雷達測速信號的ＢＰ網絡識別
2008-04-12 00:00:00樊闖馮大政
現代電子技術 2008年9期
摘 要：測速雷達信號識別是進行輔助決策的關鍵。介紹一種在實際生活中有著廣泛應用的神經網絡模型——BP網絡，通過對他的結構及工作原理的分析，結合三類雷達測速信號的特征，歸納出一種基于BP網絡進行雷達測速信號識別的方法，并且給出了仿真實例。實驗結果表明，此方法能夠快速識別三類信號，具有識別率高的特點。
關鍵詞：BP網絡;神經網絡;測速雷達;信號識別
中圖分類號：TP18 文獻標識碼：B
文章編號：1004-373X(2008)09-048-03
BP Network Recognition of Velocity Radar Signal
FAN Chuang，FENG Dazheng
(National Key Lab of Radar Signal Processing，Institute of Electronic Engineering，Xidian University，Xi′an，710071，China)
Abstract：The recognition of velocity radar is critical to the assistant strategy.This paper introduces the neural network model——BP network，which is used widely in life.By analyzing its architecture and work principle，the method to recognize velocity radar signal is induced，simulating instances are also given.Experimental results verify this method is able to recognize three kinds of signals quickly and has the character of high recognition.
Keywords：BP network;neural network;velocity radar;signal recognition
1 引 言
近年來，人們對神經網絡的研究已廣泛興起，神經網絡在信號處理領域中的應用極為引人注目。由于神經網絡是根據現代神經生理學和認知科學對人類信息處理的研究成果提出來的。他是模擬人的大腦來實時地處理信息，因而具有很強的自適應能力、容錯能力和非線性并行處理能力，神經網絡的這些特征[1]為其應用奠定了基礎。隨著神經網絡本身的發展和完善，神經網絡己應用到信息處理的各個方面，如語音識別、圖像處理、信號的分類、自適應均衡、自適應噪聲對消、自適應波束形成、自適應編碼、非線性濾波、功率譜估計、信號重構等，使信息處理帶上智能的特點。
目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型是采用BP網絡和他的變化形式，他也是前向網絡的核心部分，體現了人工神經網絡最精華的部分。本文提出一種用BP(Back Propagation)網絡實現對雷達測速[2]的三類信號進行識別分類的算法。
2 BP網絡
(1) BP網絡模型結構為多層網絡結構，不僅有輸入節點和輸出節點，而且有一層或多層隱節點，如圖1所示。
圖1 BP網絡模型結構
(2) BP網絡傳遞函數一般為(0，1)S型函數：
f(x)=11+e－x
(1)
(3) 誤差函數:對第p個樣本的計算公式[3]為：
Ep=∑t(tpt－Opt)22
(2)
其中，tpt，Opt分別為期望輸出和網絡的計算輸出。
3 信號的分析與處理
信號來自一部測速雷達獲得的三種目標的回波信號，三種目標分別是行人W、自行車B和卡車T，信號中包含目標的速度信息。
根據獲得的三類信號的樣本，每個樣本中均包含1 024個數據，由于每一個樣本的數據量較大，不可能將所有1 024個數據全都作為神經元的輸入，計算量太大，所以必須首先對信號進行分析，提取最有價值的特征信息。
首先可以看看每一個樣本中的數據圖，以行人信號中的第一個樣本為例，如圖2所示。
圖2 行人的數據圖
從圖2的時域數據基本上觀察不出規律，因此要對數據進行傅里葉變換，從頻域分析數據的特征。頻域分析表明，行人的數據的頻譜的幅度很小，原因是因為信號在零點處的值特別大，所以要將在零點處的值去掉，得到的數據如圖3所示。
圖3 行人數據去零點后頻譜圖
這時可以觀察到信號的一些特征，從圖中發現信號的頻譜圖是基本對稱分布的，而且信號的峰值也很大，可以對他首先進行歸一化，如圖4所示。
圖4 行人數據歸一化后的頻譜圖
圖5 行人數據取絕對值后的頻譜圖
同時將自行車和卡車的頻譜圖來做比較，可以觀察到信號都有明顯的峰值，但是出現的位置不同，另外，信號的均值和方差明顯不同。但是考慮到雷達所測數據中，會有一些速度反常規的游離數據，所以考慮采用受游離數據影響小的平均絕對值偏差來代替樣本方差作為輸入特征。同時，以數據的樣本中位數作為輸入特征來減少游離數據的影響。根據這些特征進行提取來作為輸入。
4 信號特征提取
(1) 取信號歸一化后的均值作為一個特征量。
(2) 取信號歸一化后的平均絕對值偏差作為一個特征量。
(3) 取信號歸一化后的樣本中位數作為一個特征量。
(4) 由三幅圖的比較可以發現，信號的每兩點之間的起伏程度也不盡相同，所以可以設定一個特征量，來記錄信號兩點間的起伏程度的大小。
(5) 信號在經過歸一化后，可以將信號全部的值加起來，用這個總的值來作為一個特征量。
除了上述的特征，還有很多特征可以提取，但是特征越多，需要的輸入神經元越多，依照隱層神經元約為輸入神經元的兩倍的原則，隱層的神經元也將越多，則網絡訓練的時間將花費很大。所以，本仿真實驗只提取了上述特征中的(1)，(2)，(3)，其流程如圖6所示。
圖6 信號特征提取流程
5 算法與實現
根據提取的特征的維數，來決定輸入神經元的個數。因為提取的3個特征的維數分別為8，1和1，所以輸入神經元的個數為10。輸出神經元的個數定為3個，考慮到被識別的三種信號分別對應三個輸出，雖然用兩個神經元就可以表示三種輸出狀態，但是用三個神經元能更好地分辨，減少出錯的概率。至于隱層的神經元個數則按照約為輸入神經元個數的兩倍的原則[4]，設為20個。當然還可以在調試過程中根據輸出的識別率來一個一個找到較為合適的個數。
由BP算法非線性函數S型函數為:
采用梯度下降法[5]對權值進行調整，對于輸出層與隱層間的權值以及閾值調整量為：
ΔWpkj=η(ypk－dpk)f′(netpk)#8226;Opj=η σpkOpj
(11)
Δθpk=η σpk
BP網絡的識別流程如圖7所示。
圖7 BP網絡的識別流程
均方誤差E的收斂情況是反映神經網絡性能的一個重要標準。如果E值出現振蕩，那么就要調整學習速率η的值，或者重新設置初值，直到E的值連續單調遞減為止。在剛開始調試程序的時候，E的收斂速度很慢，在改變了學習速率后，收斂速度明顯加快，并且未出現震蕩。如圖8為E值的收斂圖，最后穩定在10左右，迭代次數設定為2 000，但基本上在1 000以后變化就很小了。
圖8 均方誤差E收斂圖
6 結 語
仿真實驗所得結果如表1所示。
表1 仿真結果
類別行人自行車卡車
識別率89%57%94%
在識別的過程當中，卡車和行人的識別率一直都比較高，自行車的識別率較低，究其原因是因為自行車的速度有的和行人接近，有的又和卡車接近，介于卡車和自行車之間，容易出現交疊現象。這就導致了自行車的數據有一部分被識別為行人，有一部分被識別為卡車，所以自行車的識別率相對于行人和卡車來說低一些。
所以要想進一步提高識別率的話，必須對三類數據進行深入的分析，針對自行車信號頻譜的特點來更多地尋找一些區別于行人和卡車的有效的特征值，這樣才能將識別率提高到一個較高的水平。
參 考 文 獻
［1］Hampshire J，Waibel A.A Novel Objective Function for Improved Phone Recognition Using BP Neural Network［J］.IEEE Trans.Neural Networks，1990，1(2):216-228.
［2］White H.Commentionist Nonparametric Regression Multilayer Feedforward Networks Can Learn Arbitrary Mapping ［J］.Neural Networks，1990，(3):47-51.
［3］楊建剛.人工神經網絡實用教程［M］.杭州：浙江大學出版社，2001.
［4］胡伍生，沙月進.神經網絡BP 算法的誤差分級迭代法\\[J\\].東南大學學報:自然科學版，2003，33(3):376-378.
［5］朱大奇，史慧.人工神經網絡原理及應用［M ］.北京:科學出版社，2006.
作者簡介 樊 闖 男，1979年出生，西安電子科技大學電子工程研究所碩士研究生。研究方向為神經網絡、信號與信息處理。
馮大政 男，現任西安電子科技大學教授、博士生導師、學科帶頭人。目前主要從事盲源分離、盲均衡、神經網絡理論和雷達理論等領域的研究。
注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。
