神經(jīng)網(wǎng)絡在雷達對抗與反對抗中的應用

1、神經(jīng)網(wǎng)絡在雷達對抗與反對抗中的應用摘要本文從神經(jīng)網(wǎng)絡應用于雷達對抗與反對抗中的潛在優(yōu)勢出發(fā)，論述了將其應用于雷達 信號分選和識別、自適應信號處理、識別反輻射導彈、探測隱身目標和抗人為干擾等方面的廣闊 前景。一、引言神經(jīng)網(wǎng)絡是目前最具爆發(fā)性的一個新興學科生長點，已成為科學技術發(fā)展的新熱點，它的發(fā)展將會給整個信息科學帶來里程碑的變化。人們稱神經(jīng)網(wǎng)絡計算機是第六代計算機，又是第二代 人工智能。由于神經(jīng)網(wǎng)絡在軍事上的應用日趨廣泛， 能對未來的軍事系統(tǒng)起到“力量倍增器”的 作用，所以受到各國軍方的高度重視，其重要性可與第二次世界大戰(zhàn)期間發(fā)展原子彈那樣相提并 論。神經(jīng)網(wǎng)絡的下列功能和特點，使其應用在雷達對

2、抗與反對抗中有著明顯的潛在優(yōu)勢：.智力驚人的自適應自學習能力對于一個實際應用問題，網(wǎng)絡可通過特定的樣本進行訓練，能根據(jù)周圍環(huán)境的變化按特定的 學習模式或自組織方式來調(diào)整網(wǎng)絡結(jié)構(gòu)， 它不僅可以處理各種變化的信息，而且在處理信息的同 時其本身也在不斷地變化即通過它的某種學習機制，自已總結(jié)經(jīng)驗，能對一些沒有規(guī)律的問題， 作出反應和對策。.理智敏捷的判斷思維神經(jīng)網(wǎng)絡以與人腦多少有些相同的方式來解決復雜問題，不需要數(shù)據(jù)完備，而是利用直覺和事物的來龍去脈，加上大規(guī)模并行運算，使其能處理一些環(huán)境信息十分復雜、知識背景不清楚、 推理規(guī)律不明確、信息模式多變、甚至矛盾的問題，能從典型的事例中正確處理具體事例，給

3、出 滿意的結(jié)果。.高度分散的信息存儲方式在神經(jīng)計算機中，一個信息不是存放在一個地方，而是分布在整個網(wǎng)絡中，在網(wǎng)絡的每一處 能存儲多個信息，即使系統(tǒng)一部分受到損傷，也不削弱整個網(wǎng)絡的整體效力；對于網(wǎng)絡中某個文 件的損壞，或輸入“污染”，具有較強的容錯性和抗干擾性；查詢?nèi)魏我徊糠中畔?，有關的信息 都可回憶出來，恢復其原始信息。.快速準確的實時處理神經(jīng)網(wǎng)絡計算機的信息處理是在大量處理單元中并行而有層次地進行的且信息的存儲和處 理合二為一，減少了數(shù)據(jù)傳輸?shù)臅r間，不但不易出差錯，而且信息處理速度快，大大超過了順序 處理的數(shù)字計算機。.一網(wǎng)多用的多功能性同一網(wǎng)絡，通過不同樣本集訓練，完成不同的功能；而且，

4、同一網(wǎng)絡，訓練方法不同，具有 不同的用途。這樣的學習系統(tǒng)，有可能通過學習，超過原有的設計內(nèi)容，而增長新的知識。因此, 神經(jīng)網(wǎng)絡在雷達對抗與反對抗中的應用有著越來越廣闊的前景。二、神經(jīng)網(wǎng)絡應用于雷達信號的分選和識別雷達信號分選和識別是利用雷達信號特征參數(shù)的相關性來實現(xiàn)的，表征雷達的特征參數(shù)有：頻域參數(shù)：包括載頻頻率、頻譜及頻率變化規(guī)律等；空域參數(shù)：包括信號的到達的方向、“方 位角、仰角；時域參數(shù)：包括信號到達時間、脈沖寬度、脈沖重復周期 （重復頻率）及其變化規(guī) 律、變化范圍等；輻度參數(shù)：包括天線調(diào)制參數(shù)、天線掃描規(guī)律等。信號分選根據(jù)所采用的分選參數(shù)和分選功能，通常有下列分選技術：重頻分選；時域、

5、頻域 多參數(shù)分選；空域、頻域、時域綜合分選等。利用的參數(shù)越多，對分選就越有利。然而上述這些 分選方法均是一種傳統(tǒng)的申行規(guī)律檢測法，存在速度慢、模糊性及系統(tǒng)的響應很不理想等缺點。 為了解決上述問題做到實時可靠的分選和識別，可引入下列一起神經(jīng)網(wǎng)絡。.自組織PNM用于信號分選和識別概率神經(jīng)網(wǎng)絡 PNN（Probabilistic Neural Network）的功能函數(shù)采用的不是 Sigmoid型函數(shù)， 而是指數(shù)函數(shù)。采用這種函數(shù)形成的分類神經(jīng)網(wǎng)絡，可以得到非線性判決邊界，且在一定條件下 就可實現(xiàn)貝葉斯最優(yōu)判決。自組織神經(jīng)網(wǎng)絡是根據(jù)人腦具有的下列特點開發(fā)出來的：人的腦神經(jīng)系統(tǒng)既能牢固地記住所 學得的

6、各種知識，又能很好適應各種復雜多變的環(huán)境，通過“自學”來認識未學習過的新事物， 并解決不熟悉的新問題。自組織 PNNPJ用人腦組織的這些特點，無須事先存儲訓練樣本，而是通 過邊工作邊學習（記憶），其內(nèi)容即具隱含層各單元的權(quán)重，是利用其自身內(nèi)部的競爭學習獲得的， 競爭的獲勝者是具有最大概率的模式， 隨著更多模式的獲得系統(tǒng)能自已調(diào)整記憶， 并自動遺忘過 舊的模式以適應新的復雜環(huán)境。利用PNNT以對具有單維或多維特征參數(shù)的信號進行分類。 經(jīng)過仿真實驗，證明了這種方法 的可行性并是一種有效的信號分選方法， 但這種方法在實際使用中是否有效， 關鍵是前端處理機 能否提供較準確的信號參數(shù)。2.BSB應用于信

7、號的分選和識別BSB（Brain State Box一盒中腦狀態(tài)）用了基本線性聯(lián)想器，用誤差校正構(gòu)造連接矩陣，還采 用了一個簡單的限幅非線性單元并具有自聯(lián)想 （AOTO-AM功能和異聯(lián)想（Hetero-Am）功能。首先，由雷達偵察接收機把各種脈沖處理成方位角（Az）、仰角（EL）、信噪比（SNR）、載頻（FR） 等特征值，并把這些數(shù)據(jù)列表示在脈沖緩沖寄存器中，再標記上到達時間。然后，由BSB的自聯(lián)想功能完成分選：可隨機地從“脈沖寄存器”中提取脈沖，用小學習常數(shù)的Midrow-Hoff誤差校 正算法學習它；所有從一部雷達來的脈沖都將吸引至一種特殊的穩(wěn)定狀態(tài)，從而完成雷達信號的分類過程。對于BSB

8、#聯(lián)想模型，可先利用已知的關于雷達參數(shù)的先驗知識來訓練網(wǎng)絡，學習完畢后， 網(wǎng)絡便可以鑒別出輸入脈沖矢量的類型，而不必進行復雜的查找與比較，從而可提高分選速度。BSB是一個并行結(jié)構(gòu)，信息的存儲與處理合二為一，它比以用行為特征、信息的存儲與處理 互不相關的傳統(tǒng)方法優(yōu)越得多，分選效果明顯提高，是一種很有吸引的分選識別方法。3. BP模型應用于信號分選和識別BP（Back-Propagation）算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱單元逐層處理，并傳向輸出層且每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的 狀態(tài)；如果在輸出層不能得于期望的輸出，則輸入反向傳播將誤差信號

9、沿原來的連接通路返回， 通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小。BP這種采用最小均方差學習公式的多層映射網(wǎng)絡，是目前使用最廣泛的網(wǎng)絡，它是一種異 聯(lián)想網(wǎng)絡，同樣可以用來進行特征的識別。首先要用有關的雷達參數(shù)進行訓練，訓練好的網(wǎng)絡可 以識別出輸入信號的類別。三、神經(jīng)網(wǎng)絡在自適應信號處理中的應用.自適應濾波Hopfield網(wǎng)絡雖然可以在電路常數(shù)量級內(nèi)求解復雜的優(yōu)化問題，但存在編程復雜的問題， 而且只能給出局部最優(yōu)解，不能給出全局最優(yōu)解。產(chǎn)生編程復雜性的一個重要原因是Hopfield網(wǎng)絡的輸出穩(wěn)定值是兩個狀態(tài)的離散值，然而實際問題的解通常是模擬量。若采用線性規(guī)劃神經(jīng) 網(wǎng)絡就可輸出連續(xù)變化的模擬量

10、，但這種網(wǎng)絡可能會產(chǎn)生不穩(wěn)定。通過對其不穩(wěn)定性的分析，找 出了使該網(wǎng)絡保持穩(wěn)定（即適當?shù)剡x擇約束放大器和信號放大器的形式和具體參數(shù) ）的方法，這種 網(wǎng)絡可以在幾百微微秒數(shù)量級內(nèi)求解自適應濾波器的最佳權(quán)系數(shù)和自適應譜估計的模型參數(shù)，所得結(jié)果與準確解可以任意接近，而不存在任何編程復雜性問題，又能給出所需的真正全局最優(yōu)解， 因此在自適應信號處理中有很好的應用前景。.自適應噪聲和干擾對消自適應噪聲和干擾對消是自適應處理領域的一個重要內(nèi)容，利用改進的BP神經(jīng)網(wǎng)絡，效果甚為明顯。BP網(wǎng)絡由于引入了隱層單元，網(wǎng)絡能夠?qū)崿F(xiàn)各種內(nèi)部判決；在輸出層可以實現(xiàn)波形 識別，BP網(wǎng)絡這種結(jié)構(gòu)與波形識別特征表明，對于各種各

11、樣噪聲和干擾的需要波形特征，從而 可以實現(xiàn)噪聲和干擾的對消。根據(jù) ADALINE適應線Tt神經(jīng)元），構(gòu)適一種新的自適應噪聲和干 擾的對消系統(tǒng)，它是一個二層感知器。這種二層感知器網(wǎng)絡能夠?qū)崿F(xiàn)單頻干擾和窄帶噪聲的良好 對消，且性能優(yōu)于 ADALINEH絡。.自適應波束形成神經(jīng)網(wǎng)絡自適應波束形成技術除具有自適應波束形成的優(yōu)點外，還具有降低天線制造及維護成本的潛力。神經(jīng)網(wǎng)絡自適應波束形成器主要包括預處理，人工神經(jīng)網(wǎng)絡及后處理。預處理部分能修正并簡化神經(jīng)波束形成器的原數(shù)據(jù)以使得網(wǎng)絡易于學習。雖然神經(jīng)網(wǎng)絡可以用原始數(shù)據(jù)來訓練，但是為了產(chǎn)生更好的特征以及能強調(diào)高階趨向，所形成的網(wǎng)絡通常比用經(jīng)過變換后的數(shù)據(jù)來

12、訓練的網(wǎng)絡大，越大則意味著該網(wǎng)絡在申行計算機上的模擬會越慢。因此，對于 好的網(wǎng)絡性能，精巧的預處理是非常必要的。神經(jīng)網(wǎng)絡自適應波束形成器的關鍵是神經(jīng)網(wǎng)絡結(jié)構(gòu)的選擇。由于徑向基函數(shù)可在理論上構(gòu)造任何連續(xù)函數(shù)，所以選擇其作為網(wǎng)絡的結(jié)構(gòu)。對于連續(xù)函數(shù)的建模來說，徑向基函數(shù)及經(jīng)典的后 向傳播結(jié)構(gòu)均可作為導入神經(jīng)網(wǎng)絡結(jié)構(gòu)。但由于徑向基函數(shù)網(wǎng)絡較后向傳播結(jié)構(gòu)小而且訓練速度 快，所以選擇徑向基函數(shù)作波束形成器的神經(jīng)網(wǎng)絡結(jié)構(gòu)較好。后處理部分用于處理輸出節(jié)點能量以產(chǎn)生所需的網(wǎng)絡信息。對于信號檢測及測向來說，需要所探測目標的角位置且具有某種可信度。在噪聲情況下，還需避免虛警。在后處理期間，應檢驗 輸出節(jié)點的能量以

13、確定目標的存在、 準確位置及相關的可信度。后處理首先尋找輸出節(jié)點中能量 集中的輸出節(jié)點，通過計算相鄰各輸出節(jié)點對的差來發(fā)現(xiàn)能量集中的點。在這一步由正至負的過門信號可以認為是目標源。.自適應波形選擇用神經(jīng)網(wǎng)絡進行自適應波形選擇的方法是通過利用多層神經(jīng)網(wǎng)絡快速導出CARPER算機輔助雷達評定工具）函數(shù)來估計預測的雷達性能，然后傳輸網(wǎng)絡按序排列預測的雷達性能與波形參 數(shù)的函數(shù)關系，最后利用模擬處理技術導出波形參數(shù)的最佳集， 從而達到自適應選擇波形的目的。此外，神經(jīng)網(wǎng)絡還可應用于自適應陣列信號處理和自適應編碼等多種自適應信號處理領域。四、神經(jīng)網(wǎng)絡在雷達對抗與反對抗中的其它應用.識別反輻射導彈（ARM）

14、對抗ARM勺方法很多，其中采取ARM&警措施是一個重要的抗ARM勺方法，是采用其它諸如 啟動誘偏、關機及空中硬攔截等抗ARM昔施的前提。告警裝置有一個重要任務是從大量回波中識 別出來襲的ARIM識別技術包括兩個方面的內(nèi)容，首先要從復雜的電子對抗環(huán)境中提取出能反映 ARMfr質(zhì)的特征量，然后根據(jù)這些特征量,使用有效的智能識別方法把ARMS別出來。諸如許多目標識別技術一樣，識別ARMT以采用高分辨雷達及一些新體制雷達來完成， 但雷 達成本高且有的尚處于理論探索階段。因此，目前用得較多的是采用低分辨相參雷達來實現(xiàn)：首 先提取ARM勺運動特征量（速度及加速度特征量、彈機分離特征、距離變化特征量、S/N

15、變化特征量等），自身電磁散射特征量（位置特征參數(shù)、散布特征參數(shù)、分布特征參數(shù)等）和極化特征量（極 化散射矩陣行列式、目標功率散射矩陣的跡、去極化系數(shù) ）等，然后利用神經(jīng)網(wǎng)絡來識別 ARIM例如采用雙層雙向聯(lián)想記憶器（BAM）能識別ARM BAMfg存儲雙極性或二值模式對，其學習算 法是基于Hebb規(guī)則，它的工作過程分為訓練與聯(lián)想二個階段。此網(wǎng)絡有一定的容錯性，但其容 量是有限的，在存儲模式對時受到一定的限制。改進型BAMW經(jīng)網(wǎng)絡是在雙層BAMW經(jīng)網(wǎng)絡基礎 上增加一層U,形成三層BAM它對任何存儲向量都有收斂的軌跡，與雙層 BAM0比大大提高了 存儲容量，因此在模式較多時，具有較強的抗噪聲能力，

16、但由于增加了一層隱含層，因而增加了 網(wǎng)絡的復雜性。.低角跟蹤為了解決低角跟蹤問題， 人們進行了大量的研究，許多高分辨力的陣列信號處理技術 因此得到了發(fā)展，但也有許多技術均未能獲得滿意的低角跟蹤性能。然而，將徑向基函數(shù)神經(jīng)網(wǎng) 絡用于低角目標跟蹤具有下列優(yōu)勢： 即使在惡劣的背景（病態(tài)環(huán)境）下，也能進行精確的多變量逼 近；能以線性方法估計出徑向基函數(shù)網(wǎng)絡的最優(yōu)權(quán)值。因此，它比其它神經(jīng)網(wǎng)絡結(jié)構(gòu)，如BP多層網(wǎng)絡具有快得多的收斂速度。徑向基函數(shù)網(wǎng)絡與多路徑綜合模型聯(lián)系起來能用于實現(xiàn)比較好的 跟蹤性能。這些改進是因用非線性代替了線性模型而獲得的。所進行的估計徑向基函數(shù)網(wǎng)絡性能 的計算機仿真表明：在低噪聲比條

17、件下，徑向基函數(shù)網(wǎng)絡能高精度地低角跟蹤固定目標和運動目 標。.恒虛警處理無論是參量恒虛警處理，還是非參量恒虛警處理，其實質(zhì)是實現(xiàn)一個映射。由于 BP神經(jīng)網(wǎng) 非線性映射的特性，用一三層 BP網(wǎng)絡來實現(xiàn)雷達接收機信號的非線性交換，使接收的雷達信號 成為與雜波統(tǒng)計參量無關的變量，將此變量與門限比較，達到恒虛警處理的目的。對于不同統(tǒng)計特性的雜波背景，完成恒虛警處理的非線性映射也隨之不同，表現(xiàn)在BP網(wǎng)絡上就是神經(jīng)元的閥值不同。將所需的雜波統(tǒng)計模型作為訓練樣本，根據(jù)BP算法訓練BP網(wǎng)絡，實現(xiàn)所需的非線性映射，達到虛警率恒定。由于 BP網(wǎng)絡具有強的容錯能力，即使在輸入雜波的統(tǒng) 計特性與訓練樣本的統(tǒng)計特性不一

18、致時， 也會得到較好的恒虛警性能，這給神經(jīng)網(wǎng)應用于恒虛警 處理提供了一個廣闊的前景。.三層神經(jīng)網(wǎng)絡用于方位估計及其精度改進在雷達對抗中，對入射源的方位進行估計是一個重要的課題。將三層神經(jīng)網(wǎng)絡用于譜估計， 證明比FFT更優(yōu)越，這種網(wǎng)絡抑制旁瓣而不展寬主瓣； 恒定只作兩級運算而不論輸入信號樣本數(shù) 有多少；輸入樣本數(shù)無需為2的幕；內(nèi)部通路即使有25哪截斷也可得出正確輸出結(jié)果。譜估計為一對輸出神經(jīng)元代表一個頻率， 方位估計為一個輸出神經(jīng)元代表一個角度。最大響應的神經(jīng)元9 m確實精確代表了入射角度?？衫?9 m近旁兩節(jié)點9 m- A 9 （所取的角度量化值） 和9m+A 9之響應的不平衡性改進估計精度，據(jù)此對估計公式作修改，從而可使估計誤差獲得 很大的改進。.末制導雷達抗干擾自動管理隨著導彈抗干擾技術的發(fā)展，抗干擾措施的自動管理顯得越來越重要。利用聯(lián)想記憶網(wǎng)絡對 所有的干擾情況均能作出正確響應，實現(xiàn)了對干擾樣式的自動判別，判別結(jié)果送到邏輯控制網(wǎng)絡， 啟動相應的抗干擾電路，就能實現(xiàn)對末制導雷達抗干擾措施的準確、快速的自動管理，滿足實戰(zhàn) 要求。.探測隱身飛機美國正在研制一種用于隱身飛機及小目標探測的神經(jīng)網(wǎng)絡系統(tǒng)，這種系統(tǒng)的