CN112070357A - 一种基于改进bp神经网络的雷达辐射源威胁评估方法 - Google Patents

一种基于改进bp神经网络的雷达辐射源威胁评估方法 Download PDF

Info

Publication number
CN112070357A
CN112070357A CN202010799591.9A CN202010799591A CN112070357A CN 112070357 A CN112070357 A CN 112070357A CN 202010799591 A CN202010799591 A CN 202010799591A CN 112070357 A CN112070357 A CN 112070357A
Authority
CN
China
Prior art keywords
radiation source
threat
radar radiation
neural network
following formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010799591.9A
Other languages
English (en)
Inventor
应涛
王雪宝
许博
周成
侯小阳
马丛珊
张贝贝
高斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202010799591.9A priority Critical patent/CN112070357A/zh
Publication of CN112070357A publication Critical patent/CN112070357A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种基于改进BP神经网络的雷达辐射源威胁评估方法，包括如下步骤：1.构建雷达辐射源威胁评估模型，确定雷达辐射源威胁因素；2.利用层次分析法和熵权法构建新的雷达辐射源威胁因素的权值评估模型；3.建立各威胁的隶属度函数；4.计算雷达辐射源威胁值；5.通过改进BP神经网络实现提高评估雷达辐射源威胁的准确率。本发明利用之前的评估模式得出的数据与利用经验值隐含层神经元网络训练相对比得出最优的隐含层神经元，以提高雷达辐射源威胁评估性能。

Description

一种基于改进BP神经网络的雷达辐射源威胁评估方法
技术领域
本发明涉及电子对抗技术领域，具体是一种基于改进BP神经网 络的雷达辐射源威胁评估方法。
背景技术
判断一个雷达辐射源对我方的威胁有多大，须考虑载频、脉冲重 频、平台速度、平台距离、目标类型、等等许多因素。面对日益复杂 的电磁环境和日新月异的电磁威胁，很难实现对战场雷达辐射源威胁 的有效评估。
现阶段对于指标权重的的方法大多是从单一方面，要么是信息熵 客观，要么是人为主观判断这些因素对威胁等级的影响，构建的评估 模型也有一定的局限性，难以提升整个评估性能。
采用主观客观相结合的方式来对雷达辐射源威胁度进行评估，利 用人为主观认为较为重要的指标对辐射源威胁的影响，同时充分利用 雷达辐射源的各个指标数据信息，通过这种方式得到的评估模型具有 更好的代表性。
现有的BP神经网络中隐含层神经元的个数，基本上是靠经验值 来确定，隐含层神经元个数影响BP神经网络的结构，BP神经网络 的结构对整个网络训练的效果又存在很大影响，而现有技术未给出隐 含层神经元个数有效且准确地确定方法。
发明内容
针对现有雷达辐射源威胁评估方法的不足，本发明提出了一种基 于改进BP神经网络的雷达辐射源威胁评估方法，利用之前的评估模 式得出的数据与利用经验值隐含层神经元网络训练相对比得出最优 的隐含层神经元，以提高雷达辐射源威胁评估性能。
本发明的采用的技术方案是：通过对雷达辐射源威胁因素的重新 归纳，构建新的雷达辐射源威胁值评估模型，利用改进的BP神经网 络实现对雷达辐射源威胁等级的评估，以提高威胁评估的准确度。其 实现步骤包括如下：
一种基于改进BP神经网络的雷达辐射源威胁评估方法，包括如 下步骤：
(1)构建雷达辐射源威胁值评估模型，确定雷达辐射源威胁因 素；
(2)利用层次分析法和熵权法构建雷达辐射源威胁因素的权值 评估模型，得到权值矩阵W；
(3)建立各威胁的隶属度函数，得到模糊综合评价矩阵R；
(4)利用步骤(2)层次分析法和熵权法得到的权值矩阵W， 以及步骤(3)基于隶属度函数得到的模糊综合评价矩阵R，计算雷 达辐射源的威胁值B，并将模糊综合评价矩阵R和威胁值B作为BP 神经网络的输入向量和标签；
(5)通过改进BP神经网络实现提高评估雷达辐射源威胁值的 准确率：利用经验值确定隐含层神经元个数的范围，利用每一个隐含 层神经元进行评估，比较每一个输出与基准值的误差，误差最小所对 应隐含层神经元个数，即为最优的个数。
进一步的，所述雷达辐射源威胁值评估模型从雷达辐射源及平台 类型、运动要素、辐射源参数及工作模式3个方面构建两级雷达辐射 源威胁评估体系，包括辐射源类型、平台类型、速度、相对距离、运 动方向、脉冲重复频率、载频、脉宽、工作模式。
进一步的，步骤(2)包括：
(2a)构造各层次判断矩阵,采用1-9标度理论，对同层因素两两 比较建立判断矩阵；
(2b)对辐射源类型和平台类型两两比较得到矩阵A1：
Figure BDA0002626896720000021
(2c)对速度、相对距离、运动方向两两比较得到矩阵A2：
Figure BDA0002626896720000031
(2d)对脉冲重复频率、载频、脉宽、工作模式进行两两比较得到 矩阵A3：
Figure BDA0002626896720000032
(2e)对一级指标辐射源类型、运动要素、辐射源参数及工作模 式进行比较，得到判断矩阵A4：
Figure BDA0002626896720000033
(2f)用一致性指标CI来判断成对比较矩阵的不一致程度:
CI＝(λ-n)/(n-1)；其中，λ为成对比较矩阵A的最大特征根， 当CI＝0时，A满足一致性；CI越大，A的不一致性越高；
(2g)引入随机一致性指标RI，随机构造某阶数的正互反阵A'， 并计算其一致性指标CI，作为一个样本，在大量样本的基础上，取 平均值作为该阶矩阵的随机一致性指标；
(2h)根据下式计算各指标相对权重向量为：
W＝(w1,w2,…,wn)T
其中，
Figure BDA0002626896720000034
pij为第j个指标下第i个项目的指 标值的比重；
(2j)利用熵权法计算权重；
(2k)根据下式计算第j个指标下第i个项目的指标值的比重pij：
Figure BDA0002626896720000041
(2l)根据下式计算第j个指标的熵值ej：
Figure BDA0002626896720000042
其中，k＝1/lnm；
(2m)根据下式计算第j个指标的熵权wj：
Figure BDA0002626896720000043
(2n)根据下式确定指标的综合权数：
Figure BDA0002626896720000044
其中，αj(j＝1,2,…,n)为评估者根据自己得目的和要求将指标 重要性得权重；
(2o)根据下式确定综合确定权重值：
Figure BDA0002626896720000045
其中，w1i为层次分析法得到的权重，w2i为熵权法得到的权重， 权值矩阵W＝[W1 W2… Wi](i＝1,2,3，…,m)。
进一步的，步骤(3)包括：
(3a)根据下式选取辐射源类型的隶属度函数：
Figure BDA0002626896720000051
(3b)根据下式选取平台类型威胁隶属度函数：
Figure BDA0002626896720000052
(3c)根据下式选取速度威胁隶属度函数：
Figure BDA0002626896720000053
(3d)根据下式选取相对距离威胁隶属度函数：
Figure BDA0002626896720000054
(3e)根据下式选取运动方向威胁隶属度函数：
Figure BDA0002626896720000055
(3f)根据下式选取脉冲重复频率威胁隶属度函数：
Figure BDA0002626896720000061
(3g)根据下式选取载频威胁隶属度函数：
Figure BDA0002626896720000062
(3h)根据下式选取脉宽威胁隶属度函数：
Figure BDA0002626896720000063
(3i)根据下式选取工作模式威胁隶属度函数：
Figure BDA0002626896720000064
进一步的，步骤(5)包括：
(5a)参考经验公式确定隐含层的基本范围，再根据确定的输入层、 输出层、隐含层的神经元数构建起风险评估模型，其构造为t-s-u；
(5b)设定不同的BP神经网络隐含层神经元数目s(4≤s≤13)，计 算不同s条件下输入辐射源原始数据得到输出向量，并与步骤(4)中的 B相比较，找出差值范数最小时对应的s作为BP神经网络的隐含层 神经元数目。
本发明利用层次分析法和熵权法提出新的雷达辐射源威胁因素 的权值评估模型，并建立各威胁的隶属度函数，进而得出更具有代表 性的雷达辐射源威胁值，通过改进BP神经网络与前者相结合实现对 雷达辐射源更加准确的威胁评估，其具有以下优点：
(1)本发明由于在考虑威胁因素时更加全面，且在计算威胁因 素的权值时同时利用层次分析法和熵权法，其权值评估结果更加贴近 实际，从而得到的雷达辐射源的威胁评估值更加准确；
(2)本发明由于对BP神经网络加以改进，使BP隐藏层的节点 数更适合雷达辐射源的威胁评估数据值训练，因此最终得到的雷达辐 射源威胁等级评估也更加准确。
附图说明
图1是本发明基于改进BP神经网络的雷达辐射源威胁评估方法 的流程图；
图2是本发明雷达辐射源威胁因素示意图；
图3是本发明神经网络结构示意图；
图4为本发明改进BP神经网络寻找最优隐含层神经元数目流程 图；
图5是本发明神经网络输出的威胁值与综合雷达辐射源威胁值 比较误差随BP网络节点的变化；
图6是本发明改进BP网络前后与综合评估对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、 完整地描述，显然，所描述的实施例是本发明的一部分实施例，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。
如图1所示，本发明实施例提供一种基于改进BP神经网络的雷 达辐射源威胁评估方法，包括如下步骤：
(1)构建雷达辐射源威胁值评估模型，确定雷达辐射源威胁因 素。
具体的，所述雷达辐射源威胁值评估模型由以下2个因素构成： 雷达辐射源威胁因素的权值和雷达辐射源威胁因素的隶属度函数。
将各个威胁因素对威胁等级权值构成的权值向量记为 w＝[w1,w2,…,wn]，且满足
Figure BDA0002626896720000081
雷达辐射源威胁因素的隶属度函数反映了各因素对威胁程度分 析的影响程度，威胁因素的隶属度函数形成了威胁隶属度向量 F＝[F1,F2,…,Fn]，n为隶属度函数的种类。
本发明实施例全方位考虑威胁因素，从雷达辐射源及平台类型、 运动要素、辐射源参数及工作模式3个方面构建了全新的两级雷达辐 射源威胁评估体系，主要包括辐射源类型、平台类型、速度、相对距 离、运动方向、脉冲重复频率、载频、脉宽、工作模式，如图2所示。
雷达辐射源威胁值的计算公式如下：
Figure BDA0002626896720000082
其中，xi为威胁因素种类。
(2)利用层次分析法和熵权法构建雷达辐射源威胁因素的权值 评估模型，得到权值矩阵W，具体步骤如下：
(2a)构造各层次判断矩阵,采用1-9标度理论，对同层因素两两 比较建立判断矩阵；
(2b)对辐射源类型和平台类型两两比较得到矩阵A1：
Figure BDA0002626896720000083
(2c)对速度、相对距离、运动方向两两比较得到矩阵A2：
Figure BDA0002626896720000084
(2d)对脉冲重复频率、载频、脉宽、工作模式进行两两比较得到 矩阵A3：
Figure BDA0002626896720000091
(2e)对一级指标辐射源类型、运动要素、辐射源参数及工作模 式进行比较，得到判断矩阵A4：
Figure BDA0002626896720000092
(2f)用一致性指标CI来判断成对比较矩阵的不一致程度:
CI＝(λ-n)/(n-1)；其中，λ为成对比较矩阵A的最大特征根， 当CI＝0时，A满足一致性；CI越大，A的不一致性越高；
(2g)引入随机一致性指标RI，随机构造某阶数的正互反阵A'， 并计算其一致性指标CI，作为一个样本，在大量样本的基础上，取 平均值作为该阶矩阵的随机一致性指标；
(2h)根据下式计算各指标相对权重向量为：
W＝(w1,w2,…,wn)T
其中，
Figure BDA0002626896720000093
pij为第j个指标下第i个项目的指 标值的比重；
(2j)利用熵权法计算权重；
(2k)根据下式计算第j个指标下第i个项目的指标值的比重pij：
Figure BDA0002626896720000094
(2l)根据下式计算第j个指标的熵值ej：
Figure BDA0002626896720000095
其中，k＝1/lnm；
(2m)根据下式计算第j个指标的熵权wj：
Figure BDA0002626896720000101
(2n)根据下式确定指标的综合权数：
Figure BDA0002626896720000102
其中，αj(j＝1,2,…,n)为评估者根据自己得目的和要求将指标 重要性得权重；
(2o)根据下式确定综合确定权重值：
Figure BDA0002626896720000103
其中，w1i为层次分析法得到的权重，w2i为熵权法得到的权重， 权值矩阵W＝[W1 W2… Wi](i＝1,2,3，…,m)。
(3)建立各威胁的隶属度函数，得到模糊综合评价矩阵R；具 体步骤如下：
(3a)根据下式选取辐射源类型的隶属度函数：
Figure BDA0002626896720000104
(3b)根据下式选取平台类型威胁隶属度函数：
Figure BDA0002626896720000111
(3c)根据下式选取速度威胁隶属度函数：
Figure BDA0002626896720000112
(3d)根据下式选取相对距离威胁隶属度函数：
Figure BDA0002626896720000113
(3e)根据下式选取运动方向威胁隶属度函数：
Figure BDA0002626896720000114
(3f)根据下式选取脉冲重复频率威胁隶属度函数：
Figure BDA0002626896720000115
(3g)根据下式选取载频威胁隶属度函数：
Figure BDA0002626896720000121
(3h)根据下式选取脉宽威胁隶属度函数：
Figure BDA0002626896720000122
(3i)根据下式选取工作模式威胁隶属度函数：
Figure BDA0002626896720000123
(4)利用步骤(2)层次分析法和熵权法得到的权值矩阵W， 以及步骤(3)基于隶属度函数得到的模糊综合评价矩阵R，计算雷 达辐射源的威胁值B，并将模糊综合评价矩阵R和威胁值B作为BP 神经网络的输入向量和标签。具体步骤如下：
首先，根据不同威胁因素的隶属度函数将各威胁因素数值归一化， 作为表征不同雷达辐射源威胁的向量，得到模糊综合评价向量R；
其次，确定某部雷达的模糊一级综合评价Bi＝Wi T*Ri，其中，Wi T为层次分析法和熵权法得到的权值矩阵；
最后，由评价向量R和综合评价B作为BP神经网络的输入向量 和训练标签。
(5)通过改进BP神经网络实现提高评估雷达辐射源威胁值的 准确率：利用经验值确定隐含层神经元个数的范围，利用每一个隐含 层神经元进行评估，比较每一个输出与基准值的误差，误差最小所对 应隐含层神经元个数，即为最优的个数。具体步骤如下：
(5a)参考经验公式确定隐含层的基本范围，再根据确定的输入层、 输出层、隐含层的神经元数构建起风险评估模型，其构造为t-s-u；
(5b)设定不同的BP神经网络隐含层神经元数目s(4≤s≤13)，计 算不同s条件下输入辐射源原始数据得到输出向量，并与步骤(4)中的 B相比较，找出差值范数最小时对应的s作为BP神经网络的隐含层 神经元数目，流程如图4所示；
(5c)以训练样本数据对BP进行训练。在训练过程中对模型进行 函数和参数的设置，隐含层转移函数可采用tansig，输出层转移函数 可采用purelin，训练函数直接用trainlm，学习函数可采用learngdm。 设置学习率、模型的最大训练次数epochs和目标精度goal的参数； 具体参数如表1所示。
表1 BP神经网络关键参数设置
Figure BDA0002626896720000131
(5d)用完成训练的神经网络对采集好的数据进行测试，并将输 出结果与之前的期望结果相比较，两者之间的一致性越高，说明神经 网络预测的准确性越好。
本发明的效果可通过以下实验进一步说明：
1)实验条件：
实验环境：Intel Core i7CPU 2.00Ghz，16GB内存，Windows系 统，Matlab。
2)实验内容与结果：
实验1：BP神经网络的输入数据的生成，结果见表2和表3.
表2辐射源原始数据
雷达参数 辐射源1 辐射源2 辐射源3 辐射源4 辐射源5
辐射源类型 1 1 0.5 0.5 0.1
平台类型 1 0.9 0.9 0.7 0.5
速度 3 2 0.0294 0.6 0.02
相对距离 3 20 80 70 150
运动方向 0 10 6-60 60 140
脉冲重复频率 2 1 0.6 0.9 0.2
载频 10 3 0.5 4 0.3
脉宽 1 3 3 2.5 9
工作模式 1 0.8 0.8 0.8 0.2
表3量化后的数据
Figure BDA0002626896720000141
如表2和表3所示，本发明将参考雷达辐射源实测数据，基于专 家经验，利用基于层次分析法和熵权法的模糊综合评估方法，模拟产 生训练测试数据集，用于基于神经网络的雷达辐射源威胁评估方法研 究。
实验2：BP神经网络不同隐藏层节点数对威胁值估计的影响， 结果见图5。
通过图5所示误差比较，能看出当神经元个数为8的时候此时 BP神经网络的评估值与综合雷达辐射源威胁值评估的误差值最小， 说明当神经元个数为8的时候，此时网络的预测效果是最好的，即能 确定BP神经网络的网络结构为9-8-1。
实验3：BP神经网络改进前后对威胁值估计的影响，结果见图6。
仿真实验中，隐含层神经元为4～13，对每一个隐含层神经元所 对应的神经网络分别运行100次，计算辐射源威胁值的平均值，利用 隐含层神经元数为7得到BP神经网络的输出威胁值。利用本发明改 进后的神经网络结构9-8-1，运行100次得到改进后的BP神经网络的 辐射源威胁值，将两种方法的辐射源威胁值与综合评估的威胁值进行 比较。
通过威胁值对表可以看出改进后的BP神经网络的输出威胁值更 加接近与综合评估的威胁值，通过改进前后的对比图看出改进的BP 神经网络输出折线离综合评估折线越近，综合以上仿真实验内容，得 出改进BP神经网络的雷达辐射源威评估对比现有BP神经网络威胁 评估更加准确和有效。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而 非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属 领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进 行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于改进BP神经网络的雷达辐射源威胁评估方法，其特征包括如下步骤：
(1)构建雷达辐射源威胁值评估模型，确定雷达辐射源威胁因素；
(2)利用层次分析法和熵权法构建雷达辐射源威胁因素的权值评估模型，得到权值矩阵W；
(3)建立各威胁的隶属度函数，得到模糊综合评价矩阵R；
(4)利用步骤(2)层次分析法和熵权法得到的权值矩阵W，以及步骤(3)基于隶属度函数得到的模糊综合评价矩阵R，计算雷达辐射源的威胁值B，并将模糊综合评价矩阵R和威胁值B作为BP神经网络的输入向量和标签；
(5)通过改进BP神经网络实现提高评估雷达辐射源威胁值的准确率：利用经验值确定隐含层神经元个数的范围，利用每一个隐含层神经元进行评估，比较每一个输出与基准值的误差，误差最小所对应隐含层神经元个数，即为最优的个数。
2.如权利要求1所述的基于改进BP神经网络的雷达辐射源威胁评估方法，其特征在于：所述雷达辐射源威胁值评估模型从雷达辐射源及平台类型、运动要素、辐射源参数及工作模式3个方面构建两级雷达辐射源威胁评估体系，包括辐射源类型、平台类型、速度、相对距离、运动方向、脉冲重复频率、载频、脉宽、工作模式。
3.如权利要求1所述的基于改进BP神经网络的雷达辐射源威胁评估方法，其特征在于：步骤(2)包括：
(2a)构造各层次判断矩阵,采用1-9标度理论，对同层因素两两比较建立判断矩阵；
(2b)对辐射源类型和平台类型两两比较得到矩阵A1：
Figure FDA0002626896710000011
(2c)对速度、相对距离、运动方向两两比较得到矩阵A2：
Figure FDA0002626896710000021
(2d)对脉冲重复频率、载频、脉宽、工作模式进行两两比较得到矩阵A3：
Figure FDA0002626896710000022
(2e)对一级指标辐射源类型、运动要素、辐射源参数及工作模式进行比较，得到判断矩阵A4：
Figure FDA0002626896710000023
(2f)用一致性指标CI来判断成对比较矩阵的不一致程度:
CI＝(λ-n)/(n-1)；其中，λ为成对比较矩阵A的最大特征根，当CI＝0时，A满足一致性；CI越大，A的不一致性越高；
(2g)引入随机一致性指标RI，随机构造某阶数的正互反阵A'，并计算其一致性指标CI，作为一个样本，在大量样本的基础上，取平均值作为该阶矩阵的随机一致性指标；
(2h)根据下式计算各指标相对权重向量为：
W＝(w1,w2,…,wn)T
其中，
Figure FDA0002626896710000024
pij为第j个指标下第i个项目的指标值的比重；
(2j)利用熵权法计算权重；
(2k)根据下式计算第j个指标下第i个项目的指标值的比重pij：
Figure FDA0002626896710000031
(2l)根据下式计算第j个指标的熵值ej：
Figure FDA0002626896710000032
其中，k＝1/lnm；
(2m)根据下式计算第j个指标的熵权wj：
Figure FDA0002626896710000033
(2n)根据下式确定指标的综合权数：
Figure FDA0002626896710000034
其中，αj(j＝1,2,…,n)为评估者根据自己得目的和要求将指标重要性得权重；
(2o)根据下式确定综合确定权重值：
Figure FDA0002626896710000035
其中，w1i为层次分析法得到的权重，w2i为熵权法得到的权重，权值矩阵
Figure FDA0002626896710000036
4.如权利要求1所述的基于改进BP神经网络的雷达辐射源威胁评估方法，其特征在于：步骤(3)包括：
(3a)根据下式选取辐射源类型的隶属度函数：
Figure FDA0002626896710000041
(3b)根据下式选取平台类型威胁隶属度函数：
Figure FDA0002626896710000042
(3c)根据下式选取速度威胁隶属度函数：
Figure FDA0002626896710000043
(3d)根据下式选取相对距离威胁隶属度函数：
Figure FDA0002626896710000044
(3e)根据下式选取运动方向威胁隶属度函数：
Figure FDA0002626896710000045
(3f)根据下式选取脉冲重复频率威胁隶属度函数：
Figure FDA0002626896710000051
(3g)根据下式选取载频威胁隶属度函数：
Figure FDA0002626896710000052
(3h)根据下式选取脉宽威胁隶属度函数：
Figure FDA0002626896710000053
(3i)根据下式选取工作模式威胁隶属度函数：
Figure FDA0002626896710000054
5.如权利要求1所述的基于改进BP神经网络的雷达辐射源威胁评估方法，其特征在于：步骤(5)包括：
(5a)参考经验公式确定隐含层的基本范围，再根据确定的输入层、输出层、隐含层的神经元数构建起风险评估模型，其构造为t-s-u；
(5b)设定不同的BP神经网络隐含层神经元数目s(4≤s≤13)，计算不同s条件下输入辐射源原始数据得到输出向量，并与步骤(4)中的B相比较，找出差值范数最小时对应的s作为BP神经网络的隐含层神经元数目。
CN202010799591.9A 2020-08-11 2020-08-11 一种基于改进bp神经网络的雷达辐射源威胁评估方法 Pending CN112070357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010799591.9A CN112070357A (zh) 2020-08-11 2020-08-11 一种基于改进bp神经网络的雷达辐射源威胁评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010799591.9A CN112070357A (zh) 2020-08-11 2020-08-11 一种基于改进bp神经网络的雷达辐射源威胁评估方法

Publications (1)

Publication Number Publication Date
CN112070357A true CN112070357A (zh) 2020-12-11

Family

ID=73661090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010799591.9A Pending CN112070357A (zh) 2020-08-11 2020-08-11 一种基于改进bp神经网络的雷达辐射源威胁评估方法

Country Status (1)

Country Link
CN (1) CN112070357A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283527A (zh) * 2021-06-07 2021-08-20 哈尔滨工程大学 一种基于层级指标的雷达威胁评估方法
CN114217142A (zh) * 2021-09-22 2022-03-22 中国人民解放军空军工程大学 一种战场电磁环境复杂度评估方法
CN114580884A (zh) * 2022-02-28 2022-06-03 中国人民解放军空军预警学院雷达士官学校 多特性分层结构与自适应逼近的空天目标威胁评估方法
CN114637962A (zh) * 2022-05-18 2022-06-17 自然资源部第一海洋研究所 海洋数值预报产品验证方法、系统、电子设备及存储介质
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN115078850A (zh) * 2022-07-19 2022-09-20 沸蓝建设咨询有限公司 一种通信基站辐射检测系统
CN115166678A (zh) * 2022-09-06 2022-10-11 中国人民解放军海军工程大学 复杂场景雷达辐射源脉冲信号分选与认知对抗系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650250A (zh) * 2016-12-14 2017-05-10 中国人民解放军军械工程学院 基于等效评价因子的红外多目标威胁排序方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650250A (zh) * 2016-12-14 2017-05-10 中国人民解放军军械工程学院 基于等效评价因子的红外多目标威胁排序方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
夏雄等: "基于模糊神经网络的气体密封故障诊断", 《润滑与密封》 *
孔尚萍等: "基于AHP与熵权法的空中目标威胁评估方法", 《战术导弹技术》 *
尹健: "基于回归神经网络的雷达辐射源识别算法", 《电讯技术》 *
朱冠兰等: "辐射源威胁等级评估技术研究", 《现代电子技术》 *
牛海等: "基于人工神经网络的辐射源威胁评估方法研究", 《现代防御技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283527A (zh) * 2021-06-07 2021-08-20 哈尔滨工程大学 一种基于层级指标的雷达威胁评估方法
CN113283527B (zh) * 2021-06-07 2022-04-29 哈尔滨工程大学 一种基于层级指标的雷达威胁评估方法
CN114217142A (zh) * 2021-09-22 2022-03-22 中国人民解放军空军工程大学 一种战场电磁环境复杂度评估方法
CN114580884A (zh) * 2022-02-28 2022-06-03 中国人民解放军空军预警学院雷达士官学校 多特性分层结构与自适应逼近的空天目标威胁评估方法
CN114580884B (zh) * 2022-02-28 2023-08-08 中国人民解放军空军预警学院雷达士官学校 多特性分层结构与自适应逼近的空天目标威胁评估方法
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN114741876B (zh) * 2022-04-12 2024-03-19 北京建筑大学 一种塔式起重机智能检验的方法
CN114637962A (zh) * 2022-05-18 2022-06-17 自然资源部第一海洋研究所 海洋数值预报产品验证方法、系统、电子设备及存储介质
CN115078850A (zh) * 2022-07-19 2022-09-20 沸蓝建设咨询有限公司 一种通信基站辐射检测系统
CN115166678A (zh) * 2022-09-06 2022-10-11 中国人民解放军海军工程大学 复杂场景雷达辐射源脉冲信号分选与认知对抗系统
CN115166678B (zh) * 2022-09-06 2022-12-20 中国人民解放军海军工程大学 复杂场景雷达辐射源脉冲信号分选与认知对抗系统

Similar Documents

Publication Publication Date Title
CN112070357A (zh) 一种基于改进bp神经网络的雷达辐射源威胁评估方法
Le Son et al. Remaining useful life estimation based on stochastic deterioration models: A comparative study
CN110275148B (zh) 一种海杂波幅度分布参数估计方法及系统
CN112307677A (zh) 基于深度学习的电网振荡模态评估与安全主动预警方法
CN113822499A (zh) 一种基于模型融合的列车备件损耗预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN110533109A (zh) 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN112308387B (zh) 客户意向度评估方法与装置、云服务器
CN113780346A (zh) 一种先验约束分类器调整方法、系统及可读存储介质
CN111832748A (zh) 一种对混合气体浓度进行回归预测的电子鼻宽度学习方法
CN112034139A (zh) 岩爆倾向性等级的判别方法、装置及电子设备
Zhang et al. A novel framework of fuzzy rule interpolation for takagi-sugeno-kang inference systems
CN114124456B (zh) 综合能源系统安全检测方法、装置、电子设备及存储介质
Chencho et al. Structural damage quantification using ensemble‐based extremely randomised trees and impulse response functions
CN115508206A (zh) 一种节理岩质边坡岩体强度参数概率反演方法
CN115049026A (zh) 基于gsnnr的空间非平稳性关系的回归分析方法
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
CN114527434A (zh) 基于卷积神经网络的雷达干扰效果评估方法
CN114139601A (zh) 一种对电力巡检场景人工智能算法模型的评估方法及系统
CN113011748A (zh) 推荐效果的评估方法、装置、电子设备及可读存储介质
CN113553754A (zh) 存储器、火灾风险预测模型构建方法、系统和装置
CN113205274A (zh) 一种施工质量定量化排名方法
Ünal Nonlinear chaotic analysis of usd/try and eur/try exchange rates
Karcı et al. Derin öğrenme yöntemleri kullanılarak deprem tahmini gerçekleştirilmesi
CN111461558B (zh) 关键数据安全销毁评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination