機(jī)載電子戰(zhàn)系統(tǒng)對輻射源型號的精確識別是關(guān)乎載機(jī)空戰(zhàn)OODA環(huán)的重要能力。基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）對輻射源的多維精細(xì)特征進(jìn)行離線訓(xùn)練學(xué)習(xí),獲取多維特征參數(shù)與輻射源型號之間的高階非線性分類函數(shù)邊界,并基于訓(xùn)練好的網(wǎng)絡(luò)模型開展工程化應(yīng)用驗(yàn)證。試驗(yàn)表明輻射源型號的識別正確率顯著提升,邁出了機(jī)載電子戰(zhàn)系統(tǒng)走向智能認(rèn)知的第一步。 

【文章來源】：電子信息對抗技術(shù). 2020,35(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

實(shí)時(shí)測量參數(shù)與數(shù)據(jù)庫匹配的識別原理

尤其是目前的先進(jìn)相控陣工作體制雷達(dá),其工作頻帶寬,脈沖重復(fù)間隔和脈沖寬度變化范圍廣(從數(shù)us到數(shù)ms不等),波形復(fù)雜,靈活捷變,電磁參數(shù)存在復(fù)雜的重疊與交錯(cuò)關(guān)系,缺乏顯性的規(guī)律特征。因此,基于傳統(tǒng)的特征參數(shù)匹配法難以實(shí)現(xiàn)較高的目標(biāo)識別正確率,不能滿足作戰(zhàn)使用要求。本文借鑒BP神經(jīng)網(wǎng)絡(luò)的模式識別技術(shù)原理,采用電磁大數(shù)據(jù)挖掘形成輻射源的多維精細(xì)特征數(shù)據(jù)庫,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)對精細(xì)數(shù)據(jù)庫參數(shù)進(jìn)行離線訓(xùn)練學(xué)習(xí),獲取多維特征參數(shù)與輻射源型號之間的高階非線性分類映射函數(shù)邊界,并基于訓(xùn)練好的模型網(wǎng)絡(luò)參數(shù)開展了工程化應(yīng)用驗(yàn)證。試驗(yàn)表明,輻射源目標(biāo)的識別正確率提升顯著,邁出了機(jī)載電子戰(zhàn)系統(tǒng)走向智能認(rèn)知的第一步。

BP網(wǎng)絡(luò)的學(xué)習(xí)過程由信息的正向傳播和誤差的反向傳播兩部分組成,通常采用梯度下降法來迭代修正網(wǎng)絡(luò)的權(quán)值和閾值參數(shù),使網(wǎng)絡(luò)的實(shí)際輸出逼近期望輸出,也即網(wǎng)絡(luò)的整體誤差平方和趨于最小。在圖3所示的神經(jīng)網(wǎng)絡(luò)中,Xi表示輸入層第i個(gè)神經(jīng)元的輸入(i=1,2,…,M);Wji表示隱含層第j個(gè)神經(jīng)元到輸入層第i個(gè)神經(jīng)元之間的權(quán)值;θj表示隱含層第j個(gè)神經(jīng)元的閾值(j=1,2,…,N);φ(X)表示隱含層的激勵(lì)函數(shù);Wkj表示輸出層第k個(gè)神經(jīng)元到隱含層第j個(gè)神經(jīng)元之間的權(quán)值;ak表示輸出層第k個(gè)神經(jīng)元的閾值(k=1,2,…,L);ψ(X)表示輸出層的激勵(lì)函數(shù);Ok表示輸出層第k個(gè)神經(jīng)元的輸出。

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]基于“OODA環(huán)”理論的認(rèn)知電子戰(zhàn)與賽博戰(zhàn)探析[J]. 周波,戴幻堯,喬會(huì)東,崔建嶺,劉文釗.  中國電子科學(xué)研究院學(xué)報(bào). 2014(06)



本文編號：3227160