徐 雄

（中國電子科技集團公司第十研究所 成都 610036）

基于神經(jīng)網(wǎng)絡(luò)的輻射源目標快速識別

徐 雄

（中國電子科技集團公司第十研究所 成都 610036）

隨著軍事科技的快速發(fā)展，偽裝、隱蔽、欺騙、干擾等手段和技術(shù)大量應(yīng)用于現(xiàn)代戰(zhàn)場，以致從傳感器獲取的目標特征參數(shù)的差異越來越不明顯，原有的目標識別規(guī)律性被大量破壞。在目標特征逐漸模糊的發(fā)展趨勢下，傳統(tǒng)的“特征提取和選擇、模板建庫、分類器設(shè)計、匹配決策”等目標識別技術(shù)將很難準確地進行目標識別。論文研究了雷達輻射源識別的基于神經(jīng)網(wǎng)絡(luò)快速實現(xiàn)方法，并與傳統(tǒng)模板匹配方法進行了效果比對，為擺脫傳統(tǒng)目標識別思路的約束，發(fā)展智能化的目標識別技術(shù)提供了基礎(chǔ)。

雷達輻射源識別；徑向基網(wǎng)絡(luò)；模式識別

1 引言

針對戰(zhàn)場目標智能化識別的需求，探索具有自我學習進化、智能推理分析的目標識別新理論與方法。在綜合分析與理解當前流行的各種結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上［1］，構(gòu)建適應(yīng)中小樣本條件下目標識別的多層神經(jīng)網(wǎng)絡(luò)架構(gòu)，利用識別樣本數(shù)據(jù)對其進行逐層訓練，實現(xiàn)戰(zhàn)場目標特征、規(guī)律等以神經(jīng)網(wǎng)絡(luò)形式的固化，形成智能化目標識別的基礎(chǔ)，顛覆現(xiàn)有的“特征提取+分類器匹配”的目標識別固有模式，提高目標識別的智能化水平［2］。

神經(jīng)網(wǎng)絡(luò)可以認為是一種通用的模式識別分類器，因此其可能應(yīng)用的范圍是十分廣泛的。近年來，神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)深入到各個領(lǐng)域，例如模式識別、模糊控制、預(yù)測等。在模式識別領(lǐng)域，其獨有的自組織、自學習和超強的容錯能力使許多復(fù)雜的、難以用數(shù)學公式描述的問題迎刃而解，并顯示了快速反應(yīng)、準確應(yīng)答的優(yōu)越性能。特別適合用于軍事領(lǐng)域中存儲容量大，執(zhí)行速度快的場合。在雷達對抗偵察領(lǐng)域中，要求對雷達脈沖進行快速處理和分類，當信號密度高、存在大量輻射源的雷達環(huán)境下，尤其如此。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function，RBF）起源于數(shù)值分析中的多變量插值的徑向基函數(shù)方法，具有任意精度的泛函逼近能力和最優(yōu)泛函逼近特性，而且具有較快的收斂速度，不會陷入無局部極小點。本文將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)引入目標識別，設(shè)計了一個基于徑向基函數(shù)的雷達輻射源目標識別系統(tǒng)［3］。

2 RBF網(wǎng)絡(luò)分析原理

RBF網(wǎng)絡(luò)是一種有導師的三層構(gòu)成的前向網(wǎng)絡(luò)：第一層為輸入層，節(jié)點個數(shù)等于輸入的維度；第二層為隱藏層，結(jié)點個數(shù)視問題的復(fù)雜度而定；第三層為輸出層，節(jié)點個數(shù)等于輸出數(shù)據(jù)的維度［4］。它最重要的特點是中間隱藏層是非線性的，采用徑向基函數(shù)作為基函數(shù)，輸出層是線性的。隱藏層神經(jīng)元的基函數(shù)只對輸入刺激起局部反應(yīng)，即只有當輸入落在輸入空間的一個局部區(qū)域時，基函數(shù)才產(chǎn)生一個重要的非零響應(yīng)，而在其他情況下基函數(shù)輸出很?。山茷榱悖?］。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)

徑向基函數(shù)記為 y=φ(‖ x-c‖)。 φ 是隱藏層神經(jīng)元的基函數(shù)，目前用的比較多的是高斯分布函數(shù)。其中X=(x1，x2，…，xn)是輸入層的輸入向量；W=(w1，w2，…，wn)是該隱藏層神經(jīng)元的中心向量（每個隱藏層神經(jīng)元的中心向量存儲在其與輸入層各神經(jīng)元之間的連接權(quán)中），c代表半徑，是一個固定的值，這樣就把多元函數(shù)變成了一元函數(shù)?！侵笟W幾里得范數(shù)，表示n維空間中向量之間的距離［6～7］。

RBF網(wǎng)絡(luò)每個輸出層節(jié)點的輸出為其與各隱藏層神經(jīng)元輸出y的加權(quán)求和。按高斯分布的函數(shù)的定義，隱藏層神經(jīng)元的輸出y與輸入向量X的函數(shù)關(guān)系應(yīng)服從正態(tài)分布，即當X與中心向量W的距離很短時，y接近最大值；反之y減小。如X與W的距離超過寬度c（即遠離中心）時，輸出y可近似為零，相當于對輸出層沒有貢獻。這就實現(xiàn)了局部感知［8］。

不難看出，當RBF網(wǎng)絡(luò)用作向量分類器時，輸入層神經(jīng)元個數(shù)由向量空間的維數(shù)決定，隱藏層神經(jīng)元個數(shù)由模式類別數(shù)決定，每個隱藏層神經(jīng)元的中心向量（與輸入層各神經(jīng)元之間的連接權(quán)）都代表一種模式類別。輸入向量與哪個隱藏層神經(jīng)元的中心向量距離近，哪個隱藏層神經(jīng)元的基函數(shù)輸出就大，相應(yīng)的模式類別對輸出層的貢獻就大，與哪個隱藏層神經(jīng)元的中心向量距離遠，哪個隱藏層神經(jīng)元的基函數(shù)輸出就小，甚至不激活，輸出為零，相應(yīng)的模式類別當然就不會影響RBF網(wǎng)絡(luò)的輸出［9］。向量和模式類別的分類由此完成。

RBF網(wǎng)絡(luò)結(jié)構(gòu)較簡單，但網(wǎng)絡(luò)權(quán)值的訓練方法要復(fù)雜些。通常分為下面兩個訓練步驟：

1）隱藏層和輸入層之間的權(quán)值采用無導師聚類方法訓練，最常用的是KNN法（K-Nearest-Neighbor）?；痉椒ㄊ窍仍O(shè)定訓練樣本的一個子集，再用模式分類算法把子集中的樣本歸類，然后按順序處理子集外的訓練樣本：對任一樣本X，找出K個與X距離最近的向量，計算這K個向量分別屬于N個模式種類的數(shù)目，哪個模式種類包含的最近向量最多，X就屬于哪個模式種類［10］。

將輸入的訓練樣本聚類后，每個模式種類中所有樣本向量的平均值就代表該隱藏層神經(jīng)元和輸入層之間的權(quán)值，而所有樣本向量與中心向量的平方差的平均值就代表寬度。這樣就做出了各個隱藏層神經(jīng)元的全部參數(shù)。因為這種方法只要求輸入訓練樣本就可以進行分類，無須知道訓練樣本的理想輸出，因此被稱為無導師方法。

2）輸出層和隱藏層之間的權(quán)值采用有導師聚類方法訓練。簡便實用的一種辦法是：在確定隱藏層和輸入層之間的權(quán)值之后，把訓練樣本向量和其理想輸出代入RBF網(wǎng)絡(luò)，從而推出各個輸出層神經(jīng)元和隱藏層之間的權(quán)值。

可以看出，需要分類的模式類別數(shù)的增加總可以通過不斷增加三層RBF網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)來實現(xiàn)，含義十分直觀。由于其學習過程分為兩步，且每一步的學習算法都十分有效，所以它的學習速度很快［11］。

零指令集計算（Zero Instruction Set Computer，ZISC）是IBM實驗室的一項創(chuàng)新性科研成果，它采用數(shù)字電路技術(shù)實現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)及KNN學習算法的集成電路芯片。這種神經(jīng)網(wǎng)絡(luò)芯片不需要操作系統(tǒng)和編程語言，主要的工作就是訓練它和讓它學習。因此用它開發(fā)面向消費類的模式識別產(chǎn)品是一種簡單且實用可行的方法，可以大大地縮短研發(fā)周期。本文利用基于ZISC這種商業(yè)芯片的模式識別系統(tǒng)神經(jīng)網(wǎng)絡(luò)硬件平臺。

本文車型識別研究使用EZB 624 PCI神經(jīng)網(wǎng)絡(luò)卡，其中有8個ZISC78芯片，總?cè)萘?24個神經(jīng)元。該神經(jīng)網(wǎng)絡(luò)卡還具有自己的內(nèi)存和現(xiàn)場可編程門陣列（FPGA）［12］。

3 EZB624神經(jīng)網(wǎng)絡(luò)板卡工作原理

EZB624神經(jīng)網(wǎng)絡(luò)板卡是基于ZISC芯片設(shè)計開發(fā)的，其訓練過程的工作原理為［13］：

1）每一個輸入樣本向量被看作為一個數(shù)據(jù)原型（相當于類中心），該原型有一個作用域。

2）當?shù)诙€同類的輸入樣本與第一個輸入樣本的距離小于第一個輸入樣本的作用域大小（即第二個輸入樣本在第一個輸入樣本的作用域內(nèi)）時，第二個輸入樣本對網(wǎng)絡(luò)就沒有影響；否則，第二個輸入樣本就作為一個新的原型被網(wǎng)絡(luò)記憶。

3）如果后輸入的訓練樣本的類別與前面輸入的樣本類別不同，則后輸入的訓練樣本的作用域?qū)绊懬懊骖惖臉颖镜淖饔糜颉?/p>

4）當利用所有訓練樣本對神經(jīng)網(wǎng)絡(luò)反復(fù)訓練，則通過上面幾種的相互作用，神經(jīng)網(wǎng)絡(luò)會最終形成一個穩(wěn)定的、趨于訓練樣本分布的識別模型。

圖2 特征空間映射比較

圖2 為對于兩類數(shù)據(jù)的分布用不同的方法來分類的情況。這兩類數(shù)據(jù)分布是線性不可分的，因此，利用線型分類器是無法完全分開這兩個類分布的，如圖2（a）和（b）。神經(jīng)網(wǎng)絡(luò)可以進行非線性分類，例如BP網(wǎng)絡(luò)是通過學習建立非線性函數(shù)來進行分類的，參數(shù)設(shè)置比較復(fù)雜，并且它不能對新類進行判斷。而EZB624神經(jīng)網(wǎng)絡(luò)是徑向基神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)，它是利用徑向基函數(shù)在訓練樣本周圍確定小的區(qū)域（由于其距離度量通常采用街道距離，因此這里的小區(qū)域表現(xiàn)為菱形），然后，利用若干個小的菱形區(qū)域來逼近訓練樣本集合的分布區(qū)域，從而達到建立識別模型的目的，如圖2（c）所示。

4 數(shù)據(jù)測試

雷達輻射源特征由載頻（RF）、脈沖重復(fù)頻率（PRF）、脈沖寬度（PW）3個特征參數(shù)構(gòu)成［14］。從已知雷達數(shù)據(jù)庫中提取6種型號雷達類型，每類各取4000個。表1給出的是已知樣本的經(jīng)處理后的特征參數(shù)。

表1 已知雷達信號樣本模式

然后把表1的數(shù)據(jù)加上高斯白噪聲后，每類雷達生成10000個數(shù)據(jù)樣本，即共60000個數(shù)據(jù)作為測試和驗證樣本。其中每類數(shù)據(jù)劃分為訓練數(shù)據(jù)7000，測試樣本3000。訓練跟測試流程如圖3所示［15］：

圖3 訓練測試流程

基于EZB624的雷達輻射源目標識別方法運行過程如圖4所示，訓練迭代了10輪次，訓練結(jié)果正確率穩(wěn)定在了93.33%。

為了驗證本文基于神經(jīng)網(wǎng)絡(luò)輻射源目標識別的有效性，從速度和效果兩個方面對比傳統(tǒng)基于模板的識別方法。通過模板匹配過程界面如圖5所示。

圖4 基于EZB624的雷達輻射源目標識別方法運行過程

圖5 基于模板匹配識別方法運行過程

傳統(tǒng)數(shù)據(jù)庫查詢給出結(jié)果通用做法為給定閾值（如60%），列出符合條件目標及其對應(yīng)的置信度，最后還是依賴人來判定。為對比測試，取置信度最大結(jié)果做統(tǒng)計。對比結(jié)果如下表2所示。在效果差不多的情況下，速度提高了一個數(shù)量級。

表2 識別結(jié)果對比

5 結(jié)語

EZB神經(jīng)網(wǎng)絡(luò)是徑向基神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)形式，不僅具有神經(jīng)網(wǎng)絡(luò)的并行處理特點，還具有處理速度快、可擴展能力強的特點，對于模式識別、圖像處理等領(lǐng)域來說，是一個比較實用的開發(fā)工具。

［1］蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導論［M］.北京：高等教育出版社，2013.JIANG Zongli.Introduction to Artificial Neural Networks［M］.Beijing：Higher Education Press，2013.

［2］張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用［M］.上海：復(fù)旦大學出版社，1992.ZHANG Liming.The Artificial Neural Network Model is Extremely applied［M］.Fudan university press，1992.

［3］莊釗文，王雪松，等.雷達目標識別［M］.北京：高等教育出版社，2015.ZHUANG Zhaowen，WANG Xuesong.Radar Target identification［M］.Beijing：Higher Education Press，2015.

［4］朱樹先，張仁杰.RBF網(wǎng)絡(luò)和RBF核支持向量機比較研究［J］.計算機仿真，2009，26（5）：183-189.ZHU Shuxian，ZHANG Renjie.A Comparison of RBF Neural Network with RBF Support Vector Machines［J］.Computer Simulation，2009，26（5）：183-189.

［5］張鈴.基于核函數(shù)的SVM機與三層前向神經(jīng)網(wǎng)絡(luò)的關(guān)系［J］.計算機學報，2002，25（7）：696-700.ZHANG Ling.The Relationship Between Kernel Functions Based SVM and Three-Layer Feedforward Neural Networks［J］.Chinese Journal of Computers，2002，25（7）：696-700.

［6］張鈴.支持向量機理論與基于規(guī)劃的神經(jīng)網(wǎng)絡(luò)學習算法［J］.計算機學報，2001，24（2）：113-118.ZHANG Ling.The Theory of SVM and Programming Based Learning Algorithms in Neural Networks［J］.Chinese Journal of Computers，2001，24（2）：113-118.

［7］劉硯菊，寇國豪，宋建輝.基于RBF神經(jīng)網(wǎng)絡(luò)的空中目標識別技術(shù)［J］.火力與指揮控制，2015，40（8）：9-13.LIU Yanju，KOU Guohao，SONG Jianhui.Target Recognition Based on RBF Neural Network［J］.Fire Control&Command Control，2015，40（8）：9-13.

［8］周浩，韋道知，金鳳杰.RBF神經(jīng)網(wǎng)絡(luò)在目標識別中的應(yīng)用研究［J］.彈箭與制導學報，2008，27（5）：215-216.ZHOU Hao，WEI Daozhi，JIN Fengjie.The Study on Target Recognition Based on RBF Neural Network［J］.Journal of Projectiles Rockets Missiles and Guidance，2008，27（5）：215-216.

［9］關(guān)欣，郭強，張政超，等.基于核函數(shù)支持向量機的雷達輻射源識別［J］.彈箭與制導學報，2011，31（4）：188-191.GUAN Xin，GUO Qiang，ZHANG Zhengchao，et al.Radar Emitter Signal Recognition Based on Kernel Function SVN［J］.Journal of Projectiles RocketsMissiles and Guidance，2011，31（4）：188-191.

［10］伍波，譚營.神經(jīng)網(wǎng)絡(luò)在雷達輻射源識別中的應(yīng)用研究［J］.航天電子對抗，2001（5）：12-14.WU Bo，TAN Ying.Research on Radar Radiating-source Recognizing based on neural networks［J］.Aerospace Electronic Warfare，2001（5）：12-14.

［11］丁迎迎，楊永健，沈發(fā)江.RBF神經(jīng)網(wǎng)絡(luò)在水下目標識別中的應(yīng)用研究［J］.海戰(zhàn)場電子信息技術(shù)學術(shù)年會論文集，2011（9）：62-64.DING Yingying，YANG Yongjian，SHEN Fajiang.Research on Underwater target identification based on RBF［J］.Seminar on electronic information technology of naval warfare field，2011（9）：62-64.

［12］陳曼.基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識別系統(tǒng)［J］.單片機與嵌入式系統(tǒng)應(yīng)用，2003（1）：19-26.CHEN Man.Pattern Recognition System based on neural networks［J］.Microcontrollers&Embedded Systems，2003（1）：19-26.

［13］袁愛龍.基于視頻的汽車車型識別研究［D］.成都：電子科技大學碩士學位論文，2013.YUAN Ailong.The Research of Vehicle Type Recognition Based on Video Sequence［D］.Chengdu：University of Electronic Science and Technology of China，2013.

［14］劉鋼，吳智勇，李圣怡，等.基于實時預(yù)報的艦載火控穩(wěn)定跟蹤控制技術(shù)［J］.火力與指揮控制，2005，30（2）：8-12.LIU Gang，WU Zhiyong，LI Shengyi，et al.Study on Stabilised Tracking Control Technique Based on Real-time Prediction for Ship borne Fire Control［J］.Fire Control and Command Control，2005，30（2）：8-12.

［15］劉慶云，王根弟，朱偉強.雷達輻射源信號特征參量分析［J］.航天電子對抗，2008，24（4）：21-24.LIU Qingyun，WANG Gendi，ZHU Weiqiang.Analysis of characteristic parameters of radar pulses［J］.Aerospace Electronic Warfare，2008，24（4）：21-24.

Radar Radiating-source Recognizing Based on Neural Networks

XU Xiong
（China Electronics Technology Group Corporation No.10 Research Institute，Chengdu 610036）

With the rapid development of military technology，techniques such as disguise，hidden，deception，interference，are applied to the modern battlefield，so the differences in the target feature parameters obtained from the sensor are getting smaller and smaller，the original target recognition regularity is heavily damaged.In the trend of the target to be blurred，traditional“template match”recognition techniques will be difficult to target accurately.This paper studies radar radiation-source recognizing based on neural networks，compared with the“template match”，it provides the basis of getting rid of traditional identifying ideas and the development of intelligent target recognition technology.

radar radiation-source recognizing，radial basis function（RBF），pattern recognition

TP391

10.3969/j.issn.1672-9722.2017.11.010

Class Number TP391

2017年5月9日，

2017年6月23日

國家自然科學基金項目（編號：61671167）資助。

徐雄，男，碩士，工程師，研究方向：目標識別技術(shù)、信息融合。