一种应用于水声目标识别的隐层结构自适应网络-东南大学学报.pdfVIP

第 卷第 期 ２９ ３ 东 南 大 学 学 报 Ｖｏｌ２９Ｎｏ３ 年 月 １９９９ ５ ＪＯＵＲＮＡＬＯＦＳＯＵＴＨＥＡＳＴＵＮＩＶＥＲＳＩＴＹ Ｍａｙ１９９９  一种应用于水声目标识别的隐层结构自适应网络 方世良 （东南大学无线电工程系，南京 ２１００９６） 摘 要 提出了一种隐层结构自适应学习的径向基函数网络（ ）水声目标分 ＨＳＡＲＢＦ 类器 该网络可在训练中自适应调整隐层节点数和设置新增隐节点的初始权值，从 ． 而使网络输入样本的分类特征能有效地映射到隐节点输出，克服了一般ＲＢＦ网隐层 初始权值及隐节点数难以确定的缺陷 经对实测水声信号的识别试验表明，该网络 ． 隐层有较强的分类特征划分能力，识别率高于一般 网或 网分类器 ＲＢＦ ＢＰ ． 关键词 目标分类；神经网络；径向基；水声 分类号 Ｕ６６６．７ 船舶辐射噪声是一种具有复杂特征的宽频带随机信号，其主要噪声源包括螺旋桨空化噪 ［］ １ 声与唱音、船壳低频辐射噪声、活塞冲击与齿轮传动等机械噪声以及水动力噪声等 不同种 ． 类的船只由于其大小、结构、动力、螺旋桨转速及叶片数等的差别，使其产生的辐射噪声存在差 异，通过对这些噪声信号的合理处理可以完成对水声目标的有效分类． ［，］ ２３ 径向基函数（ ）神经网络为核分类器的一种 ，其隐节点核函数形成一系列部分覆盖 ＲＢＦ 的接收区，由它们构成复杂的决策域，再由输出层进行分类判决 网络结构有与船舶噪声特征 ． 空间分布相近的形式，适合于水声目标的分类处理 在一般训练方法中，隐节点数是个定值， ． 与核函数的初始中心一起常凭经验给出，对不同类别的特征掌握较少时，经验数据往往会出现 大的偏差，使网络训练朝局部最优的方向发展，使各隐节点核函数所形成的判决区不能正确覆 盖不同类别的特征空间，影响网络的分类性能 文献［］提出了一种改进训练方法，该方法设 ． ４ 置初始隐节点数等于训练样本数，并将每个样本作为初始权值，然后将特征相近的节点合并并 修正权值，较好地解决了确定隐节点个数及权值初始化的难题 但当训练样本很多时，网络结 ． 构变大，所需存贮空间和计算量也随之增大，增加了实现难度． 本文提出的训练方法则采用自适应学习解决隐节点数的确定难题 开始时根据样本的模 ．