📄 +
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<!-- saved from url=(0050)http://210.79.246.2/nriet/period/doc/98_8_sjwl.htm -->
<HTML><HEAD><TITLE>神经网络在雷达对抗与反对抗中的应用</TITLE>
<META content="text/html; charset=gb2312" http-equiv=Content-Type>
<META content="MSHTML 5.00.2614.3500" name=GENERATOR></HEAD>
<BODY background=神经网络在雷达对抗与反对抗中的应用.files/clouds.gif>
<DIV align=center>
<CENTER>
<TABLE border=0 cellPadding=0 width=700>
<TBODY>
<TR>
<TD align=middle>[<A
href="http://210.79.246.2/nriet/index.htm">返回主页</A>|<A
href="http://210.79.246.2/nriet/period/p8.htm">98年第八期目录</A>|<A
href="http://210.79.246.2/nriet/dzgc.htm">期刊总览</A>]</TD></TR>
<TR>
<TD><FONT face=宋体 size=3>
<P align=center></FONT><FONT face=楷体_GB2312
size=5><STRONG>神经网络在雷达对抗与反对抗中的应用</STRONG></FONT><FONT face=宋体 size=3></P>
<P align=justify>〔摘要〕
本文从神经网络应用于雷达对抗与反对抗中的潜在优势出发，论述了将其应用于雷达信号分选和识别、自适应信号处理、识别反辐射导弹、探测隐身目标和抗人为干扰等方面的广阔前景。</P>
<P align=justify>一、引言</P>
<P
align=justify>神经网络是目前最具爆发性的一个新兴学科生长点，已成为科学技术发展的新热点，它的发展将会给整个信息科学带来里程碑的变化。人们称神经网络计算机是第六代计算机，又是第二代人工智能。由于神经网络在军事上的应用日趋广泛，能对未来的军事系统起到“力量倍增器”的作用，所以受到各国军方的高度重视，其重要性可与第二次世界大战期间发展原子弹那样相提并论。</P>
<P align=justify>神经网络的下列功能和特点，使其应用在雷达对抗与反对抗中有着明显的潜在优势：</P>
<P align=justify>1.智力惊人的自适应自学习能力</P>
<P
align=justify>对于一个实际应用问题，网络可通过特定的样本进行训练，能根据周围环境的变化按特定的学习模式或自组织方式来调整网络结构，它不仅可以处理各种变化的信息，而且在处理信息的同时其本身也在不断地变化即通过它的某种学习机制，自已总结经验，能对一些没有规律的问题，作出反应和对策。</P>
<P align=justify>2.理智敏捷的判断思维</P>
<P
align=justify>神经网络以与人脑多少有些相同的方式来解决复杂问题，不需要数据完备，而是利用直觉和事物的来龙去脉，加上大规模并行运算，使其能处理一些环境信息十分复杂、知识背景不清楚、推理规律不明确、信息模式多变、甚至矛盾的问题，能从典型的事例中正确处理具体事例，给出满意的结果。</P>
<P align=justify>3.高度分散的信息存储方式</P>
<P
align=justify>在神经计算机中，一个信息不是存放在一个地方，而是分布在整个网络中，在网络的每一处能存储多个信息，即使系统一部分受到损伤，也不削弱整个网络的整体效力；对于网络中某个文件的损坏，或输入“污染”，具有较强的容错性和抗干扰性；查询任何一部分信息，有关的信息都可回忆出来，恢复其原始信息。</P>
<P align=justify>4.快速准确的实时处理</P>
<P
align=justify>神经网络计算机的信息处理是在大量处理单元中并行而有层次地进行的且信息的存储和处理合二为一，减少了数据传输的时间，不但不易出差错，而且信息处理速度快，大大超过了顺序处理的数字计算机。</P>
<P align=justify>5.一网多用的多功能性</P>
<P
align=justify>同一网络，通过不同样本集训练，完成不同的功能；而且，同一网络，训练方法不同，具有不同的用途。这样的学习系统，有可能通过学习，超过原有的设计内容，而增长新的知识。因此，神经网络在雷达对抗与反对抗中的应用有着越来越广阔的前景。</P>
<P align=justify>二、神经网络应用于雷达</P>
<P align=justify>信号的分选和识别</P>
<P align=justify>雷达信号分选和识别是利用雷达信号特征参数的相关性来实现的，表征雷达的特征参数有：</P>
<P
align=justify>①频域参数：包括载频频率、频谱及频率变化规律等；②空域参数：包括信号的到达的方向、“方位角、仰角；③时域参数：包括信号到达时间、脉冲宽度、脉冲重复周期(重复频率)及其变化规律、变化范围等；④辐度参数：包括天线调制参数、天线扫描规律等。</P>
<P
align=justify>信号分选根据所采用的分选参数和分选功能，通常有下列分选技术：重频分选；时域、频域多参数分选；空域、频域、时域综合分选等。利用的参数越多，对分选就越有利。然而上述这些分选方法均是一种传统的串行规律检测法，存在速度慢、模糊性及系统的响应很不理想等缺点。为了解决上述问题做到实时可靠的分选和识别，可引入下列一起神经网络。</P>
<P align=justify>1.自组织PNN应用于信号分选和识别</P>
<P align=justify>概率神经网络PNN(Probabilistic Neural
Network)的功能函数采用的不是Sigmoid型函数，而是指数函数。采用这种函数形成的分类神经网络，可以得到非线性判决边界，且在一定条件下就可实现贝叶斯最优判决。</P>
<P
align=justify>自组织神经网络是根据人脑具有的下列特点开发出来的：人的脑神经系统既能牢固地记住所学得的各种知识，又能很好适应各种复杂多变的环境，通过“自学”来认识未学习过的新事物，并解决不熟悉的新问题。自组织PNN利用人脑组织的这些特点，无须事先存储训练样本，而是通过边工作边学习(记忆)，其内容即其隐含层各单元的权重，是利用其自身内部的竞争学习获得的，竞争的获胜者是具有最大概率的模式，随着更多模式的获得系统能自已调整记忆，并自动遗忘过旧的模式以适应新的复杂环境。</P>
<P
align=justify>利用PNN可以对具有单维或多维特征参数的信号进行分类。经过仿真实验，证明了这种方法的可行性并是一种有效的信号分选方法，但这种方法在实际使用中是否有效，关键是前端处理机能否提供较准确的信号参数。</P>
<P align=justify>2.BSB应用于信号的分选和识别</P>
<P align=justify>BSB(Brain State
Box—盒中脑状态)用了基本线性联想器，用误差校正构造连接矩阵，还采用了一个简单的限幅非线性单元并具有自联想(AOTO-AM)功能和异联想(Hetero-Am)功能。</P>
<P
align=justify>首先，由雷达侦察接收机把各种脉冲处理成方位角(Az)、仰角(EL)、信噪比(SNR)、载频(FR)等特征值，并把这些数据列表示在脉冲缓冲寄存器中，再标记上到达时间。然后，由BSB的自联想功能完成分选：可随机地从“脉冲寄存器”中提取脉冲，用小学习常数的Midrow-Hoff误差校正算法学习它；所有从一部雷达来的脉冲都将吸引至一种特殊的稳定状态，从而完成雷达信号的分类过程。</P>
<P
align=justify>对于BSB异联想模型，可先利用已知的关于雷达参数的先验知识来训练网络，学习完毕后，网络便可以鉴别出输入脉冲矢量的类型，而不必进行复杂的查找与比较，从而可提高分选速度。</P>
<P
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -