CN103500359A - 基于结构等价型模糊神经网络的雷达辐射源识别方法 - Google Patents

基于结构等价型模糊神经网络的雷达辐射源识别方法 Download PDF

Info

Publication number
CN103500359A
CN103500359A CN201310489624.XA CN201310489624A CN103500359A CN 103500359 A CN103500359 A CN 103500359A CN 201310489624 A CN201310489624 A CN 201310489624A CN 103500359 A CN103500359 A CN 103500359A
Authority
CN
China
Prior art keywords
mean
neural network
cluster centre
fuzzy neural
subordinate function
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.)
Withdrawn
Application number
CN201310489624.XA
Other languages
English (en)
Inventor
陈佳
黄娴
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.)
Wuxi Professional College of Science and Technology
Original Assignee
Wuxi Professional College of Science and Technology
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 Wuxi Professional College of Science and Technology filed Critical Wuxi Professional College of Science and Technology
Priority to CN201310489624.XA priority Critical patent/CN103500359A/zh
Publication of CN103500359A publication Critical patent/CN103500359A/zh
Withdrawn legal-status Critical Current

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了基于结构等价型模糊神经网络的雷达辐射源识别方法，其通过等价型模糊神经网络的识别方法产生模糊规则和隶属函数，基于这些规则产生的模糊逻辑推理能比较理想地解决非线性、复杂问题，且该等价型模糊神经网络系统具有较强的适应能力和联想能力，在识别过程中对于未出现过的样本可通过记忆、联想产生正确的输出对目标进行识别，能大大地改善系统的性能、正确率和可靠性。

Description

基于结构等价型模糊神经网络的雷达辐射源识别方法
技术领域
本发明涉及雷达目标识别技术领域，具体为基于结构等价型模糊神经网络的雷达辐射源识别方法。
背景技术
雷达辐射源识别是整个雷达目标识别系统中关键性的技术，目前国内外大多是利用计算机技术和模式识别技术来实现雷达辐射源的自动识别，但当待识别对象的参数不完整、不齐全时，这些技术方法很可能会给出不正确的结果，特别是现代电子对抗信号环境日趋密集和多变，雷达体制也愈来愈复杂，敌方雷达的技战术参数很难事先掌握，因此这些方法在实际应用中存在着一定的局限性。
发明内容
针对上述问题，本发明提供了基于结构等价型模糊神经网络的雷达辐射源识别方法，其通过等价型模糊神经网络的的识别方法产生模糊规则和隶属函数，基于这些规则产生的模糊逻辑推理能比较理想地解决非线性、复杂问题，且该等价型模糊神经网络系统具有较强的适应能力和联想能力，在识别过程中对于未出现过的样本可通过记忆、联想产生正确的输出对目标进行识别，能大大地改善系统的性能、正确率和可靠性。
其技术方案是这样：其特征在于：其识别方法步骤是： 
第一层，假设n个输入变量：                                               
Figure 201310489624X100002DEST_PATH_IMAGE002
，r个输出变量：
Figure 201310489624X100002DEST_PATH_IMAGE004
，运用计算式
Figure 201310489624X100002DEST_PATH_IMAGE006
，得出隶属函数
Figure 201310489624X100002DEST_PATH_IMAGE008
，其中
Figure 201310489624X100002DEST_PATH_IMAGE010
表示隶属函数
Figure 333309DEST_PATH_IMAGE008
的中心，改变隶属函数
Figure 44914DEST_PATH_IMAGE008
的分布位置，
Figure 201310489624X100002DEST_PATH_IMAGE012
表示宽度值，可以改变隶属函数
Figure 536200DEST_PATH_IMAGE008
的形状，j表示输入变量包含语言值的数目，
Figure 201310489624X100002DEST_PATH_IMAGE014
；
第二层，通过计算得出适用度
Figure 201310489624X100002DEST_PATH_IMAGE016
，
Figure 201310489624X100002DEST_PATH_IMAGE018
，
Figure 201310489624X100002DEST_PATH_IMAGE020
，，其中m表示模糊规则数，并通过计算式
Figure 201310489624X100002DEST_PATH_IMAGE024
实现归一化；
第三层，实现中心平均清晰化计算：
Figure DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE028
，
Figure 201310489624X100002DEST_PATH_IMAGE030
是神经网络的连接权值，也是输出变量
Figure 201310489624X100002DEST_PATH_IMAGE032
的第j个语言值隶属函数中心值。    
其进一步特征在于：所述连接权值
Figure 550424DEST_PATH_IMAGE030
的确定包括下述步骤：
（1）、聚类中心初始化，j=1,2,…, 
Figure 201310489624X100002DEST_PATH_IMAGE036
； 
（2）、如果
Figure 201310489624X100002DEST_PATH_IMAGE038
，将输入变量分配给
Figure 201310489624X100002DEST_PATH_IMAGE042
，
Figure 946901DEST_PATH_IMAGE028
，
Figure 134300DEST_PATH_IMAGE042
表示聚集在聚类中心
Figure 119573DEST_PATH_IMAGE034
周围的训练模式集合；
（3）、通过步骤（２）重新计算聚类中心
Figure 117747DEST_PATH_IMAGE034
直到聚类中心
Figure 126155DEST_PATH_IMAGE034
不再变化，
 
Figure 201310489624X100002DEST_PATH_IMAGE044
 ，
Figure 201310489624X100002DEST_PATH_IMAGE046
表示
Figure 201310489624X100002DEST_PATH_IMAGE048
中元素数目；
（4）、聚类中心
Figure 304195DEST_PATH_IMAGE034
不再变化，从而确定基函数参数，
Figure 201310489624X100002DEST_PATH_IMAGE052
，基函数参数
Figure 770074DEST_PATH_IMAGE050
表示和每个聚类中心相联系的数据散布的一种测度；
（5）、基函数参数
Figure 730125DEST_PATH_IMAGE050
确定后，更新连接权值
Figure 587223DEST_PATH_IMAGE030
，
Figure 201310489624X100002DEST_PATH_IMAGE054
 ，其中
Figure 201310489624X100002DEST_PATH_IMAGE056
为学习率，
Figure 201310489624X100002DEST_PATH_IMAGE058
和
Figure 201310489624X100002DEST_PATH_IMAGE060
分别为期望输出和实际输出，
Figure 201310489624X100002DEST_PATH_IMAGE062
为训练次数，；
（6）、如果满足终止条件，即训练次数
Figure 32242DEST_PATH_IMAGE062
达到100或期望输出
Figure 621486DEST_PATH_IMAGE058
和实际输出
Figure 666803DEST_PATH_IMAGE060
间误差小于0.5，结束，否则返回第（4）步。
本发明采用的基于结构等价型模糊神经网络的雷达辐射源识别方法，其等价型模糊神经网络系统具有较强的适应能力和联想能力，在识别过程中对于未出现过的样本通过记忆、联想产生正确的输出对目标进行识别，能大大地改善系统的性能、正确率和可靠性。
附图说明
图１是本发明的连接权值
Figure 750427DEST_PATH_IMAGE030
确定的算法流程图。
具体实施方式
本发明的基于结构等价型模糊神经网络的雷达辐射源识别方法，其识别方法步骤是： 
第一层，假设n个输入变量：
Figure 236904DEST_PATH_IMAGE002
，r个输出变量：
Figure 324945DEST_PATH_IMAGE004
，运用计算式，得出隶属函数
Figure 915513DEST_PATH_IMAGE008
，其中
Figure 318812DEST_PATH_IMAGE010
表示隶属函数的中心，改变隶属函数
Figure 8781DEST_PATH_IMAGE008
的分布位置，
Figure 683476DEST_PATH_IMAGE012
表示宽度值，可以改变隶属函数
Figure 206861DEST_PATH_IMAGE008
的形状，j表示输入变量包含语言值的数目，；
第二层，通过计算得出适用度
Figure 737386DEST_PATH_IMAGE016
，
Figure 278089DEST_PATH_IMAGE018
，
Figure 609975DEST_PATH_IMAGE020
，
Figure 945141DEST_PATH_IMAGE022
，其中m表示模糊规则数，并通过计算式实现归一化；
第三层，实现中心平均清晰化计算：，其中
Figure 375489DEST_PATH_IMAGE028
，是神经网络的连接权值，也是输出变量
Figure 35457DEST_PATH_IMAGE032
的第j个语言值隶属函数中心值。    
如图1所示，连接权值
Figure 606378DEST_PATH_IMAGE030
的确定包括下述步骤：
（1）、聚类中心
Figure 958862DEST_PATH_IMAGE034
初始化，j=1,2,…, 
Figure 839093DEST_PATH_IMAGE036
； 
（2）、如果
Figure 463979DEST_PATH_IMAGE038
，将输入变量
Figure 884596DEST_PATH_IMAGE040
分配给
Figure 294848DEST_PATH_IMAGE042
，
Figure 142719DEST_PATH_IMAGE028
，
Figure 756365DEST_PATH_IMAGE042
表示聚集在聚类中心
Figure 980673DEST_PATH_IMAGE034
周围的训练模式集合；
（3）、通过步骤（２）重新计算聚类中心
Figure 245432DEST_PATH_IMAGE034
直到聚类中心
Figure 716734DEST_PATH_IMAGE034
不再变化，
 
Figure 129260DEST_PATH_IMAGE044
 ，表示
Figure 10946DEST_PATH_IMAGE048
中元素数目；
（4）、聚类中心
Figure 154613DEST_PATH_IMAGE034
不再变化，从而确定基函数参数
Figure 54436DEST_PATH_IMAGE050
，
Figure 558230DEST_PATH_IMAGE052
，基函数参数表示和每个聚类中心相联系的数据散布的一种测度；
（5）、基函数参数
Figure 732225DEST_PATH_IMAGE050
确定后，更新连接权值
Figure 836447DEST_PATH_IMAGE030
，
 ，其中
Figure 478093DEST_PATH_IMAGE056
为学习率，
Figure 24612DEST_PATH_IMAGE058
和
Figure 385055DEST_PATH_IMAGE060
分别为期望输出和实际输出，为训练次数，
Figure 301375DEST_PATH_IMAGE064
；
（6）、如果满足终止条件，即训练次数达到100或期望输出
Figure 531947DEST_PATH_IMAGE058
和实际输出
Figure 600398DEST_PATH_IMAGE060
间误差小于0.5，结束，否则返回第（4）步。

Claims (2)

1.基于结构等价型模糊神经网络的雷达辐射源识别方法，其特征在于：其识别方法步骤是： 
第一层，假设n个输入变量：                                                ，r个输出变量：
Figure 748253DEST_PATH_IMAGE002
，运用计算式
Figure 201310489624X100001DEST_PATH_IMAGE003
，得出隶属函数
Figure 414858DEST_PATH_IMAGE004
，其中表示隶属函数
Figure 182088DEST_PATH_IMAGE004
的中心，改变隶属函数
Figure 617749DEST_PATH_IMAGE004
的分布位置，
Figure 576346DEST_PATH_IMAGE006
表示宽度值，可以改变隶属函数
Figure 526985DEST_PATH_IMAGE004
的形状，j表示输入变量包含语言值的数目，；
第二层，通过计算得出适用度，
Figure 201310489624X100001DEST_PATH_IMAGE009
，
Figure 325756DEST_PATH_IMAGE010
，
Figure 201310489624X100001DEST_PATH_IMAGE011
，其中m表示模糊规则数，并通过计算式
Figure 455255DEST_PATH_IMAGE012
实现归一化；
第三层，实现中心平均清晰化计算：
Figure 201310489624X100001DEST_PATH_IMAGE013
，其中，
Figure 201310489624X100001DEST_PATH_IMAGE015
是神经网络的连接权值，也是输出变量
Figure 939905DEST_PATH_IMAGE016
的第j个语言值隶属函数中心值。
2.根据权利要求1所述的基于结构等价型模糊神经网络的雷达辐射源识别方法，其特征在于：所述连接权值
Figure 350158DEST_PATH_IMAGE015
的确定包括下述步骤：
（1）、聚类中心
Figure 201310489624X100001DEST_PATH_IMAGE017
初始化，j=1,2,…, 
Figure 650558DEST_PATH_IMAGE018
； 
（2）、如果
Figure 201310489624X100001DEST_PATH_IMAGE019
，将输入变量
Figure 513472DEST_PATH_IMAGE020
分配给
Figure 201310489624X100001DEST_PATH_IMAGE021
，，
Figure 425375DEST_PATH_IMAGE021
表示聚集在聚类中心
Figure 709726DEST_PATH_IMAGE017
周围的训练模式集合；
（3）、通过步骤（２）重新计算聚类中心直到聚类中心
Figure 337202DEST_PATH_IMAGE017
不再变化，
 
Figure 456468DEST_PATH_IMAGE022
 ，
Figure 201310489624X100001DEST_PATH_IMAGE023
表示
Figure 334556DEST_PATH_IMAGE024
中元素数目；
（4）、聚类中心不再变化，从而确定基函数参数
Figure 201310489624X100001DEST_PATH_IMAGE025
，
Figure 925124DEST_PATH_IMAGE026
，基函数参数
Figure 164475DEST_PATH_IMAGE025
表示和每个聚类中心
Figure 525049DEST_PATH_IMAGE017
相联系的数据散布的一种测度；
（5）、基函数参数
Figure 588865DEST_PATH_IMAGE025
确定后，更新连接权值
Figure 896350DEST_PATH_IMAGE015
，
 ，其中
Figure 973896DEST_PATH_IMAGE028
为学习率，
Figure 201310489624X100001DEST_PATH_IMAGE029
和
Figure 708634DEST_PATH_IMAGE030
分别为期望输出和实际输出，
Figure 201310489624X100001DEST_PATH_IMAGE031
为训练次数，
Figure 5885DEST_PATH_IMAGE032
；
（6）、如果满足终止条件，即训练次数
Figure 117061DEST_PATH_IMAGE031
达到100或期望输出
Figure 314693DEST_PATH_IMAGE029
和实际输出
Figure 282649DEST_PATH_IMAGE030
间误差小于0.5，结束，否则返回第（4）步。
CN201310489624.XA 2013-10-18 2013-10-18 基于结构等价型模糊神经网络的雷达辐射源识别方法 Withdrawn CN103500359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310489624.XA CN103500359A (zh) 2013-10-18 2013-10-18 基于结构等价型模糊神经网络的雷达辐射源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310489624.XA CN103500359A (zh) 2013-10-18 2013-10-18 基于结构等价型模糊神经网络的雷达辐射源识别方法

Publications (1)

Publication Number Publication Date
CN103500359A true CN103500359A (zh) 2014-01-08

Family

ID=49865565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310489624.XA Withdrawn CN103500359A (zh) 2013-10-18 2013-10-18 基于结构等价型模糊神经网络的雷达辐射源识别方法

Country Status (1)

Country Link
CN (1) CN103500359A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN108008379A (zh) * 2016-11-02 2018-05-08 戴尔菲技术公司 根据检测数据提供车辆环境轮廓折线的方法
CN109490838A (zh) * 2018-09-20 2019-03-19 中国人民解放军战略支援部队航天工程大学 一种面向数据库残缺的雷达辐射源识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张雪英等: "结构等价性模糊RBF神经网络用于语音识别的研究", 《NCMMSC》 *
王其红: "基于模糊RBF神经网络的辐射源识别", 《航电技术》 *
王建华等: "模糊神经网络的舰载雷达辐射源", 《哈尔滨理工大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008379A (zh) * 2016-11-02 2018-05-08 戴尔菲技术公司 根据检测数据提供车辆环境轮廓折线的方法
CN108008379B (zh) * 2016-11-02 2021-07-23 戴尔菲技术公司 生成表示车辆环境的物体的轮廓的折线的方法
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN109490838A (zh) * 2018-09-20 2019-03-19 中国人民解放军战略支援部队航天工程大学 一种面向数据库残缺的雷达辐射源识别方法

Similar Documents

Publication Publication Date Title
CN105426970B (zh) 一种基于离散动态贝叶斯网络的气象威胁评估方法
CN104267716B (zh) 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法
CN107292023A (zh) 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法
CN107092710B (zh) 一种基于超体积迭代全局优化算法的确定最优结构尺寸的方法
CN107886158A (zh) 一种基于迭代局部搜索和随机惯性权重的蝙蝠优化算法
CN107909194B (zh) 系统级测试性设计多目标优化方法
CN104504709A (zh) 一种基于特征球的室外场景三维点云数据的分类方法
CN106681358A (zh) 集中式无人机编队任务分配方法和装置
CN104102833B (zh) 基于密集区间发现的税务指标归一化与融合计算方法
CN103500359A (zh) 基于结构等价型模糊神经网络的雷达辐射源识别方法
CN105307118A (zh) 基于质心迭代估计的节点定位方法
CN105045863A (zh) 一种用于实体匹配的方法及系统
CN103607772A (zh) 一种基于lmbp神经网络的泰勒定位算法
CN113422695A (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN104569907A (zh) 基于神经网络的无线定位方法、系统及路侧单元
CN117806838B (zh) 基于异构数据的设备分簇方法、装置、设备、系统及介质
CN110110475B (zh) 基于在线学习渐消因子的扩展卡尔曼滤波方法
Weihong et al. Optimization of BP neural network classifier using genetic algorithm
Wang et al. Research on classification and recognition of attacking factors based on radial basis function neural network
CN106114876A (zh) 飞机试飞数据的参数辨识方法
CN109977131A (zh) 一种房型匹配系统
CN103095534A (zh) 一种二维k均值熵的网络攻击效果评估方法
CN106951957A (zh) 粒子群优化算法、多计算机并行处理方法及系统
CN103679267A (zh) 基于无标记样本的rbf神经网络构建方法及其装置
Hu et al. A fast online multivariable identification method for greenhouse environment control problems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C04 Withdrawal of patent application after publication (patent law 2001)
WW01 Invention patent application withdrawn after publication

Application publication date: 20140108