som网络在雷达目标识别中的应用

《som网络在雷达目标识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、SOM网络在雷达目标识别中的应用王　龙1　杜敦伟2　白艳萍1（1.中北大学理学院，山西太原030051；2.北京机电工程研究所，中国北京100074）【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。.jyqk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“

2、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）寻找获胜神经元在映射层，计算各神经元的权值向量和输入向量的欧氏距离。映射层的第j个神经元和输入向量的距离计算公式如下：其中，ωij为输入层的i神经元和映射层的j神经元之间的权值。通过计算，得到一个具有最小距离的神经元，将其称为胜出神经元，记为j*

3、，即确定出某个单元k，使得对于任意的j，都有，并给出其邻接神经元集合。（4）权值的调整修正输出神经元j*及其“邻接神经元”的权值：（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

4、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ρ和冗余信息率ζ。最小距离和：本文第二章中，用统计的方法选取合适的阈值，会得到雷达目标点的集合A。本文中集合A会作为标准目标点，用其它算法得到的雷达目标点集合记为S，那么S中每个点到A的所有点的最小距离求和，就是最小距离和D。计算公式如下：式中，aj1,aj2分别为集合A中第j个点的横纵

5、坐标值；si1,si2分别为集合S中第i个点的横纵坐标值。信息覆盖率：集合A和集合S中位置相同的目标点占集合A的比例，计算公式如下：冗余信息率：集合S中除去集合A和集合S中位置相同的目标点，其余的目标点占集合A的比例，计算公式如下：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ζ越趋近于0越好，而信息覆盖率ρ越趋近于1越好。3　实验结果文献[2]中，提出竞争层神经元的个数应为聚类类别的1.5~2.5倍，因此，本实验选取从5×5到12×12几个类别进行比较分析。进行200次实验，计算平均值

6、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ρ由1慢慢变少，冗余信息率ζ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6×6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，

7、如：学习率的选取，本文只是选取了η=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。.jyqk.Neural].Oxford,England:OxfordUniversityPress,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

8、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］