级联SSA-SOFM神经网络：信号分选的新策略

本文主要探讨了一种创新的信号分选方法，即基于级联结构自调整SOFM（SSA-SOFM）神经网络，针对传统SOFM神经网络在辐射源信号分选中存在的局限性进行改进。SOFM（Self-Organizing Feature Maps）神经网络以其自组织、无导师的学习特性在模式识别和聚类分析中表现出色，尤其适用于实时处理雷达侦察系统获取的信号流。然而，传统SOFM在实际应用中面临三个挑战：一是网络规模（输出神经元数量）的预设困难，这可能导致分选结果依赖于网络大小；二是神经元的利用率问题，可能存在过利用（一个神经元对应多个模式类别）或欠利用（神经元闲置）的情况；三是竞争层可能存在无响应的神经元，需要优化神经元的分布以提高分类性能。 为解决这些问题，作者程柏林等人提出了结构自调整算法。该算法旨在动态调整网络结构，无需预先确定神经元的数量，而是根据输入信号的特征和分布实时扩展或收缩网络，以实现更好的信号分选效果。通过级联结构的设计，SSA-SOFM能够更有效地处理复杂的数据流，并通过实际数据的实验仿真验证了这种方法的有效性。 具体而言，该方法的优势在于能够实时适应信号的复杂性和变化，提高了信号分选的准确性和效率，尤其是在信号源数目未知或不确定的情况下。通过优化神经元的使用和分配，它能有效避免过拟合或欠拟合，确保每个神经元代表一个或一组相关的模式，从而提升整体的分类性能。 总结来说，这篇文章的主要贡献在于提出了一种新的信号分选策略，它通过结构自调整机制，提升了SOFM神经网络在信号处理领域的实用性和适应性，为实时和复杂环境下的信号分选提供了一种有效的解决方案。