基于等价型模糊神经网络电子对抗辐射源识别方法技术

本申请公开了一种基于等价型模糊神经网络电子对抗辐射源识别方法，包括：步骤1，计算聚类中心cj，j等于j＝1,2,…；步骤2，计算基函数参数σj；步骤3，调整连接权值wij；步骤4，符合终止的条件结束，否则返回步骤2。本发明专利技术算法提高了战场电子对抗辐射源识别的正确率和可靠性，大大地改善电子对抗系统中敌我设备电子性能。

【技术实现步骤摘要】

本申请属于信号识别
，特别是涉及一种基于等价型模糊神经网络电子对抗辐射源识别方法。
技术介绍
随着军事科学技术的进步，现代化战场电子对抗越来越激烈，电磁信号环境也越来越复杂，辐射源密度成倍增加，同时对战场局势的决策和判断已成为高技术侦测装备的较量，才能赢得更大的战争主动性。而军事雷达、无人机、军事卫星等侦察设备在侦测辐射源参数信息以及信息的特称的过程中，由于存在较大的偶然性，这就需要利用模糊技术。模糊技术在处理那些精确度不是很有把握的信息时能够显示出巨大的优势，特别是在识别辐射源方面推广，这是符合技术发展历史趋势的必然选择。不过模糊性地推理只能够对等级有限地进行获取，对于准确的识别率与识别精度大大得到了降低，如此导致模糊识别系统对于本身的许多优势不能更好地体现。
技术实现思路
本专利技术的目的在于提供一种基于等价型模糊神经网络电子对抗辐射源识别方法，以克服现有技术中的不足。为实现上述目的，本专利技术提供如下技术方案：本申请实施例公开了一种基于等价型模糊神经网络电子对抗辐射源识别方法，包括：步骤1，计算聚类中心cj，j等于j＝1,2,…,；步骤2，计算基函数参数σj；步骤3，调整连接权值wij；步骤4，符合终止的条件结束，否则返回步骤2。优选的，在上述的基于等价型模糊神经网络电子对抗辐射源识别方法中，所述步骤1包括：(1)、cj初始化；(2)、让任何的模式都根据最近的聚类中心进行分组，假设||xi-cj||=minj∈Nr||xi-cj||---(1)]]>将xi分配给θj，i＝1,2,3,…r,θj代表的是在聚类中心进行聚集，cj则表示集合周围的训练方式；(3)、对聚类中心进行重新计算：cj=1MjΣxi∈θjxi---(2)]]>其中，Mj代表θj之中元素的数值；(4)、步骤1与步骤3进行重复，直至cj的聚类中心不发生任何变化。优选的，在上述的基于等价型模糊神经网络电子对抗辐射源识别方法中，所述步骤2中，σj2=1MjΣx∈θj(x-cj)T(x-cj)---(3).]]>优选的，在上述的基于等价型模糊神经网络电子对抗辐射源识别方法中，所述步骤3中，按式(4)更新权值：wij(k+1)=wij(k)+η(yd-y)αj‾xi---(4)]]>其中，η为学习率，k为训练次数，yd和y分别为训练样本的实际输出与期望输出。与现有技术相比，本专利技术的优点在于：本专利技术算法提高了战场电子对抗辐射源识别的正确率和可靠性，大大地改善电子对抗系统中敌我设备电子性能。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1所示为本专利技术具体实施例中基于等价型模糊神经网络电子对抗辐射源识别方法的流程图。具体实施方式本案所要解决的技术问题是在错综复杂现代战场电子对抗过程中，通过多目标信号处理技术，分类筛选可待识别的战场目标特征信号，建立起了多目标跟踪以及相应的辐射源识别样本。根据本案方法能够对于模糊神经网络进行等价式、自动学习等行为，就可以产生隶属函数与模糊规则，在这些规则的基础上，模糊逻辑方向的推理则对于复杂性问题、非线性问题进行解决。与模糊识别系统以及并联型模糊神经网络相比，具有更好的抗干扰能力。本按方法具有着很强的联想能力与适应能力，在进行识别之时，对于一些隐藏的样本可进行联想、记忆从而具有了正确的输出对目标进行识别，能大大地改善系电子对抗战争中的辐射源识别的正确率和可靠性。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行详细的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。对模糊神经网络的等价型现象依然是使用了以下两个阶段的算法。在最开始的阶段，对于中间层具有的一个中心位置C决定，然后了解宽度σj。使用了k-均值聚类计算的方法，这是一种不需要监督的学习性质的算法，其具有良好的性能，并且能够广泛进行使用。具体的计算方法表现如下：步骤一：cj是聚类中心，然后进行初始化，j等于j＝1,2,…,；步骤二：让任何的模式都根据最近的聚类中心进行分组，假设||xi-cj||=minj∈Nr||xi-cj||---(1)]]>将xi分配给θj，θj代表的是在聚类中心进行聚集，cj则表示集合周围的训练方式步骤三：对聚类中心进行重新计算：cj=1MjΣxi∈θjxi---(2)]]>Mj代表θj之中元素的数值；步骤四：便是对于步骤1与步骤3进行重复，等到cj的聚类中心不发生任何变化，这样就能够开始第二个阶段。在第二个阶段的过程中，中间层和输出层之间的权值，用LMS算法等来确定。两段结束之后，还要对参数进行微调。步骤五：让输出层与中间层之间权值进行初始化，wij这样的权值最好就是用比较小的随机数来设置；步骤六：完成聚类算法之后，对于参数σj进行确定，确定好参数，其与每个中心的数据分布具有一定的联系，代表着这样的一种测度，这样在确定的过程中可以使用很多方法，其相当于训练模式与聚类中心的平均距离公式：σj2=1MjΣx∈θj(x-cj)T(x-cj)---(3)]]>步骤七：权值的更新，基函数参数确定后，按下式更新权值：wij(k+1)=wij(k)+η(yd-y)αj‾xi---(4)]]>其中η为学习率，k为训练次数，k＝0,1,2,3,…100,yd和y分别为训练样本的实际输出与期望输出步骤八：假如符合终止的条件，就可以结束，不然，还要返回第六步。在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。最后，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、本文档来自技高网...

【技术保护点】
一种基于等价型模糊神经网络电子对抗辐射源识别方法，其特征在于，包括：步骤1，计算聚类中心cj，j等于j＝1,2,…,；步骤2，计算基函数参数σj；步骤3，调整连接权值wij；步骤4，符合终止的条件结束，否则返回步骤2。

【技术特征摘要】
1.一种基于等价型模糊神经网络电子对抗辐射源识别方法，其特征在于，包括：
步骤1，计算聚类中心cj，j等于j＝1,2,…,；
步骤2，计算基函数参数σj；
步骤3，调整连接权值wij；
步骤4，符合终止的条件结束，否则返回步骤2。
2.根据权利要求1所述的基于等价型模糊神经网络电子对抗辐射源识别方法，其特征
在于：所述步骤1包括：
(1)、cj初始化；
(2)、让任何的模式都根据最近的聚类中心进行分组，假设
||xi-cj||=minj∈Nr||xi-cj||---(1)]]>将xi分配给θj，i＝1,2,3,…r,θj代表的是在聚类中心进行聚集，cj则表示集合周围的训
练方式；
(3)、对聚类中心进行重新计算：
cj=1MjΣxi...

【专利技术属性】
技术研发人员：陆渊章，
申请(专利权)人：江苏信息职业技术学院，
类型：发明
国别省市：江苏;32