基于等价型模糊神经网络电子对抗辐射源识别方法
【技术领域】
[0001] 本申请属于信号识别技术领域，特别是设及一种基于等价型模糊神经网络电子对 抗福射源识别方法。
【背景技术】
[0002] 随着军事科学技术的进步，现代化战场电子对抗越来越激烈，电磁信号环境也越 来越复杂，福射源密度成倍增加，同时对战场局势的决策和判断已成为高技术侦测装备的 较量，才能赢得更大的战争主动性。而军事雷达、无人机、军事卫星等侦察设备在侦测福射 源参数信息W及信息的特称的过程中，由于存在较大的偶然性，运就需要利用模糊技术。模 糊技术在处理那些精确度不是很有把握的信息时能够显示出巨大的优势，特别是在识别福 射源方面推广，运是符合技术发展历史趋势的必然选择。不过模糊性地推理只能够对等级 有限地进行获取，对于准确的识别率与识别精度大大得到了降低，如此导致模糊识别系统 对于本身的许多优势不能更好地体现。
【发明内容】
[0003] 本发明的目的在于提供一种基于等价型模糊神经网络电子对抗福射源识别方法， W克服现有技术中的不足。
[0004] 为实现上述目的，本发明提供如下技术方案： 本申请实施例公开了一种基于等价型模糊神经网络电子对抗福射源识别方法，包括： 步骤1，计算聚类中屯、Cj，j等于j = 1，2，· · ·，； 步骤2,计算基函数参数曰j; 步骤3,调整连接权值wij; 步骤4，符合终止的条件结束，否则返回步骤2。
[0005] 优选的，在上述的基于等价型模糊神经网络电子对抗福射源识别方法中，所述步 骤1包括： (1)、C期始化； (2 )、让任何的模式都根据最近的聚类中屯、进行分组，假设
将XI分配给，i = 1，2，3，…r，戈表的是在聚类中屯、进行聚集，c#4表示集合周围的 训练方式； (3) 、对聚类中屯、进行重新计算：
其中為代表之中元素的数值； (4) 、步骤1与步骤3进行重复，直至cj的聚类中屯、不发生任何变化。
[0006] 优选的，在上述的基于等价型模糊神经网络电子对抗福射源识别方法中，所述步 骤2中，
[0007] 优选的，在上述的基于等价型模糊神经网络电子对抗福射源识别方法中，所述步 骤3中，按式(4)更新权值：
其中，η为学习率，k为训练次数，yd和y分别为训练样本的实际输出与期望输出。
[0008] 与现有技术相比，本发明的优点在于:本发明算法提高了战场电子对抗福射源识 别的正确率和可靠性，大大地改善电子对抗系统中敌我设备电子性能。
【附图说明】
[0009] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可W根据运些附图获得其他的附图。
[0010] 图1所示为本发明具体实施例中基于等价型模糊神经网络电子对抗福射源识别方 法的流程图。
【具体实施方式】
[0011] 本案所要解决的技术问题是在错综复杂现代战场电子对抗过程中，通过多目标信 号处理技术，分类筛选可待识别的战场目标特征信号，建立起了多目标跟踪W及相应的福 射源识别样本。
[0012] 根据本案方法能够对于模糊神经网络进行等价式、自动学习等行为，就可W产生 隶属函数与模糊规则，在运些规则的基础上，模糊逻辑方向的推理则对于复杂性问题、非线 性问题进行解决。与模糊识别系统W及并联型模糊神经网络相比，具有更好的抗干扰能力。
[0013] 本按方法具有着很强的联想能力与适应能力，在进行识别之时，对于一些隐藏的 样本可进行联想、记忆从而具有了正确的输出对目标进行识别，能大大地改善系电子对抗 战争中的福射源识别的正确率和可靠性。
[0014] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细的描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施 例，都属于本发明保护的范围。
[0015] 对模糊神经网络的等价型现象依然是使用了 W下两个阶段的算法。在最开始的阶 段，对于中间层具有的一个中屯、位置C决定，然后了解宽度0^。使用了k-均值聚类计算的方 法，运是一种不需要监督的学习性质的算法，其具有良好的性能，并且能够广泛进行使用。 具体的计算方法表现如下： 步骤一:cj是聚类中屯、，然后进行初始化，j等于j = 1，2，…，； 步骤二:让任何的模式都根据最近的聚类中屯、进行分组，假设
将XI分配给θ^，θ^戈表的是在聚类中屯、进行聚集，c#4表示集合周围的训练方式 步骤Ξ:对聚类中屯、进行重新计算：
Mj代表0j之中元素的数值； 步骤四：便是对于步骤1与步骤3进行重复，等到C北勺聚类中屯、不发生任何变化，运样就 能够开始第二个阶段。
[0016] 在第二个阶段的过程中，中间层和输出层之间的权值，用LMS算法等来确定。两段 结束之后，还要对参数进行微调。
[0017] 步骤五:让输出层与中间层之间权值进行初始化，WU运样的权值最好就是用比较 小的随机数来设置； 步骤六:完成聚类算法之后，对于参数oj进行确定，确定好参数，其与每个中屯、的数据 分布具有一定的联系，代表着运样的一种测度，运样在确定的过程中可W使用很多方法，其 相当于训练模式与聚类中屯、的平均距离公式：
步骤屯:权值的更新，基函数参数确定后，按下式更新权值：
其中η为学习率，k为训练次数，k = 0，1，2，3，…100，yd和y分别为训练样本的实际输出 与期望输出 步骤八:假如符合终止的条件，就可W结束，不然，还要返回第六步。
[0018] 在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅 示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大 的其他细节。
[0019] 最后，还需要说明的是，术语"包括"、"包會'或者其任何其他变体意在涵盖非排他 性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且 还包括没有明确列出的其他要素，或者是还包括为运种过程、方法、物品或者设备所固有的 要素。
【主权项】
1. 一种基于等价型模糊神经网络电子对抗辐射源识别方法，其特征在于，包括： 步骤1，计算聚类中心Cj，j等于j = 1，2，…，； 步骤2,计算基函数参数 步骤3，调整连接权值wij; 步骤4，符合终止的条件结束，否则返回步骤2。2. 根据权利要求1所述的基于等价型模糊神经网络电子对抗辐射源识别方法，其特征 在于:所述步骤1包括： (1) 、Cj初始化； (2) 、让任何的模式都根据最近的聚类中心进行分组，假设将^分配给h，i = l，2,3,…Γ，θ」代表的是在聚类中心进行聚集，c#、lj表示集合周围的训 练方式； (3) 、对聚类中心进行重新计算： 其中為代表~之中元素的数{且；(4) 、步骤1与步骤3进行重复，直至的聚类中心不发生任何变化。3. 根据权利要求1所述的基于等价型模糊神经网络电子对抗辐射源识别方法，其特征 在于:所述步骤2中，4. 根据权利要求1所述的基于等价型模糊神经网络电子对抗辐射源识别方法，其特征 在于:所述步骤3中，按式(4)更新权值：其中，η为学习率，k为训练次数，yd和y分别为训练样本的实际输出与期望输出。
【专利摘要】本申请公开了一种基于等价型模糊神经网络电子对抗辐射源识别方法，包括：步骤1，计算聚类中心cj，j等于j＝1,2,…；步骤2，计算基函数参数σj；步骤3，调整连接权值wij；步骤4，符合终止的条件结束，否则返回步骤2。本发明算法提高了战场电子对抗辐射源识别的正确率和可靠性，大大地改善电子对抗系统中敌我设备电子性能。
【IPC分类】G06N3/08, G06K9/62
【公开号】CN105631484
【申请号】CN201610136614
【发明人】陆渊章
【申请人】江苏信息职业技术学院
【公开日】2016年6月1日
【申请日】2016年3月10日