SOM网络在雷达目标识别中的应用.pdf

《SOM网络在雷达目标识别中的应用.pdf》由会员分享，可在线阅读，更多相关《SOM网络在雷达目标识别中的应用.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、SOM 网络在雷达目标识别中的应用【摘 要】针对雷达目标识别的问题，前人提出了许多方法，而本文研究了无监督的 SOM 网络在雷达目标识别中的应用。本文主要研究的是雷达的三维回波显示数据，提出了三个检验指标，分别为最小距离和、信息覆盖率和冗余信息率。通过大量的实验，结果显示：SOM 网络可以很好的进行雷达目标识别。【关键词】SOM；雷达目标识别；聚类【Abstract】On the problem of radar target recognition，predecessors put forward many methods，and this paperstudies the applicat

2、ion of SOM network in radar targetrecognition.This paper mainly studies the three-dimensionaldisplay of radar echo data.We also defines four test index：theminimum distance，information coverage，redundancyinformation rate and the time.A lot of experiments were done，and the results demonstrate the effe

3、ctiveness of SOM network.【Key words】SOM；Radar target recognition；Clustering0 引言雷达是战场信息处理系统最基本、最直接、最重要的信息来源之一，对雷达系统进行数字化和信息化改造，增加自动目标识别功能，是现代雷达武器系统的发展方向。识别系统中采用的识别算法是整个系统的核心和中枢环节。因此，识别算法是否具备原理简单、结构合理、人工调整参数少以及性能稳定等特点，不仅决定识别系统的综合分类能力，而且直接影响着系统维护与扩展的难易程度和稳健性1。人工神经网络模拟生物神经系统结构和信息处理机制，具有自组织、自学习等性能，允许样本存在

4、缺损和畸变，具有对不确定性问题的学习与适应能力，被越来越多地应用与目标识别领域中2。自组织特征映射网络3（Self-OrganizingFeature Map，SOM）作为一类无监督学习的神经网络模型，可以对外界未知环境或样本空间进行学习或者模拟，不需要先验知识，与 BP 神经网络4等方法相比更适合用于雷达目标识别。1 SOM 神经网络原理自组织特征映射网络（Self-Organizing Feature Map，SOM）也称 Kohonen 网络，它是由荷兰学者 Teuvo Kohonen于 1981年提出的。该网络是一个由全连接的神经元阵列组成的无教师、自组织、自学习的网络，实现从输入空间

5、（n 维）到输出平面（二维）的低维映射，并且映射具有拓扑特征保持性质，通过不断地调整网络节点连接权值，自动地寻找样本数据类型间的内在特征并进行聚类5。1.1 SOM 神经网络结构典型的 SOM 网络结构如图 1 所示，由输入层和竞争层组成。第一层为输入层，输入层神经元个数同输入样本向量维数一致；第二层为竞争层，竞争层节点呈全连接二维阵列分布，输入节点和竞争节点之间以可变权值连接。1.2 SOM 神经网络学习算法自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。自组织特征映射的学习算法步骤如下5：（1）网络初始化

6、用随机数设定输入层和映射层之间的权值的初始值。对m 个输入神经元到输出神经元的链接权值赋予较小的权值。选取输出神经元 j 个“邻接神经元”的集合 Sj。其中，Sj（0）表示时刻 t=0 的神经元 j 的“邻接神经元”的集合，Sj（t）表示时刻 t 的神经元 j 的“邻接神经元”的集合。区域 Sj（t）随着时间的增长而不断缩小。（2）确定输入向量把输入向量 X=（x1，x2，xm）T 输入给输入层。（3）寻找获胜神经元（4）权值的调整（6）验证结果如达到要求（此要求根据具体问题具体确定）则算法结束；否则返回步骤（2），进行下一轮学习。2 雷达目标识别实验2.1 实验场景及数据说明本实验的场景以及

7、场景的三维回波显示如图 2 所示。其中，图 2 中主要包含三种特征信息：公路、草地和车辆。两条高速公路穿过一片草地，在上行高速公路中运行着五辆小轿车和一辆大卡车。本实验的目的是准确识别出各个车辆的位置。首先，利用统计的方法，选取合适的阈值，去除孤立点和不合理的聚集点，会得到非常好的结果。但是，此方法的阈值都是符合具体问题的，具有穷举性，不具有通用性。2.2 评价指标针对此问题，本文定义了三个评价指标，分别为最小距离和 D、信息覆盖率 和冗余信息率。通过评价指标的定义，我们可以知道，最小距离和D 和冗余信息率 越趋近于 0 越好，而信息覆盖率 越趋近于 1越好。3 实验结果文献2中，提出竞争层神

8、经元的个数应为聚类类别的1.52.5 倍，因此，本实验选取从 55 到 1212 几个类别进行比较分析。进行 200 次实验，计算平均值进行统计分析，得到表 1：从表 1 中，我们可以知道，随着竞争层神经元个数的增加，最小距离和 D 越来越小，最后变为 0，而信息覆盖率由 1 慢慢变少，冗余信息率 也会也来越少，直至变为 0，但是运行时间 t 会变得越来越长。通过比较，我们发现当竞争层神经元为 66 时，各个指标最好。于是得到如图 3 所示的目标点相对位置图。其中，图 3 中三角形是 SOM 网络得到的目标点位置即 S，实心圆点是统计的方法得到的目标点位置即 A。4 结论本文针对现有的雷达目标

9、识别问题，采用了无监督的SOM 网络得到了较为理想的结果。但是还是存在一些不足，如：学习率的选取，本文只是选取了=0.9，不具有普遍性，下一步的改进方向就可以是把学习率改为学习函数，这样，可以根据前一步或者前几步的学习速率，自动的调整其大小。另外，还可以把粒子群算法（PSO）引入其中，进行权值训练，加快运行速度。总之，SOM 网络在雷达目标识别中具有其特有的优势。【参考文献】1郁文贤.智能化识别方法及其在舰船雷达目标识别系统中的应用D.长沙：国防科技大学，1992.2Bishop C M.Neural networks for pattern recognitionM.Oxford，England：Oxford University Press，1996：1-28.3涂晓芝，颜学峰，钱锋.基于 SOM 网络的基因表达数据聚类分析J.华东理工大学学报：自然科学版，2006，32（8）：992-996.4张静，宋锐，郁文贤.雷达目标识别中的 BP 神经网络算法改进及应用J.系统工程与电子技术，2005，27（4）：582-585.5王小川，史峰，郁磊，李洋.MATLAB神经网络 43 个案例分析M.北京：北京航空航天大学出版社，2013：186-195.责任编辑：汤静