Elman神經(jīng)網(wǎng)絡(luò)在雷達信號檢測中的研究應(yīng)用

羌琦　張旭東　季輝

摘要：雷達目標信號檢測是雷達研究設(shè)計中的重要環(huán)節(jié)。本文在分析了傳統(tǒng)目標信號檢測技術(shù)的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)具有非線性和動態(tài)特性的特點，提出了一種基于Elman神經(jīng)網(wǎng)絡(luò)的信號檢測的仿真設(shè)計方法，最終得到自適應(yīng)性較強的Elman信號檢測網(wǎng)絡(luò)，完成對雷達目標信號的檢測。

Abstract： Radar target signal detection is an important part of radar research and design. In this paper， based on analysis of the tradition technology method of target signal detection and the fact that the artificial neural network has ability of non-linear， dynamic， a method for simulation and design of radar target signal detection based on Elman neural network is proposed. In the and， the adaptive strong Elman signal detecetin network is obtained which can accomplish radar target signal detection.

關(guān)鍵詞：Elman神經(jīng)網(wǎng)絡(luò);雷達;信號檢測;仿真

Key words： Elman neural network;radar;signal detection;simulation

中圖分類號：V44? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）28-0243-03

0? 引言

雷達信號檢測是指從回波、噪聲及其他干擾混雜在一起的信號中提取出有用的目標信號。典型的雷達采用建立在統(tǒng)計檢測理論基礎(chǔ)上的統(tǒng)計判斷方法，選用各類匹配濾波器、檢波器，放大器和檢測裝置等器件，最后通過各類顯示器來觀察和檢測雷達目標信號其基本框圖如圖1所示，D0為識別系數(shù)或檢測因子[1]。但是，由于受工作環(huán)境的溫度、氣壓和器件的性能因素的影響，很難快速而準確的發(fā)現(xiàn)并檢測出有用目標信號。

近年來，神經(jīng)網(wǎng)絡(luò)技術(shù)迅猛發(fā)展，其在信息處理和預(yù)測、機械工程、機器人技術(shù)、故障診斷系統(tǒng)、航天航空工業(yè)等領(lǐng)域的應(yīng)用受到了研究人員的廣泛關(guān)注[2]。本文利用人工神經(jīng)網(wǎng)絡(luò)具有良好的適應(yīng)性、非線性映射、魯棒性及學(xué)習(xí)能力等特點，然后基于MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進行程序編寫，設(shè)計建立一種具有三層網(wǎng)絡(luò)的Elman人工神經(jīng)網(wǎng)絡(luò)雷達信號檢測系統(tǒng)模型，通過學(xué)習(xí)和訓(xùn)練，不斷的對信號檢測網(wǎng)絡(luò)自由參數(shù)進行調(diào)整使其最優(yōu)化，最終使所建立的雷達信號檢測網(wǎng)絡(luò)輸出逼近所需要的目標信號[3]～[6]。

1? Elman人工神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)可以看作是一個具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)。在這種網(wǎng)絡(luò)中，除了普通的隱含層外，還有一個特別的隱含層，稱為關(guān)聯(lián)層（或聯(lián)系單元層）;該層從隱含層接收反饋信號，每一個隱含層節(jié)點都有一個與之對應(yīng)的關(guān)聯(lián)層節(jié)點連接。關(guān)聯(lián)層的作用是通過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當(dāng)前時刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入，相當(dāng)于狀態(tài)反饋。隱層的傳遞函數(shù)為某種非線性函數(shù)，輸出層為線性函數(shù)，關(guān)聯(lián)層也為線性函數(shù)[7]。

2? 基于Elman神經(jīng)網(wǎng)絡(luò)雷達信號檢測模型

2.1 模型建立

Elman 神經(jīng)網(wǎng)絡(luò)作為典型局部遞歸內(nèi)時延反饋型神經(jīng)網(wǎng)絡(luò)，除了輸入層、輸出層和隱層節(jié)點外，還有與隱層節(jié)點數(shù)相同的反饋層節(jié)點，其輸入是隱層節(jié)點輸出的一步延遲。建立一三層多節(jié)點、單輸出的Elman網(wǎng)絡(luò)，設(shè)網(wǎng)絡(luò)外部雷達輸入信號時間序列為u（t），反饋層輸出xc（t），最終輸出的目標信號為y（t），則該信號檢測網(wǎng)絡(luò)模型描述為：

照上述，所建立的雷達信號檢測網(wǎng)絡(luò)模型如圖2所示。

2.2 訓(xùn)練與仿真測試

為保證建立的信號檢測網(wǎng)絡(luò)可以恰當(dāng)?shù)孛枋鲚斎胄盘柵c輸出目標信號的函數(shù)關(guān)系，需要對模型網(wǎng)絡(luò)的輸入一系列回波信號樣本，使網(wǎng)絡(luò)樣本輸出信號與辨識輸出信號的均方誤差達到最小。網(wǎng)絡(luò)采用動態(tài)反向傳播學(xué)習(xí)算法[8]，對模型網(wǎng)絡(luò)進行訓(xùn)練。

訓(xùn)練的誤差性能曲線如圖3所示，當(dāng)?shù)竭_最大訓(xùn)練步長500時，其均方誤差mse=0.0186686。

2.2.1 簡單信號測試

上文已經(jīng)對建立好的網(wǎng)絡(luò)進行了簡單訓(xùn)練，為了檢驗?zāi)Ｐ途W(wǎng)絡(luò)訓(xùn)練情況，選用干凈、不含任何干擾的三角波、正弦波和矩形波3種調(diào)制信號形成的已調(diào)波形作為雷達輸入測試信號，對所設(shè)計的雷達信號檢測網(wǎng)絡(luò)進行仿真，結(jié)果如圖4所示。

從圖4中實線表示模型網(wǎng)絡(luò)輸出信號，虛線表示輸入的簡單調(diào)制的雷達信號。從仿真結(jié)果看，輸出信號和調(diào)制信號基本吻合，所以建立設(shè)計的網(wǎng)絡(luò)可以很好地完成不同調(diào)制信號、不同調(diào)幅度的峰值檢波，輸出波形中的紋波可以通過低通濾波器濾除。

2.2.2 復(fù)雜信號測試

選取需要檢測的目標信號幅度為1和2的正弦信號交替變化構(gòu)成，在MATLAB里可以通過如下語句生成：

然后利用這一輸入信號對網(wǎng)絡(luò)進行仿真，并繪出測試信號、目標輸出和網(wǎng)絡(luò)仿真輸出曲線。結(jié)果如圖5所示。

圖5中的虛線表示輸入的雷達測試信號、短畫線表示所希望達到的曲線和實線表示模型網(wǎng)絡(luò)實際檢測輸出的信號曲線。從圖中定額以看出模型網(wǎng)絡(luò)對復(fù)雜測試信號的檢測性能不及簡單信號，但可以較成功地實現(xiàn)信號檢測。出現(xiàn)圖5這種結(jié)果一是由于信號檢測網(wǎng)絡(luò)模型能存在需要改進之處;二是由于樣本訓(xùn)練程度需要提高，訓(xùn)練成功的網(wǎng)絡(luò)可以對任何一個在訓(xùn)練域內(nèi)的未曾見過的非樣本數(shù)據(jù)有正確的響應(yīng)。

3? 結(jié)束語

本文選用Elman神經(jīng)網(wǎng)絡(luò)，應(yīng)用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進行程序編寫，實現(xiàn)了基于Elman神經(jīng)網(wǎng)絡(luò)的雷達信號檢測網(wǎng)絡(luò)模型的設(shè)計仿真。仿真結(jié)果表明，在不事先不考慮噪聲干擾對系統(tǒng)影響的前提下，得到的網(wǎng)絡(luò)模型可以很好的檢測出一些簡單信號，在對復(fù)雜輸入信號進行檢測時，雖然其效果還是不能都達到期望值，但依然可以檢測出目標信號。

參考文獻：

[1]丁鷺飛，耿富錄，陳建春.雷達原理[M].北京：電子工業(yè)出版社，2009.

[2]榮輝，張濟世.人工神經(jīng)網(wǎng)絡(luò)及其現(xiàn)狀與展望[J].電子技術(shù)應(yīng)用，1995，10：24-27.

[3]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1996.

[4]Elman J L.Finding structure in time[J].Cognitive Science，1990（14）.

[5]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機械工業(yè)出版社，2007.

[6]Pham D T， Karaboga D.Training Elman and Jordan Networks for System Identification Using Genetic Algorithms[J]. Artificial Intelligence in Engineering， 1999，13：107-117.

[7]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.

[8]張德豐.神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：電子工業(yè)出版社，2009.