。
圖5 樣本測試及目標(biāo)識別過程示意圖
基于Matlab GUI和神經(jīng)網(wǎng)絡(luò)工具箱,設(shè)計了BP神經(jīng)網(wǎng)絡(luò)仿真實(shí)驗平臺,如圖6所示。
圖6 無源雷達(dá)BP神經(jīng)網(wǎng)絡(luò)仿真實(shí)驗平臺主界面
實(shí)驗參數(shù)配置包括網(wǎng)絡(luò)結(jié)果參數(shù)配置和網(wǎng)絡(luò)訓(xùn)練參數(shù)配置。依據(jù)以上所述的無源雷達(dá)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建及相關(guān)設(shè)計,仿真實(shí)驗參數(shù)配置如下:
1) 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置
無源雷達(dá)神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型,其隱含層神經(jīng)元個數(shù)為8,傳遞函數(shù)設(shè)置為S形函數(shù)(logsig),學(xué)習(xí)函數(shù)設(shè)置為梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)(traingdx)。
實(shí)驗參數(shù)配置如表3所示。
表3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置
2) 網(wǎng)絡(luò)訓(xùn)練參數(shù)配置
無源雷達(dá)目標(biāo)識別的訓(xùn)練參數(shù)配置方案如表4所示。
表4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)配置
取無源雷達(dá)的32組空中目標(biāo)數(shù)據(jù),4類目標(biāo)每類8組信號,利用對數(shù)歸一化法,對特征參數(shù)進(jìn)行歸一化,結(jié)果如表5所示。
將以上參數(shù)作為平臺外部導(dǎo)入數(shù)據(jù),用于開展仿真實(shí)驗。同時,為了驗證BP神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型的容錯性,另外設(shè)計一組擾動后的樣本數(shù)據(jù),用于開展無源雷達(dá)目標(biāo)識別擾動實(shí)驗。
表5 特征參數(shù)的歸一化結(jié)果
在無源雷達(dá)目標(biāo)識別時,將空情數(shù)據(jù)加入到測試樣本中,則輸出的仿真結(jié)果就是無源雷達(dá)的目標(biāo)識別結(jié)果。仿真完成后平臺輸出結(jié)果,并繪制10個樣本的測試誤差折線圖,如圖7所示。
圖7 測試誤差表現(xiàn)圖
樣本測試對一組樣本數(shù)據(jù)進(jìn)行了網(wǎng)絡(luò)預(yù)測,輸出一組結(jié)果數(shù)據(jù),如表6所示。
為了檢驗?zāi)P偷臄?shù)據(jù)容錯能力,對于測試集數(shù)據(jù)進(jìn)行一定程度的擾動,基于擾動后的數(shù)據(jù)開展容錯性檢驗實(shí)驗。擾動的位置是最后一個樣本。通過網(wǎng)絡(luò)訓(xùn)練和仿真測試,輸出仿真數(shù)據(jù)。最后一個樣本的仿真結(jié)果為(0.523 1,0.448 0),匹配模式為(0.4,0.4),識別結(jié)果為預(yù)警機(jī),與以上識別結(jié)果是完全一致的。
表6 測試集目標(biāo)識別結(jié)果
根據(jù)仿真結(jié)果分析,本文設(shè)計的神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型具有較好的自學(xué)習(xí)能力以及較強(qiáng)的容錯能力,將部分樣本數(shù)據(jù)改動后仍具有較強(qiáng)的穩(wěn)定性。如果提取更多的目標(biāo)信號數(shù)據(jù),擴(kuò)充實(shí)驗樣本的數(shù)量,識別效果會更好。
目標(biāo)識別是無源雷達(dá)的重要作戰(zhàn)任務(wù)之一?,F(xiàn)代信息戰(zhàn)場作戰(zhàn)態(tài)勢瞬息萬變,傳統(tǒng)的數(shù)據(jù)庫比對識別方法存在識別率低、容錯性不足等問題,已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足對高時效性的作戰(zhàn)指揮要求。本文針對無源雷達(dá)的智能目標(biāo)識別問題,構(gòu)建了一個BP神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型,具有識別效率高、識別容錯能力強(qiáng)的特點(diǎn),可有效克服傳統(tǒng)識別方法的不足,可用于支持無源雷達(dá)作戰(zhàn)性能提升。
本文的模型主要是針對目標(biāo)的類型識別,通過重新定義識別對象的模式表示方式,這種方法可以推廣到對目標(biāo)的機(jī)型識別,可見,該模型方法在無源雷達(dá)目標(biāo)識別中具有很好的推廣應(yīng)用價值。下一步的主要工作包括:無源雷達(dá)目標(biāo)識別的特征選取和優(yōu)化;無源雷達(dá)智能目標(biāo)識別算法庫建設(shè);無源雷達(dá)智能模型識別決策工具設(shè)計。