摘 要：測(cè)速雷達(dá)信號(hào)識(shí)別是進(jìn)行輔助決策的關(guān)鍵。介紹一種在實(shí)際生活中有著廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型——BP網(wǎng)絡(luò)，通過對(duì)他的結(jié)構(gòu)及工作原理的分析，結(jié)合三類雷達(dá)測(cè)速信號(hào)的特征，歸納出一種基于BP網(wǎng)絡(luò)進(jìn)行雷達(dá)測(cè)速信號(hào)識(shí)別的方法，并且給出了仿真實(shí)例。實(shí)驗(yàn)結(jié)果表明，此方法能夠快速識(shí)別三類信號(hào)，具有識(shí)別率高的特點(diǎn)。



關(guān)鍵詞：BP網(wǎng)絡(luò);神經(jīng)網(wǎng)絡(luò);測(cè)速雷達(dá);信號(hào)識(shí)別

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1004-373X(2008)09-048-03

BP Network Recognition of Velocity Radar Signal



FAN Chuang，F(xiàn)ENG Dazheng

(National Key Lab of Radar Signal Processing，Institute of Electronic Engineering，Xidian University，Xi′an，710071，China)



Abstract：The recognition of velocity radar is critical to the assistant strategy.This paper introduces the neural network model——BP network，which is used widely in life.By analyzing its architecture and work principle，the method to recognize velocity radar signal is induced，simulating instances are also given.Experimental results verify this method is able to recognize three kinds of signals quickly and has the character of high recognition.



Keywords：BP network;neural network;velocity radar;signal recognition

1 引 言

近年來，人們對(duì)神經(jīng)網(wǎng)絡(luò)的研究已廣泛興起，神經(jīng)網(wǎng)絡(luò)在信號(hào)處理領(lǐng)域中的應(yīng)用極為引人注目。由于神經(jīng)網(wǎng)絡(luò)是根據(jù)現(xiàn)代神經(jīng)生理學(xué)和認(rèn)知科學(xué)對(duì)人類信息處理的研究成果提出來的。他是模擬人的大腦來實(shí)時(shí)地處理信息，因而具有很強(qiáng)的自適應(yīng)能力、容錯(cuò)能力和非線性并行處理能力，神經(jīng)網(wǎng)絡(luò)的這些特征^[1]為其應(yīng)用奠定了基礎(chǔ)。隨著神經(jīng)網(wǎng)絡(luò)本身的發(fā)展和完善，神經(jīng)網(wǎng)絡(luò)己應(yīng)用到信息處理的各個(gè)方面，如語音識(shí)別、圖像處理、信號(hào)的分類、自適應(yīng)均衡、自適應(yīng)噪聲對(duì)消、自適應(yīng)波束形成、自適應(yīng)編碼、非線性濾波、功率譜估計(jì)、信號(hào)重構(gòu)等，使信息處理帶上智能的特點(diǎn)。

目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和他的變化形式，他也是前向網(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。本文提出一種用BP(Back Propagation)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)雷達(dá)測(cè)速^[2]的三類信號(hào)進(jìn)行識(shí)別分類的算法。

2 BP網(wǎng)絡(luò)

(1) BP網(wǎng)絡(luò)模型結(jié)構(gòu)為多層網(wǎng)絡(luò)結(jié)構(gòu)，不僅有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，而且有一層或多層隱節(jié)點(diǎn)，如圖1所示。



圖1 BP網(wǎng)絡(luò)模型結(jié)構(gòu)

(2) BP網(wǎng)絡(luò)傳遞函數(shù)一般為(0，1)S型函數(shù)：



f(x)=11+e－x

(1)



(3) 誤差函數(shù):對(duì)第p個(gè)樣本的計(jì)算公式^[3]為：



Ep=∑t(tpt－Opt)22

(2)



其中，tpt，Opt分別為期望輸出和網(wǎng)絡(luò)的計(jì)算輸出。

3 信號(hào)的分析與處理

信號(hào)來自一部測(cè)速雷達(dá)獲得的三種目標(biāo)的回波信號(hào)，三種目標(biāo)分別是行人W、自行車B和卡車T，信號(hào)中包含目標(biāo)的速度信息。

根據(jù)獲得的三類信號(hào)的樣本，每個(gè)樣本中均包含1 024個(gè)數(shù)據(jù)，由于每一個(gè)樣本的數(shù)據(jù)量較大，不可能將所有1 024個(gè)數(shù)據(jù)全都作為神經(jīng)元的輸入，計(jì)算量太大，所以必須首先對(duì)信號(hào)進(jìn)行分析，提取最有價(jià)值的特征信息。

首先可以看看每一個(gè)樣本中的數(shù)據(jù)圖，以行人信號(hào)中的第一個(gè)樣本為例，如圖2所示。

圖2 行人的數(shù)據(jù)圖

從圖2的時(shí)域數(shù)據(jù)基本上觀察不出規(guī)律，因此要對(duì)數(shù)據(jù)進(jìn)行傅里葉變換，從頻域分析數(shù)據(jù)的特征。頻域分析表明，行人的數(shù)據(jù)的頻譜的幅度很小，原因是因?yàn)樾盘?hào)在零點(diǎn)處的值特別大，所以要將在零點(diǎn)處的值去掉，得到的數(shù)據(jù)如圖3所示。

圖3 行人數(shù)據(jù)去零點(diǎn)后頻譜圖

這時(shí)可以觀察到信號(hào)的一些特征，從圖中發(fā)現(xiàn)信號(hào)的頻譜圖是基本對(duì)稱分布的，而且信號(hào)的峰值也很大，可以對(duì)他首先進(jìn)行歸一化，如圖4所示。

圖4 行人數(shù)據(jù)歸一化后的頻譜圖

圖5 行人數(shù)據(jù)取絕對(duì)值后的頻譜圖

同時(shí)將自行車和卡車的頻譜圖來做比較，可以觀察到信號(hào)都有明顯的峰值，但是出現(xiàn)的位置不同，另外，信號(hào)的均值和方差明顯不同。但是考慮到雷達(dá)所測(cè)數(shù)據(jù)中，會(huì)有一些速度反常規(guī)的游離數(shù)據(jù)，所以考慮采用受游離數(shù)據(jù)影響小的平均絕對(duì)值偏差來代替樣本方差作為輸入特征。同時(shí)，以數(shù)據(jù)的樣本中位數(shù)作為輸入特征來減少游離數(shù)據(jù)的影響。根據(jù)這些特征進(jìn)行提取來作為輸入。

4 信號(hào)特征提取

(1) 取信號(hào)歸一化后的均值作為一個(gè)特征量。

(2) 取信號(hào)歸一化后的平均絕對(duì)值偏差作為一個(gè)特征量。

(3) 取信號(hào)歸一化后的樣本中位數(shù)作為一個(gè)特征量。

(4) 由三幅圖的比較可以發(fā)現(xiàn)，信號(hào)的每?jī)牲c(diǎn)之間的起伏程度也不盡相同，所以可以設(shè)定一個(gè)特征量，來記錄信號(hào)兩點(diǎn)間的起伏程度的大小。

(5) 信號(hào)在經(jīng)過歸一化后，可以將信號(hào)全部的值加起來，用這個(gè)總的值來作為一個(gè)特征量。

除了上述的特征，還有很多特征可以提取，但是特征越多，需要的輸入神經(jīng)元越多，依照隱層神經(jīng)元約為輸入神經(jīng)元的兩倍的原則，隱層的神經(jīng)元也將越多，則網(wǎng)絡(luò)訓(xùn)練的時(shí)間將花費(fèi)很大。所以，本仿真實(shí)驗(yàn)只提取了上述特征中的(1)，(2)，(3)，其流程如圖6所示。

圖6 信號(hào)特征提取流程

5 算法與實(shí)現(xiàn)

根據(jù)提取的特征的維數(shù)，來決定輸入神經(jīng)元的個(gè)數(shù)。因?yàn)樘崛〉?個(gè)特征的維數(shù)分別為8，1和1，所以輸入神經(jīng)元的個(gè)數(shù)為10。輸出神經(jīng)元的個(gè)數(shù)定為3個(gè)，考慮到被識(shí)別的三種信號(hào)分別對(duì)應(yīng)三個(gè)輸出，雖然用兩個(gè)神經(jīng)元就可以表示三種輸出狀態(tài)，但是用三個(gè)神經(jīng)元能更好地分辨，減少出錯(cuò)的概率。至于隱層的神經(jīng)元個(gè)數(shù)則按照約為輸入神經(jīng)元個(gè)數(shù)的兩倍的原則^[4]，設(shè)為20個(gè)。當(dāng)然還可以在調(diào)試過程中根據(jù)輸出的識(shí)別率來一個(gè)一個(gè)找到較為合適的個(gè)數(shù)。

由BP算法非線性函數(shù)S型函數(shù)為:

采用梯度下降法^[5]對(duì)權(quán)值進(jìn)行調(diào)整，對(duì)于輸出層與隱層間的權(quán)值以及閾值調(diào)整量為：



ΔWpkj=η(ypk－dpk)f′(netpk)#8226;Opj=η σpkOpj

(11)

Δθpk=η σpk

BP網(wǎng)絡(luò)的識(shí)別流程如圖7所示。

圖7 BP網(wǎng)絡(luò)的識(shí)別流程

均方誤差E的收斂情況是反映神經(jīng)網(wǎng)絡(luò)性能的一個(gè)重要標(biāo)準(zhǔn)。如果E值出現(xiàn)振蕩，那么就要調(diào)整學(xué)習(xí)速率η的值，或者重新設(shè)置初值，直到E的值連續(xù)單調(diào)遞減為止。在剛開始調(diào)試程序的時(shí)候，E的收斂速度很慢，在改變了學(xué)習(xí)速率后，收斂速度明顯加快，并且未出現(xiàn)震蕩。如圖8為E值的收斂圖，最后穩(wěn)定在10左右，迭代次數(shù)設(shè)定為2 000，但基本上在1 000以后變化就很小了。

圖8 均方誤差E收斂圖

6 結(jié) 語

仿真實(shí)驗(yàn)所得結(jié)果如表1所示。

表1 仿真結(jié)果

類別行人自行車卡車

識(shí)別率89%57%94%



在識(shí)別的過程當(dāng)中，卡車和行人的識(shí)別率一直都比較高，自行車的識(shí)別率較低，究其原因是因?yàn)樽孕熊嚨乃俣扔械暮托腥私咏?，有的又和卡車接近，介于卡車和自行車之間，容易出現(xiàn)交疊現(xiàn)象。這就導(dǎo)致了自行車的數(shù)據(jù)有一部分被識(shí)別為行人，有一部分被識(shí)別為卡車，所以自行車的識(shí)別率相對(duì)于行人和卡車來說低一些。

所以要想進(jìn)一步提高識(shí)別率的話，必須對(duì)三類數(shù)據(jù)進(jìn)行深入的分析，針對(duì)自行車信號(hào)頻譜的特點(diǎn)來更多地尋找一些區(qū)別于行人和卡車的有效的特征值，這樣才能將識(shí)別率提高到一個(gè)較高的水平。

參 考 文 獻(xiàn)

［1］Hampshire J，Waibel A.A Novel Objective Function for Improved Phone Recognition Using BP Neural Network［J］.IEEE Trans.Neural Networks，1990，1(2):216-228.



［2］White H.Commentionist Nonparametric Regression Multilayer Feedforward Networks Can Learn Arbitrary Mapping ［J］.Neural Networks，1990，(3):47-51.



［3］楊建剛.人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程［M］.杭州：浙江大學(xué)出版社，2001.



［4］胡伍生，沙月進(jìn).神經(jīng)網(wǎng)絡(luò)BP 算法的誤差分級(jí)迭代法\\[J\\].東南大學(xué)學(xué)報(bào):自然科學(xué)版，2003，33(3):376-378.



［5］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.



作者簡(jiǎn)介 樊 闖 男，1979年出生，西安電子科技大學(xué)電子工程研究所碩士研究生。研究方向?yàn)樯窠?jīng)網(wǎng)絡(luò)、信號(hào)與信息處理。

馮大政 男，現(xiàn)任西安電子科技大學(xué)教授、博士生導(dǎo)師、學(xué)科帶頭人。目前主要從事盲源分離、盲均衡、神經(jīng)網(wǎng)絡(luò)理論和雷達(dá)理論等領(lǐng)域的研究。

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。