基于级联 SSA-SOFM 神经网络的信号分选方法
程柏林
1
袁俊泉
2
马晓岩
3
1.
空军雷达学院电子对抗系 武汉
430019 2.
空军雷达学院信息与指挥自动化系 武汉
430019 3.
空军雷达学院训练部 武汉
430019
摘 要 针对应用传统
SOFM
神经网络进行辐射源信号分选的不足 提出了一种结构自调整算法以解决必
须事先确定
SOFM
网络规模的问题 进而提出了一种基于级联结构自调整
SOFM SSA-SOFM
神经网络模型的
信号分选方法 采用实际数据进行了实验仿真 结果表明了该方法的有效性
关键词 信号分选
SOFM
神经网络 级联 结构自调整
中图分类号
TN971
文献标识码
A
传统的基于串行规则检测的辐射源信号分选
方法的缺点是 速度慢 对不理想的雷达信号容易
造成误判和错判
1
人工神经网络具有分布式存储
和并行处理方式 自组织和自学习的功能以及很
强的容错性和鲁棒性等优点 在聚类分析 模式识
别等领域得到了广泛应用 包括人工神经网络用
于辐射源信号分选
2~6
一般的前向多层网络及BP
算法 RBF 网络等需要事先经过大量样本进行多
次迭代训练 在辐射源数目未知的情况下很难做
到实时处理 且BP和RBF神经网络在辐射源信号
分选识别应用中 很大程度上受到网络结构等因
素的影响 而 SOFM 神经网络具有自组织和无导
师的技术 是目前分类效果比较好的一种神经网
络模型 可对侦察系统获得的实时PDW 流进行分
选 并取得了较好的效果
4
但是 在将传统的 SOFM 神经网络应用于辐
射源信号分选时存在 3 个问题
4~6
1 很难确定神
经网络的规模 即输出神经元的数目 在应用时要
事先确定输出神经元的数目 且分选的结果因该
数目的不同而发生变化 2 一个神经元可能对应
2 个或 2个以上的模式类别 即多个模式类别的样
本可能会映射到同一个输出神经元上 即神经元
过利用 或者一个神经元只对应很少的样本
即神经元 欠利用 3 在竞争层可能存在一
些不对任何模式兴奋的神经元 即神经元 空闲
空闲或欠利用的神经元是多余的 可以删去 而
对于过利用的神经元可以考虑让它生长出一个新
的神经元 来共同表示相应的模式样本 这样 对
样本空间的高密度区分配多一些神经元 而对低
密度区分配少一些神经元 使得每个神经元竞争
获胜的概率差不多 从而得到最优的分类性能 据
此 本文提出了一种结构自调整 SOFM Structure
Self-adjusting SOFM 简称 SSA-SOFM 的神经网络
算法 以解决应用传统 SOFM 神经网络必须事先
确定网络规模的问题 进而借鉴在分类器设计过
程中可以通过串联或并联的方式提高分类器分类
性能的思想
7
提出了一种基于级联SSA-SOFM神
经网络模型的信号分选方法 并采用实际数据进
行实验仿真 结果表明 该方法能够实现复杂辐射
源信号的有效分选
1 SSA-SOFM 神经网络算法
SSA-SOFM 神经网络的基本思想是寻求一种
最佳规模的 SOFM 神经网络 即输出神经元数目
和待分类样本的真实类别数相等或接近 其主要
特点是 1 通过对输出神经元的分裂和合并 不
断调整网络规模 得出一个具体的数值 即输出神
经元的数目 m 计算聚类准则函数的值 J1,m 2 计
算输出神经元数目为 m +1 和 m 1 时 SOFM 神经
网络的聚类结果 计算聚类准则函数的值 J1,m+1 和
J
1,m 1
并与 J
1,m
比较 取最大值对应的神经元数目
为最佳值
设待分类模式集合
i
; i = 1, 2, , N 将它们
分成 c 类 j 类含有 nj 个模式 分类后各模式记
为 i
j
: j = 1, 2, , c i = 1, 2, , nj j =
1
nj
i =1
n
j
i
j
为
j 类的模式均值矢量 =
1
N
i =1
N
i 为所有待分类
收稿 日期 2006-06-12 修订日 期 2006-08-25
作者 简介
程 柏林
(
1972
)
男 讲师 主 要从事雷 达信号检 测与处理 研究
.
文章编号
CN42-1564
(
2006
)
04-0262-04
第 卷20 第4期
2006年 月12
空 军 雷 达 学 院 学 报
Journal of Air Force Radar Academy
Vol.20
No.4
Dec. 2006