基于BAS-BPNN的調(diào)頻無線電引信目標(biāo)與掃頻干擾識別方法

劉冰, 郝新紅, 周文, 楊瑾

(北京理工大學(xué) 機電動態(tài)控制重點實驗室, 北京 100081)

0 引言

現(xiàn)代信息化戰(zhàn)爭戰(zhàn)場環(huán)境使得無線電引信工作環(huán)境具有探測背景多變、打擊目標(biāo)多樣、面臨的電磁環(huán)境惡劣等多重復(fù)雜特征[1-2]。未來作戰(zhàn)方式與戰(zhàn)場環(huán)境迫切需要智能化無線電引信,其應(yīng)具有復(fù)雜電磁環(huán)境感知與目標(biāo)實時自主識別的能力,具有從目標(biāo)發(fā)現(xiàn)與識別、炸點與毀傷控制推理到毀傷控制決策的全過程控制的智能化[3-4]。因此,研究無線電引信目標(biāo)與掃頻干擾信號的識別方法具有重要意義,可為智能無線電引信精準(zhǔn)目標(biāo)打擊提供理論支撐。

目前的國內(nèi)外文獻中,已經(jīng)有很多對無線電探測器目標(biāo)識別方法展開了研究。文獻[5]提出一種雷達脈沖壓縮方法,利用塊密碼生成相位和頻率加密碼,同時利用四相碼代替二進制碼,實現(xiàn)了較好的抗干擾效果。文獻[6]基于信息型干擾下脈沖多普勒引信基帶濾波器的輸出信號,結(jié)合脈沖多普勒引信目標(biāo)函數(shù),并利用二分類與單分類支持向量機構(gòu)造引信期望信號空間,設(shè)計了基于目標(biāo)聯(lián)合特征提取和識別的引信原理樣機,實驗結(jié)果表明,分類識別成功率大于90%。文獻[7]通過對不同調(diào)制類型的汽車?yán)走_信號進行二維傅里葉變換,得到距離-多普勒圖像,然后利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進行分類識別,最終的準(zhǔn)確率超過96%。文獻[8]針對脈沖多普勒引信受到的箔條干擾,以飛機目標(biāo)調(diào)幅帶寬和調(diào)頻帶寬作為特征量,結(jié)合Kruskal-Wallis檢驗和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN),提出一種能識別出飛機目標(biāo)和箔條干擾的分類識別方法。文獻[9]提出一種基于調(diào)頻載波(FMCW)雷達的飛行器分類算法,以回波信號的微多普勒特征作為分類依據(jù),利用輕量級CNN對目標(biāo)進行識別,最終的準(zhǔn)確率達到95%。文獻[10]提出一種用于雷達目標(biāo)和欺騙式干擾的信號融合算法,利用目標(biāo)和干擾信號的空間散射差異,結(jié)合奈曼皮爾遜準(zhǔn)則,實現(xiàn)干擾信號的恒概率檢測,實驗和仿真結(jié)果證明了該方法的可行性。文獻[11]建立了對地調(diào)頻引信粗糙面差頻信號模型,利用二維距離-速度提取方法提取其差頻頻率和多普勒頻率,采用差頻頻率峰值帶寬和多普勒頻率峰值帶寬2個特征量識別地面目標(biāo)回波信號和數(shù)字射頻存儲器(DRFM)轉(zhuǎn)發(fā)式干擾信號。

本文以某型連續(xù)波調(diào)頻無線電引信為分析對象,針對對調(diào)頻引信威脅最嚴(yán)重的噪聲調(diào)幅掃頻、正弦調(diào)幅掃頻、方波調(diào)幅掃頻和純掃頻干擾信號,提出基于無線電引信檢波端輸出信號頻域信息熵、范數(shù)熵和倒頻譜熵的特征矩陣,作為天牛須搜索(BAS)-BPNN的輸入,對檢波端輸出信號和干擾進行分類識別的方法。通過對實測數(shù)據(jù)的實驗,結(jié)果表明,該方法能夠有效地對目標(biāo)和調(diào)幅掃頻干擾信號進行分類識別。

1 連續(xù)波調(diào)頻無線電引信目標(biāo)信號特征提取

1.1 數(shù)據(jù)采集

本文數(shù)據(jù)為在微波暗室環(huán)境內(nèi)實測采集的某型調(diào)頻引信數(shù)據(jù),信號的采樣頻率為1 000 kHz,采集引信啟動信號輸出時刻前50 ms內(nèi)的數(shù)據(jù)點,即采集引信啟動信號輸出前的50 000個數(shù)據(jù)點進行信號處理分析。其中,采集微波暗室內(nèi)鐵板模擬的目標(biāo)作用于引信的檢波輸出信號200組,噪聲調(diào)幅掃頻干擾信號作用于引信的檢波端輸出信號78組,正弦調(diào)幅掃頻干擾和方波調(diào)幅掃頻干擾作用于引信的檢波端輸出信號各80組,純掃頻信號作用于引信檢波端輸出信號40組。圖1(a)～圖1(e)分別為目標(biāo)信號作用下、噪聲調(diào)幅干擾信號作用下、正弦調(diào)幅干擾信號作用下、方波調(diào)幅干擾信號作用下和掃頻信號作用下的引信檢波端輸出信號時域波形圖,通道1的信號(黃色)為檢波時域信號,通道2的信號(綠色)為引信啟動信號。

1.2 信號預(yù)處理

為了最大程度抑制無用的噪聲信號的輸入,同時降低數(shù)據(jù)維度減少信號數(shù)據(jù)處理的復(fù)雜度,對無線電引信檢波端的輸出信號遵循如下的采集策略:引信開機后,對檢波端輸出信號進行頻率為 1 000 kHz 的采樣,直到采集到引信的啟動信號后,停止采樣。將采集到的所有數(shù)據(jù)點存儲下來,選取引信啟動信號輸出前的50 000個數(shù)據(jù)點作為后續(xù)信號處理分析的樣本點,即引信啟動前0.05 s的數(shù)據(jù)點。預(yù)處理后的目標(biāo)和各干擾信號作用下引信檢波端輸出信號如圖2所示。

1.3 基于熵的信號特征提取

1.3.1 頻域信息熵特征

信息熵最初提出是為了表示熱力學(xué)中熱狀態(tài)的不平衡程度,而現(xiàn)在將熵理論應(yīng)用于信息論中,其物理意義則是表示信息系統(tǒng)描述信息的能力[12]。如果一個系統(tǒng)越有序,熵值越小,反之,一個系統(tǒng)越混亂,熵值越大。熵可以與不同信號處理手段有機結(jié)合從而實現(xiàn)不同變換空間的信號特征提取[13]。

(1)

本文中,對引信檢波端輸出的信號進行頻域的信息熵的特征提取,引信檢波端時域輸出信號為uk,k=1,2,…,K,K為檢波端輸出信號的采樣點個數(shù),對時域信號進行快速傅里葉變換(FFT)后,可以得到檢波端輸出信號的頻譜Ur,r=1,2,…,N,N為檢波輸出信號頻域頻點個數(shù),檢波端輸出信號在頻域的能量值表示為

(2)

計算頻域每一個頻點能量占總能量的比值,計算式為

(3)

將式(3)代入式(1),可求得檢波端輸出信號頻域信息熵值,用Hf表示,即

(4)

1.3.2 范數(shù)熵特征

目標(biāo)回波信號檢波端輸出信號與干擾信號作用下檢波端輸出信號頻譜形狀不同,能量的分布函數(shù)不同,范數(shù)熵可用來定量描述信號的能量分布情況[14]。范數(shù)熵的定義如下:

對于隨機矩陣x=[x1,x2,…,xi,…,xM],令En(i)=|xi|P,1

(5)

為x的范數(shù)熵。檢波端輸出信號范數(shù)熵的計算方式與式(4)中檢波輸出信號頻域信息熵的計算方法相似,只需將范數(shù)熵計算中利用的隨機序列替換成檢波端輸出信號頻譜序列Ur即為所求。在式(5)中,參數(shù)P的選取直接影響范數(shù)熵特征值的大小,因此選取合適的參數(shù)P值將會使得目標(biāo)與干擾信號具備不同的差異顯著性。以MATLAB軟件中的顯著性檢驗函數(shù)Kruskal-Wallis的輸出p值為目標(biāo)函數(shù),選取最優(yōu)范數(shù)熵中的P值,使得目標(biāo)和干擾信號的范數(shù)熵特征的差異顯著性最大,以利于后續(xù)分類準(zhǔn)確度的提升。按照式(6)構(gòu)建范數(shù)熵中P值的取值集合,

P(j)=1+(j-1)×0.001,j=1,2,…,1 001

(6)

分別計算范數(shù)熵中P值對應(yīng)的目標(biāo)與干擾信號的Kruskal-Wallis檢驗輸出p值,得到二者關(guān)系如圖3所示,計算可得,當(dāng)范數(shù)熵中P取值為1.345時,Kruskal-Wallis顯著性檢驗的輸出值p最小為3.800 6×10-74。當(dāng)p值越小時,表明顯著性檢驗的結(jié)果越顯著,拒絕原假設(shè)的理由越充分,因此在范數(shù)熵的P值選取1.345時,式(5)中范數(shù)熵的表達式可以寫為

圖3 范數(shù)熵P值與差異顯著性檢驗輸出值的關(guān)系

(7)

且滿足目標(biāo)信號的范數(shù)熵與干擾信號的范數(shù)熵的差異顯著性最大。

1.3.2 倒頻譜熵特征

倒頻譜也稱為二次譜或?qū)?shù)功率譜,可用于分析復(fù)雜譜圖中的周期性成分,可將譜圖中的眾多邊頻譜線簡化為單根譜線,具有信息凝聚作用[15]。倒頻譜包括的種類分別為幅值倒頻譜、功率倒頻譜和復(fù)倒頻譜等,其中,工程中最常用的幅值倒頻譜可通過對時域信號的幅值譜密度函數(shù)取對數(shù)之后,再進行一次傅里葉變換得到。對時域信號x(t)計算幅值倒頻譜的方法如式(8)所示:

Ca(q)=|F{lgSx(f)}|

(8)

式中:q為倒頻率,即時間;|F(·)|表示先進行傅里葉變換再取模;Sx(f)為時域信號x(t)的幅值譜密度函數(shù)。

本文中,同頻域信息熵特征提取的方法類似,首先對引信檢波端輸出的采樣后的時域信號進行FFT,然后對信號的幅值譜取對數(shù),最后再進行FFT,并取模值,至此得到目標(biāo)信號和干擾信號的倒頻譜Ca(r),然后按照式(1)～式(4)的計算方法,求得目標(biāo)與干擾信號的倒頻譜熵。

1.4 信號特征可行性分析

提取的目標(biāo)和干擾信號特征直接關(guān)系到后續(xù)目標(biāo)與干擾識別分類結(jié)果的準(zhǔn)確性,因此對于特征進行可行性分析極有必要性。首先采用概率密度函數(shù)(PDF)對目標(biāo)和干擾信號的頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征進行定性分析。通過不同檢波輸出信號特征概率密度分布的重疊度來驗證特征的可分性,分別繪制目標(biāo)和干擾信號3種特征的概率密度分布函數(shù)圖,如圖4所示。圖4(a)為目標(biāo)與干擾信號頻域信息熵的概率密度分布圖,該特征下目標(biāo)信號和方波調(diào)幅干擾信號的曲線有小部分的重合,目標(biāo)信號與其他干擾信號的曲線僅有極小部分的重合,因此可以初步判定,頻域信息熵特征對于目標(biāo)信號和干擾信號具有區(qū)分度。圖4(b)為目標(biāo)與干擾信號范數(shù)熵的概率密度分布圖,該特征下目標(biāo)信號的曲線與干擾信號的曲線在范數(shù)熵取值范圍重合部分占據(jù)目標(biāo)信號范數(shù)熵取值范圍的較大部分,但是占據(jù)的概率密度值極小,因此可以初步判定,范數(shù)熵特征對于目標(biāo)信號和干擾信號具有區(qū)分度。圖4(c)為目標(biāo)與干擾信號倒頻譜熵特征的概率密度分布圖,該特征下4種干擾信號曲線比較類似,與目標(biāo)信號具備一定程度的重合,但是重合部分面基只占據(jù)各自總面積的小部分,同樣可以初步認(rèn)定倒頻譜熵對于目標(biāo)信號和干擾信號具備區(qū)分度。

圖4 頻域信息熵、范數(shù)熵和倒頻譜熵概率密度分布

通過特征值概率密度分布函數(shù)圖的重合度判定不同信號類型的可分程度,只能做定性分析,初步大致判定不同特征類型對目標(biāo)和干擾信號區(qū)分的可行性,并沒對各自特征下的目標(biāo)和干擾信號的可分性做定量分析,下一步通過差異顯著性分析方法對取不同特征目標(biāo)和干擾信號的可分程度進行分析。由于目標(biāo)信號與干擾信號的參數(shù)在特征提取之前并不確定具體滿足哪一種統(tǒng)計分布類型,因此對于特征的差異顯著性檢驗選取非參數(shù)Kruskal-Wallis檢驗方法,又稱為單因素非參數(shù)方差分析,該檢驗的原假設(shè)是k個獨立樣本來自同一個分布總體。MATLAB軟件中的Kruskal-Wallis檢驗工具箱對檢驗樣本的差異顯著性進行分析后返回p值,遵照統(tǒng)計學(xué)原則認(rèn)為,當(dāng)返回值p<0.05時為具有統(tǒng)計學(xué)差異,當(dāng)返回值p<0.01時為具有顯著統(tǒng)計學(xué)差異,當(dāng)返回值p<0.001時為具有極其顯著的統(tǒng)計學(xué)差異。在前一部分對于目標(biāo)和干擾信號的頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征進行定性分析之后,利用非參數(shù)Kruskal-Wallis檢驗方法對于這幾種特征進行定量分析。利用Kruskal-Wallis 工具箱分別繪制不同特征類型下目標(biāo)和干擾信號的分布箱型圖,并求解出檢驗返回p值,結(jié)果如圖5所示。圖5(a)為目標(biāo)與干擾信號頻域信息熵特征的箱型圖,輸出值pFE=3.078 5×10-74。圖5(b)為目標(biāo)與干擾信號范數(shù)熵特征的箱型圖,輸出值pNE=3.806 8×10-74。圖5(c)為目標(biāo)與干擾信號倒頻譜熵特征的箱型圖,輸出值pCN=6.642 4×10-74。3種特征的Kruskal-Wallis檢驗輸出p值均遠(yuǎn)遠(yuǎn)小于0.001,因此可認(rèn)定目標(biāo)和干擾信號的頻域信息熵、范數(shù)熵和倒頻譜熵具有極其顯著的差異特性,用于區(qū)分目標(biāo)和干擾具備可分性。

圖5 目標(biāo)和干擾信號頻域信息熵、范數(shù)熵和倒頻譜熵箱型圖

2 BAS-BPNN目標(biāo)信號識別方法

2.1 BAS算法原理

BAS算法是由Jiang等[16]在2017年提出的一種基于天牛覓食過程中搜尋食物具體方位原理的函數(shù)全局尋優(yōu)算法。BAS算法只關(guān)注一個個體即天牛本身,并不需要知道函數(shù)的具體形式和梯度信息,相比于粒子群優(yōu)化算法,運算量小、收斂速度快,具有全局尋有能力等優(yōu)點[17]。建模流程如下:

1)建立天牛頭部朝向的隨機方向向量:

(9)

式中:rands(·)表示隨機函數(shù);k表示空間位置的維度。

2)建立天牛左須和右須的空間坐標(biāo):

(10)

(11)

式中:xr為天牛右須的坐標(biāo);xl為天牛左須的坐標(biāo);xt表示第t次迭代后頭部質(zhì)心位置空間坐標(biāo);dt表示第t次更新時兩須之間的距離。根據(jù)上面得出的左右須的空間位置坐標(biāo),分別求解相應(yīng)的位置的氣味濃度值,即目標(biāo)函數(shù)值f(xr)和f(xl),并通過式(12)的迭代更新公式,對于天牛新的頭部質(zhì)心位置進行更新計算:

xt=xt-1+δtbsign(f(xr)-f(xl))

(12)

式中:δt為第t次迭代更新時的步長。

為了保證收斂速度同時避免陷入局部最小值,更新步長δt和兩須之間的距離dt通常按照如式(13)和式(14)所示的更新規(guī)則進行更新:

dt=αdt-1

(13)

δt=βδt-1

(14)

式中:α和β分別為[0,1]之間的小數(shù),一般取值α=β=0.95。

2.2 BAS算法性能驗證

為驗證BAS算法在在處理最優(yōu)化問題時的有效性,選取加拿大Simon Fraser大學(xué)公共的虛擬仿真實驗庫測試函數(shù)集中2個測試函數(shù)進行驗證,選取的函數(shù)分別為Ackley函數(shù)和CROSS-IN-TRAY函數(shù)。BAS算法參數(shù)設(shè)置選取兩須之間的距離初始值dt=2,初始步長δt=2,迭代更新系數(shù)α=β=0.95,迭代次數(shù)n=100,空間維度k=2。

Ackley函數(shù)廣泛地應(yīng)用于優(yōu)化算法地測試中,表達式為

(15)

為便于搜索結(jié)果的可視化展示,選取維度2,即d=2、a=20、b=0.2、c=2π。

圖6中(a)為二維Ackley函數(shù)地三維圖像,由圖6(a)可見該函數(shù)存在多個局部極小值,存在一個全局最小值,理論上該函數(shù)在x*=(0,0)處取得全局最小值f(x*)=0,圖6(b)為BAS算法搜尋Ackley全局最小值地搜索路徑示意圖,最終地計算結(jié)果為在x=(-0.000 342 34,0.002 338 4)處取得最小值f(x)=0.006 833 2,與理論值相近。圖6(c)為BAS算法隨迭代次數(shù)地增減計算最小值與最終最小值的曲線關(guān)系圖,由圖可見在經(jīng)過67次迭代后,計算值趨于收斂,不再波動。

CROSS-IN-TRAY函數(shù)具有多個全局最小值,同樣作為測試函數(shù)廣泛應(yīng)用于最優(yōu)化算法的測試中,函數(shù)的表達式如式(16)所示:

(16)

該函數(shù)理論上在x*=(±1.349 1,±1.349 1)可取得全局最小值,f(x*)=-2.062 61,圖7(a)為Cross-In-Tray函數(shù)三維圖,圖7(b)為BAS算法搜索測試函數(shù)最小值的示意圖。計算結(jié)果為在x=(-1.348,1.346 4)處取得最小值f(x)=-2.062 6,與理論值幾乎一致。由圖7(c)可知,在40次迭代之后,BAS算法可計算搜尋到函數(shù)的最小值,結(jié)果收斂不再波動。

圖7 BAS算法搜索Cross-In-Tray函數(shù)最小值結(jié)果

2.3 BAS-BPNN算法

利用BAS算法在函數(shù)全局尋優(yōu)中的收斂速度快等特點,對BPNN的初始神經(jīng)元連接權(quán)重和神經(jīng)元輸出閾值進行優(yōu)化,以網(wǎng)絡(luò)的計算輸出值與實際輸出值的均方誤差為目標(biāo)函數(shù)函數(shù),對網(wǎng)絡(luò)的初始值進行更新計算,選出均方誤差值最小的初始參數(shù)集合,即求解目標(biāo)函數(shù)取得的最小值時的參數(shù)集合。目標(biāo)函數(shù)可表示為

(17)

式中:自變量組合(w,b)為神經(jīng)元連接權(quán)重和輸出閾值的集合,(w,b)的初始值可根據(jù)式(9)中的描述,隨機生成;i為網(wǎng)絡(luò)的計算輸出值;Yi為網(wǎng)絡(luò)的實際輸出值,在本文中,實際輸出值即為訓(xùn)練樣本中信號的實際種類。BAS優(yōu)化BPNN初始參數(shù)的算法流程圖如圖8所示。

圖8 BAS確定最優(yōu)網(wǎng)絡(luò)初始參數(shù)流程圖

3 實驗結(jié)果與分析

為進一步驗證1.3節(jié)所提出的信號頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征的可分性和BAS-BPNN的分類識別性能,選取某型連續(xù)波調(diào)頻無線電引信的微波暗室實測數(shù)據(jù)進行實驗。由于無線電引信在戰(zhàn)場環(huán)境中作用的重點是目標(biāo)和干擾信號的分類與識別問題,并沒有對各類干擾信號進行區(qū)分的必要性。

本文的研究重點在目標(biāo)與干擾信號的分類識別。選取引信在目標(biāo)作用下的檢波端輸出信號200組,噪聲調(diào)幅掃頻干擾信號作用下檢波輸出信號78組,正弦調(diào)幅掃頻干擾信號作用下檢波端輸出信號80組,方波調(diào)幅掃頻干擾作用下檢波端輸出信號80組,純掃頻信號干擾作用下檢波端輸出信號40組。其中,噪聲調(diào)幅掃頻、正弦調(diào)幅掃頻、方波調(diào)幅掃頻和純掃頻干擾信號共同歸納為干擾信號,共計278組。數(shù)據(jù)實測采集的現(xiàn)場如圖9所示,調(diào)頻引信、目標(biāo)、干擾機和干擾機天線已經(jīng)在圖中標(biāo)注。

圖9 實驗場景示意圖

數(shù)據(jù)采集實驗中,干擾機的參數(shù)設(shè)置對標(biāo)美國“游擊手”電子干擾系統(tǒng)的參數(shù)進行等效功率密度換算,引信及干擾機參數(shù)設(shè)置方法如表1所示。

表1 實驗參數(shù)設(shè)置

為了更高效地對不同特征進行分類識別,避免信號特征量綱差異對識別準(zhǔn)確率帶來的影響,在特征輸入網(wǎng)絡(luò)之前,首先需要對特征數(shù)值進行歸一化處理,將不同信號類別的同類特征進行歸一化處理,采用線性歸一化函數(shù),將原始特征數(shù)據(jù)映射到[0,1]之間,歸一化函數(shù)公式為

(18)

式中:mn為歸一化之后的特征值;m為原始特征值數(shù)據(jù);mmax為同類特征中最大特征值;mmin為同類特征中最小的特征值。

BPNN分類器的隱層神經(jīng)元和輸出層神經(jīng)元的激活函數(shù)選取Sigmoid激活函數(shù),該函數(shù)的表達式為

(19)

典型的Sigmoid函數(shù)的函數(shù)圖像如圖10所示,它可以把較大范圍內(nèi)變化的輸入值擠壓到(0,1)輸出值的范圍內(nèi)。當(dāng)輸入值在0附近時,Sigmoid函數(shù)近似為線性函數(shù);當(dāng)輸入值靠近兩端時,對輸入進行抑制。輸入越小,越接近于0;輸入越大,越接近于1[18-20]。

圖10 Sigmoid激活函數(shù)

在200組檢波端目標(biāo)輸出信號和278組檢波端干擾輸出信號中,隨機選取2/3的數(shù)據(jù)作為訓(xùn)練樣本,剩下1/3的數(shù)據(jù)作為測試樣本,即隨機選取 133組目標(biāo)信號和185組干擾信號作為訓(xùn)練樣本,67組目標(biāo)信號和93組干擾信號作為測試樣本。對選取出來的每一組信號分別進行特征提取處理,提取出頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征,組成特征矩陣,經(jīng)類間歸一化處理后,準(zhǔn)備作為BPNN的輸入?yún)?shù)。

為驗證目標(biāo)與干擾信號識別方法的性能,本實驗首先研究對比了訓(xùn)練樣本在網(wǎng)絡(luò)訓(xùn)練過程中迭代次數(shù)對于目標(biāo)識別方法的影響。選取相同的訓(xùn)練樣本,網(wǎng)絡(luò)的訓(xùn)練次數(shù)取值范圍為1～30,步進間隔為1,共計30組不同的訓(xùn)練迭代次數(shù)訓(xùn)練而成的網(wǎng)絡(luò),對每組實驗分別重復(fù)進行100次,測試得到不同樣本訓(xùn)練迭代次數(shù)識別準(zhǔn)確率平均值和標(biāo)準(zhǔn)偏差平均值。

在無線電調(diào)頻引信的實際作戰(zhàn)場景中,為抵抗掃頻式信號的干擾,需要對于目標(biāo)信號和掃頻式干擾信號進行區(qū)分,即只需要判斷檢波端輸出信號是目標(biāo)還是干擾信號然后根據(jù)判決結(jié)果執(zhí)行下一步的決策。本文使用識別準(zhǔn)確率評價所提方法的性能,識別準(zhǔn)確率定義為

(20)

式中:DTT為將目標(biāo)識別成目標(biāo)的數(shù)目;DJJ為將干擾識別成干擾的數(shù)目;NT為目標(biāo)總數(shù);NJ為干擾總數(shù)。

測試結(jié)果如表2所示。直觀觀測不同迭代次數(shù)對目標(biāo)識別準(zhǔn)確率的影響以及識別準(zhǔn)確率的標(biāo)準(zhǔn)偏差變化情況,繪制不同迭代次數(shù)目標(biāo)識別準(zhǔn)確率和標(biāo)準(zhǔn)偏差的柱狀圖如圖11所示。由圖11可以看出,識別準(zhǔn)確率隨著迭代次數(shù)的增加,初始呈現(xiàn)增加趨勢:在迭代次數(shù)15次時,識別準(zhǔn)確率趨于穩(wěn)定,且標(biāo)準(zhǔn)偏差變小,即識別準(zhǔn)確率趨于穩(wěn)定;隨著迭代次數(shù)從15次增加到30次的過程中,識別準(zhǔn)確率呈現(xiàn)小幅度波動趨勢,在迭代次數(shù)為26次時,首次取得最高的識別準(zhǔn)確率99.96%,且標(biāo)準(zhǔn)偏差為0.001 6,在迭代次數(shù)為 29次、30次時,識別準(zhǔn)確率在此時再次達到到最高99.96%。

表2 識別準(zhǔn)確率隨迭代次數(shù)變化

圖11 不同迭代次數(shù)識別準(zhǔn)確率和標(biāo)準(zhǔn)偏差

在驗證訓(xùn)練樣本不同迭代次數(shù)對于識別準(zhǔn)確率的影響后,實驗再次研究對比了不同訓(xùn)練樣本占比對目標(biāo)識別方法性能的影響。隨機選取的訓(xùn)練樣本數(shù)目分別占據(jù)樣本總量的1/10、1/9、1/8、1/7、1/6、1/5、1/4、1/3、1/2,為確保測試樣本中的數(shù)據(jù)不包含任何訓(xùn)練樣本,選取樣本總量除去訓(xùn)練樣本的部分作為測試樣本,即測試樣本分別占據(jù)數(shù)據(jù)總量的9/10、8/9、7/8、6/7、5/6、4/5、3/4、2/3、1/2。訓(xùn)練樣本的訓(xùn)練迭代次數(shù)選為26次,對于不同的訓(xùn)練樣本占據(jù)樣本總量的實驗,分別重復(fù)進行100次測試,然后計算求得100次測試的識別準(zhǔn)確率平均值和識別準(zhǔn)確率標(biāo)準(zhǔn)偏差平均值,結(jié)果如表3所示。由表3可以看出,在訓(xùn)練樣本數(shù)占比分別為1/10、1/9、1/8、1/7、1/6、1/5、1/4、1/3、1/2,訓(xùn)練迭代次數(shù)為26次時,分類識別方法均取得了不錯的識別準(zhǔn)確率,識別準(zhǔn)確率最差為訓(xùn)練樣本占比1/10時的99.78%,識別準(zhǔn)確率最優(yōu)為訓(xùn)練樣本占比為1/2時的99.94%,且標(biāo)準(zhǔn)偏差都相對較小。

表3 識別準(zhǔn)確率隨訓(xùn)練樣本數(shù)占比變化

圖12為表3中數(shù)據(jù)的直方圖和標(biāo)準(zhǔn)偏差分布直方圖,可以看到不同訓(xùn)練樣本占比情況下,識別準(zhǔn)確率都表現(xiàn)出良好的性能,差異很小,進一步說明信號特征提取方法和目標(biāo)識別方法對于目標(biāo)信號和干擾信號具備良好的可分性。

圖12 不同訓(xùn)練樣本占比識別準(zhǔn)確率和標(biāo)準(zhǔn)偏差

為了驗證本文算法對目標(biāo)與干擾信號分類識別的性能,選取BPNN分類器進行對比實驗,對比過程選取相同的訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù),迭代次數(shù)分別選取15次、20次和25次,訓(xùn)練樣本占比分別選取2/3和1/3,每組實驗分別重復(fù)100次,以最終的識別準(zhǔn)確率平均值和標(biāo)準(zhǔn)偏差的平均值作為衡量指標(biāo),對比結(jié)果如表4所示。由表4可以看出,在相同訓(xùn)練樣本占比和相同迭代次數(shù)的情況下,本文算法的識別準(zhǔn)確率均優(yōu)于BPNN算法。圖13為表4的簇形柱狀圖表示,算法類別及訓(xùn)練樣本占比坐標(biāo)軸中,BPNN(1/3)表示選擇的算法為BPNN、訓(xùn)練樣本占比為1/3,以此類推。由圖13可以更加直觀地觀察到本文算法相比于BPNN算法,對目標(biāo)和干擾信號分類具有更優(yōu)的識別準(zhǔn)確率。

表4 不同算法識別準(zhǔn)確率對比

圖13 不同算法識別準(zhǔn)確率

4 結(jié)論

本文針對調(diào)幅掃頻式干擾對連續(xù)波調(diào)頻無線電引信的威脅,提出一種以頻域信息熵、范數(shù)熵和倒頻譜熵作為特征參量,以BAS優(yōu)化BPNN初始連接權(quán)重值和閾值后作為分類器的連續(xù)波調(diào)頻無線電引信目標(biāo)與干擾分類識別。通過采集某型連續(xù)波調(diào)頻無線電引信微波暗室實測數(shù)據(jù),分別提取目標(biāo)和干擾信號作用下引信檢波端輸出信號的頻域信息熵、范數(shù)熵和倒頻譜熵特征。首先對提取的特征可分性進行定性和定量分析,然后作為輸入值對優(yōu)化初始權(quán)重值和閾值的神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進行再次訓(xùn)練,得到最優(yōu)的優(yōu)化神經(jīng)網(wǎng)絡(luò)分類模型;對未知的信號經(jīng)過預(yù)處理提取相應(yīng)特征輸入訓(xùn)練好的優(yōu)化神經(jīng)網(wǎng)絡(luò)模型中,根據(jù)網(wǎng)絡(luò)的輸出結(jié)果對輸入信號類型進行識別。得出以下主要結(jié)論:

1)所提出的頻域信息熵、范數(shù)熵和倒頻譜熵特征提取方法對于目標(biāo)和干擾信號具備顯著性差異。

2)利用BAS優(yōu)化初始權(quán)重值和閾值的BPNN作為分類器對目標(biāo)和干擾信號的特征進行分類識別,可獲得很高的識別正確率,在迭代次數(shù)為 26次的情況下,識別準(zhǔn)確率達到99.96%,具備很好的連續(xù)波調(diào)頻無線電引信的對目標(biāo)和干擾信號的識別能力,為無線電引信的抗干擾設(shè)計提供了理論依據(jù)。