进化神经网络的雷达目标识别.docxVIP

雷达目标一维距离特性分析将目标的二维像在雷达发射方向集垂直方向进行投影，就得到了雷达目标回波一维像。一维像可分为一维纵向（或距离）像和一维横向像。一维横向像需要通过运动补偿及多个周期回波的多普勒处理来得到。而一维距离像在原理上比较简单，现代雷达一般都工作在目标的高频区或光学区，在高频区可以使用宽带信号得到高距离分辨率的一维像。当距离分辨单元远小于目标尺寸时，目标占据多个距离分辨单元，从而可以得到雷达在径向上的投影，即一维距离像，因此这里采用一维距离像进行识别。这时，目标的几何形态在距离上表示为毗邻相接的一些峰状图像。对于一定的散射点模型，一维距离像对各散射点在雷达视线方向（纵向）上的投影。所以方向不同，一维像一定是不同的。实际上，在转角较大时还有遮蔽、散射点游动等原因，某一散射点模型只适用于一定的小角度。一旦角度变换范围超过一定的范围，散射点模型就会发生变化，得到的成像结果就必然会变化，即一维距离向具有很强的视角依赖性。在不同的姿态角下，同一目标可能具有完全不同的一维距离像，而不同的目标在不同的姿态角下却可能具有近似相同的一维距离像。以上分析的结论：1）雷达目标一维像的识别可以看作是波形识别，即对不同分级的回波曲线进行识别；2）原始的一维像每个角度的维数较多，有64维，且存在一些冗余信息，影像识别的速度和质量，应对原始一维像机型特征提取和选择；3）雷达目标一维像受角度变化的影像较大。进化神经网络分类神经网络的本质是基于梯度下降的算法，它存在的缺陷，如易陷入局部最小值、对大的多峰的空间搜索效率差等，自身是很难克服的。在计算机科学中，进化算法实质上时一种优化处理过程；但这种过程与传统的优化方法不同，传统的优化方法都是用代价函数来衡量动作的行为，从而通过选择一个号得动作似操作的对象得到优化；绝大多树典型的优化方法是通过计算代价函数的梯度或高阶统计值进行优化的，一般情况下，这种方法只能得到局部极优值，并且容易受到随机干扰的影像。而进化的方法符合达尔文“适者生存”和随机信息交换思想，既消除解中不适应因素，又利用了原有解中的知识，且不需要微分等高阶信息，从而使优化过程加快，最终获得全局极优值。因此基于进化算法的神经网络正日益成为智能计算领域中研究的热点，并在某些领域中得到了成功的应用。用神经网络进行目标识别的过程主要是设计网络结构的过彻骨。最优网络结构的设计可以表示为结构空间的搜索问题，其中每个点代表一种结构。由于这样的结构空间具有规模大，不可微，复杂度高一级多模态的特点，对于传统的搜索方法很难找到（准）最优的结构。而进化算法（包括遗传算法、进化规划和进化策略等）是一类鲁棒性很强的、并行的。全局搜索方法，比传统上经常采用的删除算法或构造算法更适于网络的结构设计问题。近今年来受到了广泛的重视和研究。这里在Fogel的进化规划基础上给出一种混合算法来进行前向网络，并以此作为目标分类器对雷达目标一维距离像进行分类，取得了较好的推广能力。算法的主要思想：之所以采用进化规划方法主要基于两点考虑：一是由于进化规划采用实数编码方案，这就省略了二进制数编码方案复杂的网络编码表示与解码计算，更适合表示和操作网络；二是进化规划只需用变异算子，避免了交叉算子在操作时对已进化好的网络结构的破坏。此外，在算法的实现中，对可进化的神经网络类型的约束条件很少，网络不必严格分层或全连接，并且隐节点可以具有不同的变换函数。算法框图参见如下：步骤1 随机产生一个初始群体，并对其中的每个个体（对应一种网络结构）进行权值训练。步骤2 按照误差值从小到达对个体进行排序；步骤3 如果最好的个体满足要求或进化时限已到，则停止；否则继续；步骤4 基于排序选择一个父代，对父代进行权值训练生成一个子代。若子代由于父代，则取代父代并返回步骤2；否则抛弃这个子代继续。步骤5 从父代的隐节点中均匀地随机选取一个进行删除，并对删除后的玩网络进行权值训练得到一个子代。若子代优于群体中的最差个体，则取代之并返回步骤2；否咋抛弃这个子代继续；步骤6 对父代进行节点增加操作，训练这个网络得到一个子代。用这个子代取代群体中的最差个体并返回步骤2.算法的实现：1）编码模式在混合算法的实现中，每个个体对应一种网络结构。将隐节点数目即网络权值进行混合实数编码，每一个个体编码形式如图个体码长随隐节点数目的不同而不同，用这样的表示模式可以很容易地进行结构变异。2）适应度评估和选择机制在混合算法中每个个体的适应度用来表示，为网络的目标函数式中，和是模式的第个节点的实际输出和期望输出；和分别是输出节点数目和输入模式数目。混合算法采用拍排序选择机制，群体中的个体就目标函数的值从小到大排列，记为，（设群体规模等于），那么第个体以下排律被选择：这种选择机制的优点是基于目标函数的排序而不是目标函数本身的大小，避免了适应度值差别太