CN110363232B - 基于bp神经网络的毫米波探测器干扰效果评估方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的毫米波探测器干扰效果评估方法，构建BP神经网络干扰评估模型；使用样本训练集对模型进行训练，确定BP神经网络干扰评估模型参数，得到BP神经网络干扰评估模型；利用训练好的BP神经网络干扰评估模型对毫米波探测器干扰效果进行评估。本发明有效弥补了室内毫米波探测器干扰性能等效测试系统的等效条件的局限性，提高了毫米波探测器干扰测试效率。

Description

基于BP神经网络的毫米波探测器干扰效果评估方法

技术领域

本发明属于毫米波干扰技术，具体是一种基于BP神经网络的毫米波探测器干扰效果评估方法。

背景技术

目前针对毫米波探测器干扰效果评估方法的研究主要是半实物仿真法，其将末敏弹干扰设备和末敏弹中的毫米波探测器引入测试系统，并在测试系统中进行干扰过程的模拟、等效，从而实现快速试验并得到大量试验数据，之后还可以在计算机中对数据进行相应的处理，在一定程度上结合了外场实测的真实性与数学仿真的灵活性，从而实现对干扰效能的有效评估。但是外场试验实验环境多变，等效条件有限、干扰效果评估方式单一等不足，大大影响着试验效率和评估准确程度。

随着近年来雷达干扰相关领域研究的不断深入以及机器学习理论的快速发展，雷达干扰效果的评估已经由早期的评估因子法、模糊综合评估法，发展到了机器学习理论的智能评估法。但是我国关于毫米波探测器有源干扰方面的研究相对较少，相关的有源干扰技术距离军事上的大规模应用还存在一定距离。因此本发明创新性的利用基于BP神经网络的机器学习算法，解决毫米波探测器干扰效果评估问题，以提供一种易操作，高效率的毫米波探测器干扰效果评估手段。

发明内容

本发明的目的在于提出了一种基于BP神经网络的毫米波探测器干扰效果评估方法。

实现本发明目的的技术方案为：一种基于BP神经网络的毫米波探测器干扰效果评估方法，具体步骤为：

步骤1、构建BP神经网络干扰评估模型；

步骤2、使用样本训练集对模型进行训练，确定BP神经网络干扰评估模型参数，得到BP神经网络干扰评估模型；

步骤3、利用步骤2得到的BP神经网络干扰评估模型对毫米波探测器干扰效果进行评估。

优选地，步骤1中所述BP神经网络干扰评估模型包括输入层、隐藏层以及输出层，所述输入层由一组神经元x＝[P_e,R,θ,P_min]组成，表示输入特征量，其中，P_e为干扰功率，R为干扰距离，θ为干扰主波束方向角，P_min为毫米波探测器最小可检测功率；所述隐藏层由6个隐层单元组成，每个隐层单元包含加权线性求和函数

和激活函数Sigmoid核函数

式中，i＝1,2,…n，x_i表示从上一层第i个神经元传递来的输入信号，ω_i表示从上一层第i个神经元到该神经元的线性求和权值，f(I)为隐藏层的输出；所述输出层的输出特征量为y∈{+1,-1}，+1表示毫米波探测器被干扰成功，-1则表示干扰失败。

优选地，所述BP神经网络干扰评估模型的输入层到隐藏层函数为：

v_ij(n+1)＝v_ij(n)+Δv_ij(n)

式中，n为输入层神经元个数，m为隐层神经元个数，v_ij为输入层第i(i＝1,2,…,n)个神经元到隐层第j(j＝1,2,…j)个神经元的网络权重；

BP神经网络干扰评估模型的隐藏层到输出层函数为：

ω_jk(p+1)＝ω_jk(p)+Δω_jk(p)

式中，p为输出层神经元个数，ω_jk为隐层第j个神经元到输出层第k(k＝1,2,…k)个神经元的网络权重；

BP神经网络干扰评估模型的代价函数为：

式中，T＝(t₁,t₂,…,t_k,…)^T表示期望输出，网络模型的实际输出为Y＝(y₁,y₂,…,y_k,…)^T，此处的x_k、t_k和y_k均为向量形式，p表示网络的层数。

L2正则化函数：

式中，C₀为原始代价函数,∑_ωω²表示对全部网络参数ω取平方和；α表示正则项系数，用于权衡正则项与C₀的比重。

优选地，步骤2使用样本训练集对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数的具体步骤为：

步骤2-1、将样本数据集中的特征数据进行标准化，得到标准化后的样本数据集；

步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数。

优选地，步骤2-1将样本数据集中的特征数据进行标准化的具体公式为：

其中，i＝1,2,…,n，

表示原数据序列的均值，具体为

s表示原数据序列的方差，具体为

x_i'为标准化后的特征数据。

优选地，将标准化后的毫米波探测器干扰实验样本数据集采用K折交叉验证法进行模型的训练，确定BP神经网络干扰评估模型参数的具体方法为：

步骤2-2-1、对样本数据进行归一化处理，将归一化后的样本数据集按照6:4分成样本训练集和样本测试集，样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；

步骤2-2-2、以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集,分别输入到BP神经网络评估模型中，在隐藏层中从0到1范围内，以每次增加10^-1为间距，采用不同的L2正则化参数α，在输出层中求解出BP神经网络干扰评估模型最大的F1-Macro，以及对应的L2正则化参数α，用测试子集对该参数α的BP神经网络评估模型进行测试，得到BP神经网络评估模型的性能评估指标；

步骤2-2-3、依次使用剩余的数据子集作为训练子集，重复步骤2-2-2，总共进行10次迭代；

步骤2-2-4、对不同L2正则化参数α取值下的10次F1-Macro结果取平均，将平均后的结果作为当前参数下BP神经网络评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的L2正则化参数α作为最终BP神经网络评估模型的参数。

本发明与现有技术相比，其显著优点为：1)本发明创新性的结合基于BP神经网络的机器学习算法，建立了毫米波探测器干扰效果评估模型，能够对末敏弹高空扫描干扰机的状态进行有效模拟等效；2)本发明能够结合等效试验数据对特定干扰条件下的干扰效果进行预测评估，填补了当前末敏弹毫米波探测器干扰等效评估模型相关研究的空白；3)本发明构建的BP神经网络干扰效果评估模型有效弥补了室内毫米波探测器干扰性能等效测试系统的等效条件的局限性，提高了毫米波探测器干扰测试效率，降低了干扰机性能测试的难度。

附图说明

图1为三层BP神经网络结构图。

图2为K折交叉验证法训练过程。

图3为不同的L2正则化参数α对应的F1-Macro结果图。

具体实施方式

一种基于BP神经网络的毫米波探测器干扰效果评估方法，步骤如下：

步骤1、构建BP神经网络干扰评估模型

BP神经网络算法的目的是使用反向传播算法对网络的权值和偏差进行反复的调整训练，使误差沿梯度方向下降，让输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，确定与最小误差相对应的网络参数，即权值和阈值。

由图1可知，假设输入层有n个神经元，隐层有m个神经元，其中输入层第i(i＝1,2,…,n)个神经元到隐层第j(j＝1,2,…,m)个神经元的网络权重为v_ij，则隐层神经元的输出为：

另外，设输出层神经元个数为p，隐层第j个神经元到输出层第k(k＝1,2,…,p)个神经元的网络权重为ω_jk，则输出层神经元的输出为：

将学习样本数据表示为(X,T)，其中X＝(x₁,x₂,…,x_k,…)^T表示输入样本，T＝(t₁,t₂,…,t_k,…)^T表示期望输出，网络模型的实际输出为Y＝(y₁,y₂,…,y_k,…)^T，此处的x_k、t_k和y_k均为向量形式。通常需要定义一个代价函数(Cost Function)作为对模型在训练集上表现的评判标准，常见的代价函数类型有均方误差和交叉熵等。为了便于分析，此处将输出的均方误差作为模型的代价函数：

在BP算法中，采用梯度下降法使C尽快收敛到最小值，则：

Δω_jk(n)＝ηδ_kh_j

Δv_ij(n)＝ηδ_j′x_i

其中η表示模型的学习率，用来控制权重更新的“步长”；δ_k为输出层第k个神经元的信号误差：

δ_k＝y_k(1-y_k)(t_k-y_k)

而δ_j′则表示隐层神经元的信号误差，由于隐层神经元没有特定的目标值，故可以根据所有与隐层神经元j直接相连的输出神经元k的信号误差以及它们的连接权值来确定：

在得到了Δω_jk(n)和Δv_ij(n)之后即可对模型的网络权重进行更新：

ω_jk(n+1)＝ω_jk(n)+Δω_jk(n)

v_ij(n+1)＝v_ij(n)+Δv_ij(n)

从而使网络的输出Y向T逼近，实现对网络权重的优化和更新，即完成了误差的反向传播过程。

另外，当训练样本数据数量较少或者训练过度时，通常会出现算法模型过拟合问题，即随着模型复杂度的不断增加，虽然在训练集上的输出误差逐渐减小，但在验证数据集上的误差却逐渐增大，这会导致模型的泛化能力较差，严重影响算法模型的性能，为此神经网络训练中通常会利用正则化方法防止模型出现过拟合的情况。

L2正则化就是在BP算法中较为常用的正则化方法之一，其具体方法是，假设模型的原始代价函数为C₀，添加一个L2正则化项作为新的代价函数：

式中，∑_ωω²表示对全部网络参数ω取平方和；α表示正则项系数，用于权衡正则项与C₀的比重。通常，增大α的值可以增大较小网络权重的影响，使分类模型的决策函数曲线表现的更为平滑，从而有效避免过拟合的情况；反之，减小α的值可以通过增大较大网络权重的影响使模型的决策边界变得更为曲折，从而避免出现高偏差的情况。

结合毫米波探测器外场干扰试验具体情况，干扰频率、干扰功率、干扰距离、天线极化方式(简称干扰主波束方向角)以及毫米波探测器性能等均会对毫米波探测器干扰效果有影响。本发明选择的输入特征量[P_e,R,θ,P_min],其中，P_e为干扰功率，R为干扰距离，θ为干扰主波束方向角，P_min为毫米波探测器最小可检测功率。输出值依照干扰设备是否能使毫米波探测器产生目标输出(即是否“欺骗”成功)进行划分，若“欺骗”成功，则输出数值为+1，反之为-1。

步骤2、使用样本训练集对模型进行训练

本发明使用的样本数据来自于毫米波探测器干扰试验，不同样本的特征量可能会具有不同的方差，从而对算法分类器的性能造成影响，需要针对每个特征分别进行数据标准化处理。假设共有n个样本，其中某个特征的数据为x₁,x₂,…,x_n，则数据标准化之后的新序列为：

其中，i＝1,2,…,n，

表示原数据序列的均值：

s表示原数据序列的方差：

则样本数据集

y_i∈{+1,-1}，

i＝1,2,…,n,n为样本个数，标准化处理后的部分数据如表1所示。

表1

在本发明中，通过仿真计算生成300组“欺骗”成功和300组“欺骗”失败共600组有源诱骗干扰机制下的实验样本,对样本数据进行标准化处理，所有标准化后的样本数据按照6∶4的比例分成全局训练集和全局测试集，对全局训练集数据采用K折交叉验证法进行BP神经网络评估模型的训练和性能调优，如图2所示。具体步骤为：

(1)将全局训练集按照样本数量平均分成10个等份；

(2)以10个数据子集中的9个子集作为训练子集对BP神经网络评估模型进行训练，用剩余的1个子集作为测试子集，分别输入到BP神经网络评估模型中；

(3)分别采用不同的L2正则化参数α，求解出最优的F1-Macro对应的的参数α，用测试子集对该参数α的BP神经网络评估模型进行测试，得到BP神经网络评估模型的性能评估指标；

(4)依次使用其他的数据子集作为测试子集，重复上述(2)(3)步骤，进行10次迭代；

(5)对上述循环得到的性能评估结果取平均，用于该BP神经网络评估模型的性能估计。

在机器学习中，对建立的模型会使用一些评估指标进行性能评估，通常包括准确率(Precision)、召回率(Recall)以及综合评价指标这三项。测试集的所有样本划分为4类，得到正确预测为正类别的样本(TP)、错误预测为正类别的样本(FP)、错误预测为负类别的样本(FN)和正确预测为负类型的样本(TN)。准确率(Precision，简写为P)和召回率(Recall，简写为R)的定义分别为：

F-Measure综合了上述两个指标，是二者的加权调和平均值，

式中的a为预设值，表示P和R的相对权重，一般取a＝1，表示准确率和召回率同样重要，由此得到F1-Measure：

综合评价可以通过F1的宏平均(F1-Macro)来进行。F1-Macro通过对各个类别的F1结果求算数平均求得，可以得到模型分类性能的较为全面的评估结果。

分别采用不同的L2正则化参数α，对训练得到的不同模型计算在10个不同测试子集中F1-Macro值的算术平均值，结果如图3所示。当L2正则化参数α＝1时，模型能够获得相对较大的F1-Macro，其值为0.9861，经计算得到此时模型在不同测试子集中的F1-Macro标准差为0.037，具有较为稳定的模型性能表现。

将得到的BP评估模型用于全局测试集的分类，并将分类预测结果和实际样本集进行比较，得到的结果如表2所示。由此得到该模型在全局测试集下的F1-Macro值为0.9874，具有较好的综合分类性能以及泛化能力。

表2

接下来对该全局测试集进行10次同样的分类测试，统计结果如表3所示。

表3

该BP评估模型经过多次测试之后得到的F1-Macro平均值为0.9874，在评估用时上虽略有浮动，但其平均评估用时为0.4474ms。

以上数据表明基于BP神经网络干扰效果评估的算法模型具有较好且较为稳定的综合性能以及较快的评估速度。

Claims (5)

1.一种基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，具体步骤为：

步骤1、构建BP神经网络干扰评估模型，所述BP神经网络干扰评估模型包括输入层、隐藏层以及输出层，所述输入层由一组神经元x＝[P_e,R,θ,P_min]组成，表示输入特征量，其中，P_e为干扰功率，R为干扰距离，θ为干扰主波束方向角，P_min为毫米波探测器最小可检测功率；所述隐藏层由6个隐层单元组成，每个隐层单元包含加权线性求和函数

和激活函数Sigmoid核函数

式中，i＝1,2,…n，x_i表示从上一层第i个神经元传递来的输入信号，ω_i表示从上一层第i个神经元到该神经元的线性求和权值，f(I)为隐藏层的输出；所述输出层的输出特征量为y∈{+1,-1}，+1表示毫米波探测器被干扰成功，-1则表示干扰失败；

步骤2、使用样本训练集对模型进行训练，确定BP神经网络干扰评估模型参数，得到BP神经网络干扰评估模型；

步骤3、利用步骤2得到的BP神经网络干扰评估模型对毫米波探测器干扰效果进行评估。

2.根据权利要求1所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，所述BP神经网络干扰评估模型的输入层到隐藏层函数为：

v_ij(n+1)＝v_ij(n)+Δv_ij(n)

式中，n为输入层神经元个数，m为隐层神经元个数，v_ij为输入层第i个神经元到隐层第j个神经元的网络权重，i＝1,2,…,n，j＝1,2,…n；

BP神经网络干扰评估模型的隐藏层到输出层函数为：

ω_jk(p+1)＝ω_jk(p)+Δω_jk(p)

式中，p为输出层神经元个数，ω_jk为隐层第j个神经元到输出层第k(k＝1,2,…k)个神经元的网络权重；

BP神经网络干扰评估模型的代价函数为：

式中，T＝(t₁,t₂,…,t_k,…)^T表示期望输出，网络模型的实际输出为Y＝(y₁,y₂,…,y_k,…)^T，此处的x_k、t_k和y_k均为向量形式，p表示网络的层数；

L2正则化函数：

式中，C₀为原始代价函数,∑_ωω²表示对全部网络参数ω取平方和；α表示正则项系数，用于权衡正则项与C₀的比重。

3.根据权利要求1所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，步骤2使用样本训练集对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数的具体步骤为：

步骤2-1、将样本数据集中的特征数据进行标准化，得到标准化后的样本数据集；

步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数。

4.根据权利要求3所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，步骤2-1将样本数据集中的特征数据进行标准化的具体公式为：

其中，i＝1,2,…,n，

表示原数据序列的均值，具体为

s表示原数据序列的方差，具体为

x′_i为标准化后的特征数据。

5.根据权利要求3所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，将标准化后的毫米波探测器干扰实验样本数据集采用K折交叉验证法进行模型的训练，确定BP神经网络干扰评估模型参数的具体方法为：

步骤2-2-1、对样本数据进行归一化处理，将归一化后的样本数据集按照6:4分成样本训练集和样本测试集，样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；

步骤2-2-2、以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集,分别输入到BP神经网络评估模型中，在隐藏层中从0到1范围内，以每次增加10^-1为间距，采用不同的L2正则化参数α，在输出层中求解出BP神经网络干扰评估模型最大的F1-Macro，以及对应的L2正则化参数α，用测试子集对该参数α的BP神经网络评估模型进行测试，得到BP神经网络评估模型的性能评估指标；

步骤2-2-3、依次使用剩余的数据子集作为训练子集，重复步骤2-2-2，总共进行10次迭代；

步骤2-2-4、对不同L2正则化参数α取值下的10次F1-Macro结果取平均，将平均后的结果作为当前参数下BP神经网络评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的L2正则化参数α作为最终BP神经网络评估模型的参数。

Images