CN107483232A - 基于混沌神经网络的雷达协同信息共享分发路径优化方法 - Google Patents
基于混沌神经网络的雷达协同信息共享分发路径优化方法 Download PDFInfo
- Publication number
- CN107483232A CN107483232A CN201710621875.7A CN201710621875A CN107483232A CN 107483232 A CN107483232 A CN 107483232A CN 201710621875 A CN201710621875 A CN 201710621875A CN 107483232 A CN107483232 A CN 107483232A
- Authority
- CN
- China
- Prior art keywords
- cooperative information
- radar
- distribution path
- radar cooperative
- path optimization
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于混沌神经网络的雷达协同信息共享分发优化方法。该方法主要适用于无中心节点雷达协同探测过程中雷达协同信息共享分发路径优化。其主要流程是:首先根据雷达协同信息共享分发路径优化问题的基本要求,构造带有约束条件的目标优化函数;然后构造雷达协同信息共享分发路径优化问题的能量函数;构造混沌神经元模型;构造指数函数自反馈混沌神经网络模型;最后利用指数函数自反馈混沌神经网络进行雷达协同信息共享分发路径优化。本发明所提供的方法具有实现方法简单、优化效果好、所用方法理论依据充分等特点,能够快速、有效的解决无中心节点雷达协同探测中雷达协同信息共享分发路径优化问题。
Description
技术领域
本发明为雷达协同探测系统,特别涉及一种雷达协同信息共享分发优化技术。
背景技术
在无中心节点雷达协同探测过程中存在雷达协同信息共享分发路径规划问题,即在已组好的雷达协同网络中,针对某一信息包,将每部雷达视作一个节点vi,边表示存在互连、互通关系,雷达网络计有n个节点,则最少需要n条边分发共享信息。若任意选取一条能到达各节点的通路,这样随机性过大,有时会选择回路,最坏情况下可能路径有(n-1)!/2条,易造成信息时延过大、信息冗余失控等问题。传统的依靠数理统计选取使用频率高的分发共享路径,易造成信息拥塞,而依靠固定时隙分发共享信息,易造成低效等问题。
为获得信息分发共享能力的最优,如何从信息源头出发寻求一条总时间最短的路径把协同信息快速共享分发到所有节点并将分发结束信息回告源头节点,以实现协同信息强实时互连、互通是当前面临的一大问题。
本发明针对无中心节点雷达协同探测过程中存在雷达协同信息共享分发路径规划问题,通过指数函数自反馈混沌神经网络优化方法,实现雷达协同信息共享分发路径优化。
发明内容
本发明的目的在于提供一种解决无中心节点雷达协同探测过程中雷达协同信息共享分发路径优化方法。通过本发明,能够在无中心节点雷达协同探测系统中实现从信息源头出发寻求一条总时间最短的路径将雷达协同信息快速共享分发到所有节点并将分发结束信息回告源头节点的分发共享优化。
实现本发明的技术解决方案为:
首先根据雷达协同信息共享分发路径优化问题的要求,构造带有约束条件的目标优化函数;利用Lagrange函数,构造雷达协同信息共享分发路径优化问题的能量函数;基于Chen-Aihara混沌神经元模型,将指数函数作为神经元的自反馈项,构造指数函数混沌神经元模型;基于指数函数混沌神经元模型,构造指数函数自反馈混沌神经网络;利用指数函数自反馈混沌神经网络进行雷达协同信息共享分发路径优化问题的能量函数优化。
本发明与现有技术相比,其显著优点为:
采用指数函数自反馈混沌神经网络进行雷达协同信息共享分发路径优化的方法,能够快速、准确、有效地寻找一条雷达协同信息共享分发最优路径,该方法具有混沌搜索特性,易于跳出搜索过程局部极小值干扰的特点。本发明的提出和方法实现在雷达协同探测领域具有很高的推广应用价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的数据流程图。
图2是指数函数混沌神经元模型混沌特性示意图。
具体实施方式
本发明基于混沌神经网络的雷达协同信息共享分发优化方法具体实施步骤为,参见附图1。
(1)构造带有约束条件的目标优化函数,方法如下:
无中心节点的雷达协同信息共享分发路径优化问题用神经元数为N×N的连续网络表述,N×N个神经元对应于一个N×N置换矩阵x,每个置换矩阵对应一条雷达协同信息共享分发路径,其中xij=1表示第i个节点在第j次序上被访问,tij表示第i个节点到第j个节点的时间开销。雷达协同信息共享分发路径优化问题的目标优化函数为:
其中J1表示置换矩阵中在每行中只有至多一个元素的值为1,即每个节点最多被访问一次;J2表示置换矩阵每列至多只有一个元素为1,即每个节点只访问一次;J3表示置换矩阵的每行每列均有且仅有一个元素为1。
(2)构造雷达协同信息共享分发路径优化问题的能量函数,方法如下:
引入Lagrange函数,利用Lagrange函数将约束化问题转为无约束化问题的特性,构造雷达协同信息共享分发路径优化问题的能量函数为
E=E1+E2
其中:
其中xi0=xin和xi,n+1=xi1,表示第N个节点和第1个节点在路径上相邻,tik为节点i、k之间的时间开销。一个全局最小的E值代表一条雷达协同信息共享分发最优路径。
(3)构造混沌神经元模型,方法如下:
基于Chen-Aihara混沌神经元模型,将指数函数作为神经元的自反馈项,构造指数函数混沌神经元模型为:
y(t+1)=ky(t)-z(t)f(x(t)-I0)
z(t+1)=(1-β)z(t)
f(x)=ax
其中x为神经元的激励函数,y为神经元的内部状态,I0为一正参数,k为神经膜阻尼系数,ε是激励函数的陡度参数,z是神经元的自反馈连接项,β为模拟退火参数,f(x)是指数函数,a是指数函数的参数。神经元的混沌特性如附图2。
(4)构造指数函数自反馈混沌神经网络模型,方法如下:
基于混沌神经元模型,构造指数函数自反馈混沌神经网络模型为:
zi(t+1)=(1-β)zi(t)
f(x)=ax
其中xi为第i个神经元的输出,yi为第i个神经元的内部状态,ωij为神经元j到神经元i的连接权值,Ii为第i个神经元的偏置,I0为一正参数,k为神经膜阻尼系数,ε是激励函数的陡度参数,zi为第i个神经元的自反馈连接项,β为模拟退火参数,f(xi(t)-I0)为自反馈项,f(x)是指数函数,a是指数函数的参数。
(5)雷达协同信息共享分发路径优化,方法如下:
1)设置指数函数自反馈混沌神经网络模型和雷达协同信息共享分发路径优化问题能量函数中参数初始值;
2)通过迭代计算对指数函数自反馈混沌神经网络模型参数进行修正,选取使雷达协同信息共享分发路径优化能量函数收敛时的模型参数作为指数函数自反馈混沌神经网络模型的参数;
3)利用2)基础上的指数函数自反馈混沌神经网络模型对雷达协同信息共享分发路径优化能量函数进行计算,得到的能量函数值对应的路径为雷达协同信息共享分发最优路径。
Claims (2)
1.基于混沌神经网络的雷达协同信息共享分发优化方法,其特征在于:通过无中心节点的雷达协同信息共享分发路径优化问题用神经元数为N×N的连续网络表述,构造雷达协同信息共享分发路径优化方法问题的目标优化函数,其中N×N个神经元对应于一个N×N置换矩阵x,每个置换矩阵对应一条雷达协同信息共享分发路径;然后引入Lagrange函数,利用Lagrange函数将约束化问题转为无约束化问题的特性,构造雷达协同信息共享分发路径优化问题的能量函数;基于Chen-Aihara混沌神经元模型,将指数函数作为神经元的自反馈项,构造指数函数混沌神经元模型;进一步构造指数函数自反馈混沌神经网络模型;最后利用指数函数自反馈混沌神经网络进行基于雷达协同信息共享分发路径优化问题能量函数的雷达协同信息共享分发路径优化。
2.根据权利要求1所述的基于混沌神经网络的雷达协同信息共享分发优化方法,其特征在于:基于雷达协同信息共享分发路径优化问题能量函数的指数函数自反馈混沌神经网络优化,该方法通过混沌搜索使雷达协同信息共享分发路径优化问题能量函数收敛,降低局部极小值对寻找雷达协同信息共享分发最优路径的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710621875.7A CN107483232A (zh) | 2017-07-27 | 2017-07-27 | 基于混沌神经网络的雷达协同信息共享分发路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710621875.7A CN107483232A (zh) | 2017-07-27 | 2017-07-27 | 基于混沌神经网络的雷达协同信息共享分发路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107483232A true CN107483232A (zh) | 2017-12-15 |
Family
ID=60597256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710621875.7A Pending CN107483232A (zh) | 2017-07-27 | 2017-07-27 | 基于混沌神经网络的雷达协同信息共享分发路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107483232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970370A (zh) * | 2017-04-25 | 2017-07-21 | 西安电子科技大学 | 基于混沌神经网络的雷达多目标跟踪优化方法 |
-
2017
- 2017-07-27 CN CN201710621875.7A patent/CN107483232A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970370A (zh) * | 2017-04-25 | 2017-07-21 | 西安电子科技大学 | 基于混沌神经网络的雷达多目标跟踪优化方法 |
Non-Patent Citations (4)
Title |
---|
徐耀群,孙明: "Shannon小波混沌神经网络及其TSP_城市旅行商_问题", 《控制理论与应用》 * |
徐耀群,杨学岭: "一类具有反三角函数自反馈的混沌神经网络及其应用", 《哈尔滨商业大学学报》 * |
徐耀群: "混沌神经网络研究及应用", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》 * |
王秀宏等: "基于混沌神经网络最短路问题的优化算法", 《系统工程理论方法应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110210463B (zh) * | 2019-07-03 | 2023-07-11 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Asynchronous federated learning on heterogeneous devices: A survey | |
Liu et al. | Graph-theoretic characterisations of structural controllability for multi-agent system with switching topology | |
Pacheco et al. | Tabu search for a multi-objective routing problem | |
AU2020102350A4 (en) | A Spark-Based Deep Learning Method for Data-Driven Traffic Flow Forecasting | |
Gupta* et al. | A sub-optimal algorithm to synthesize control laws for a network of dynamic agents | |
Thepphakorn et al. | An ant colony based timetabling tool | |
CN101888341B (zh) | 在分布式多信任域环境下基于可计算信誉度的访问控制方法 | |
Yang et al. | An improved artificial bee colony algorithm for optimal land-use allocation | |
CN109818786A (zh) | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 | |
CN105976020B (zh) | 一种考虑小波跨层关联性的网络流量预测方法 | |
Kott et al. | Resiliency and Robustness of Complex Systems and Networks. | |
Bentouati et al. | Optimizing performance attributes of electric power systems using chaotic salp swarm optimizer | |
CN108009437A (zh) | 数据发布方法和装置及终端 | |
Arafeh et al. | Data independent warmup scheme for non-IID federated learning | |
Qiao et al. | Mp-fedcl: Multi-prototype federated contrastive learning for edge intelligence | |
Wang et al. | Adaptive traffic signal control using distributed marl and federated learning | |
CN106155785A (zh) | 一种跨数据中心云计算系统的数据迁移方法 | |
CN107483232A (zh) | 基于混沌神经网络的雷达协同信息共享分发路径优化方法 | |
Li et al. | Participant grouping for privacy preservation in mobile crowdsensing over hierarchical edge clouds | |
CN106657238A (zh) | 一种面向交互式工作负载的数据中心粗粒度动态服务器预留算法 | |
Bai et al. | An efficient skyline query algorithm in the distributed environment | |
Liu et al. | Joint optimization strategy for QoE-aware encrypted video caching and content distributing in multi-edge collaborative computing environment | |
Huang et al. | Dynamics of unilateral and Bilateral control systems with state feedback for renewable resource management | |
Aamer et al. | Entropy-driven stochastic federated learning in non-iid 6g edge-ran | |
Ding et al. | Pinning synchronization and parameter identification of fractional-order complex-valued dynamical networks with multiple weights |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |