楊 潔, 褚書培
(西安郵電大學 通信與信息工程學院, 陜西 西安 710121)
通常雷達工作時會接收到各種回波信號,除了目標回波信號之外,還有遮蓋性干擾信號[1]。遮蓋性干擾信號會干擾雷達正常工作,遮蓋目標的真實回波信息,導致雷達難以檢測真實目標,破壞雷達效能[2-3]。排除遮蓋性干擾信號需要通過信號預處理和信號特征提取,使用分類器識別干擾信號的類型[4],根據干擾信號類型采用不同的抗干擾措施,使雷達能夠較為準確地確定目標信息[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[6](support vector machines, SVM)、統(tǒng)計判決樹[7]、逆云模型[8]、反向傳播(back propagation, BP)神經網絡[9]算法等分類器實現對遮蓋性干擾信號分類,但是,SVM方法需經過反復測試獲取最佳的核函數[10],測試過程較為復雜;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致對干擾信號的識別率不高;BP神經網絡算法,由于采用隨機初始化得到權值和閾值,會對訓練結果產生影響,導致BP神經網絡的穩(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確度,本文擬使用天牛須搜索算法來優(yōu)化BP神經網絡的初始權值、閾值[11],得到最優(yōu)的權值、閾值。將最優(yōu)權值、閾值分別應用到BP神經網絡模型[12]中,實現對雷達有源遮蓋性干擾信號的分類。
常見的雷達遮蓋性干擾信號有射頻噪聲、噪聲調幅和噪聲調頻3種干擾信號[13]。雷達遮蓋干擾信號的識別的原理如圖1所示。要實現對雷達遮蓋干擾信號的識別,先要對遮蓋干擾信號預處理,提取其特征參數,再利用類器對其進行分類識別處理。
圖1 遮蓋干擾信號識別原理
典型的BP神經網絡是一種由輸入層、隱含層和輸出層構成的3層前向反饋網絡。BP神經網絡利用輸出層產生的誤差估計出隱含層的誤差,根據隱含層誤差估計出輸入層誤差,利用各層之間的誤差來調整連接各層的權值、閾值重新計算誤差,直至更新到所設定的誤差精度或迭代次數。BP神經網絡常常用作數據的分類處理、聚類識別以及函數的逼近,本文將BP神經網絡作為分類器,利用不同干擾信號相關特征參數,對雷達有源遮蓋性干擾信號的分類處理。
天牛須搜索[14-15](beetle antennae search, BAS)算法是根據天牛覓食原理發(fā)展出的生物啟發(fā)式算法,使用該算法可以對目標函數進行尋優(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()為由隨機函數生成的隨機向量;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次迭代的位置坐標向量[9]分別為
(1)
其中:t=0,1,2,…,n為迭代次數;xt表示第t次迭代天牛的質心位置向量;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弱,決定天牛下一步移動方向,用適應度函數f(xL,t)和f(xR,t)更新天牛的位置。第t+1次天牛質心位置向量的迭代表達式[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;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弱的適應度函數。
使用天牛須搜索算法不需要知道待優(yōu)化函數形式以及梯度信息,就可以實現待對優(yōu)化函數的高效尋優(yōu)。本文將其應用于對BP神經網絡的初始權值、閾值優(yōu)化。
基于BAS-BP神經網絡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)權值、閾值來優(yōu)化BP神經網絡,利用優(yōu)化后的BP神經網絡識別遮蓋干擾信號。
2.1.1 確定更新步長
設BP神經網絡模型的輸入層、隱含層和輸出層結構為I-M-O,I、M和O分別表示輸入層、隱含層和輸出層神經元個數。輸入層與隱含層之間連接權值的個數為I×M,隱含層與輸出層之間連接權值的個數為M×O,隱含層各神經元的閾值個數為M,輸出層各神經元的閾值個數為O。由BP神經網絡輸入層、隱含層和輸出層直接的連接權值與各神經元的閾值構成一個k=IM+MO+M+O維空間向量。
對k維空間向量的BP神經網絡各層的權值、閾值歸一化為單位向量e后,確定權重和閾值的更新步長。令初始步長為μ0,則第t+1次步長迭代表達式[9]為
μt+1=μtη。
其中:迭代次數t=0,1,2,…,n;常數η為0.95[9]。
2.1.2 計算BP神經網絡的最優(yōu)權值和閾值
利用測試數據的均方誤差作為適應度函數,由最小的適應度函數值確定BP神經網絡的最優(yōu)權值和閾值。適應度函數[9]表達式為
(3)
其中:N為訓練樣本數;第i個樣本的神經網絡分類的輸出值為tsim(i),輸入值為yi。
取區(qū)間[-1,1]的隨機數作為初始權值、閾值,得到天牛初始空間坐標。
利用式(1)和式(3)分別更新天牛的左、右須的坐標,左、右須對應的適應度值。將左、右須對應的適應度值代入式(2)更新權值、閾值,得到天牛的空間坐標,再利用式(3)計算更新后的權值、閾值的適應度值,并與前一次迭代的適應度值比較。若小于前一次的適應度值,則進行更新。重復此過程,直至達到最大迭代次數或達到所設定的適應度值,停止迭代,輸出BP神經網絡的最優(yōu)權值和閾值。經反復實驗,確定最佳迭代次數為100,或適應度值為0.001時,停止迭代。
2.2.1 訓練BP神經網絡
將輸出的最優(yōu)權值、閾值分別賦值BP神經網絡作為初始權值、閾值。選取時域矩偏度和時域矩峰度[13]兩種特征參數提取遮蓋性干擾信號的特征值,訓練BP神經網絡,其流程如圖2所示。
圖2 訓練BP神經網絡流程
每種遮蓋干擾信號特征值產生一組數據,選取其中一部分數據作為訓練數據,其余數據作為測試數據。利用訓練數據對優(yōu)化后的BP神經網絡進行訓練,計算訓練過程中的BP神經網絡的全局誤差,并利用梯度下降法[13]更新網絡模型的權值、閾值,直至達到所設精度或者訓練上限次數為止,訓練出最佳的BP神經網絡模型。
2.2.2 遮蓋干擾信號類型識別
使用BP神經網絡對常見的雷達射頻噪聲、噪聲調幅和噪聲調頻3種遮蓋性干擾信號進行識別,其原理如圖3所示。
圖3 BP神經網絡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神經網絡模型的“子網絡1”的測試數據,若“子網絡1”輸出為“1”,則判斷遮蓋干擾類型為噪聲調幅干擾,停止判別;若子網絡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神經網絡模型“子網絡2”的測試數據,若“子網絡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;若子網絡2輸出的值為“0”,則判斷遮蓋干擾類型為噪聲調頻干擾,停止判別。
選取射頻噪聲干擾、噪聲調幅干擾和噪聲調頻干擾3種雷達有源遮蓋性干擾信號進行仿真。干擾信號的調制噪聲均值為0,方差為1,信號帶寬為10 MHz,噪聲調幅干擾的有效調制系數為0.2,噪聲調頻干擾的調頻斜率為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進行對干擾信號的特征值提取。
設定3種干擾信號,每種干擾信號產生800組數據,選取前500組數據作為訓練數據,后300組數據作為測試數據。選用輸入層有2個神經元,輸出層有3個神經元的BP神經網絡模型,經過反復試驗,得到最佳隱含層神經元數為8,采用BP神經網絡結構為2-8-3。設定k=51,初始搜索步長為50,迭代次數為100。
分別對BP神經網絡和BAS-BP神經網絡進行訓練,用均方誤差和平均絕對值誤差[13]作為神經網絡的評價指標。BP神經網絡與BAS-BP神經網絡訓練結果對比如表1所示??梢钥闯鯞AS-BP神經網絡的均方誤差和平均絕對值誤差均小于BP神經網絡的誤差,說明BAS-BP神經網絡方法訓練結果優(yōu)于BP神經網絡方法。
表1 BP神經網絡與BAS-BP神經網絡訓練結果對比
在不同干噪比條件下,分別使用BP神經網絡與BAS-BP神經網絡算法對3種遮蓋性干擾信號進行分類識別,仿真結果如圖4所示。
從圖4可以看出,在不同干噪比條件下,BAS-BP神經網絡和BP神經網絡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神經網絡比優(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神經網絡和BP神經網絡對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摃rBAS-BP神經網絡算法的正確識別率提升較高。當干噪比大于6 dB時,優(yōu)化后的神經網絡算法對噪聲調幅干擾信號正確識別率就能到達1,而未優(yōu)化的神經網絡算法在大于9dB時才達到1。
(a) BP神經網絡
(b) BAS-BP神經網絡
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度變大,BAS-BP神經網絡和BP神經網絡算法對遮蓋性干擾信號的分類效果越明顯。BAS-BP神經網絡的識別率明顯優(yōu)于BP神經網絡,這是由于采用BAS算法輸出的最優(yōu)權值、閾值,作為初始權值、閾值優(yōu)化了BP神經網絡,提高了其預測精度。
針對雷達遮蓋性干擾信號識別問題,提出了一種BAS-BP神經網絡算法。利用天牛須搜索算法對BP神經網絡的初始權值、閾值進行優(yōu)化,將優(yōu)化后的權值、閾值賦值給BP神經網絡,作為BP神經網絡的初始權值、閾值。選取時域矩偏度、時域矩峰度兩種特征參數提取遮蓋性干擾信號的特征值,利用優(yōu)化后的BP神經網絡算法識別雷達遮蓋性干擾信號。仿真結果表明,相比于BP神經網絡算法,BAS-BP神經網絡算法對雷達有源遮蓋性干擾信號的正確識別率較高。