基于神经网络的辐射源目标快速识别

徐 雄

（中国电子科技集团公司第十研究所 成都 610036）

基于神经网络的辐射源目标快速识别

徐 雄

（中国电子科技集团公司第十研究所 成都 610036）

随着军事科技的快速发展，伪装、隐蔽、欺骗、干扰等手段和技术大量应用于现代战场，以致从传感器获取的目标特征参数的差异越来越不明显，原有的目标识别规律性被大量破坏。在目标特征逐渐模糊的发展趋势下，传统的“特征提取和选择、模板建库、分类器设计、匹配决策”等目标识别技术将很难准确地进行目标识别。论文研究了雷达辐射源识别的基于神经网络快速实现方法，并与传统模板匹配方法进行了效果比对，为摆脱传统目标识别思路的约束，发展智能化的目标识别技术提供了基础。

雷达辐射源识别；径向基网络；模式识别

1 引言

针对战场目标智能化识别的需求，探索具有自我学习进化、智能推理分析的目标识别新理论与方法。在综合分析与理解当前流行的各种结构神经网络的基础上［1］，构建适应中小样本条件下目标识别的多层神经网络架构，利用识别样本数据对其进行逐层训练，实现战场目标特征、规律等以神经网络形式的固化，形成智能化目标识别的基础，颠覆现有的“特征提取+分类器匹配”的目标识别固有模式，提高目标识别的智能化水平［2］。

神经网络可以认为是一种通用的模式识别分类器，因此其可能应用的范围是十分广泛的。近年来，神经网络的应用已经深入到各个领域，例如模式识别、模糊控制、预测等。在模式识别领域，其独有的自组织、自学习和超强的容错能力使许多复杂的、难以用数学公式描述的问题迎刃而解，并显示了快速反应、准确应答的优越性能。特别适合用于军事领域中存储容量大，执行速度快的场合。在雷达对抗侦察领域中，要求对雷达脉冲进行快速处理和分类，当信号密度高、存在大量辐射源的雷达环境下，尤其如此。

径向基函数神经网络（Radial Basis Function，RBF）起源于数值分析中的多变量插值的径向基函数方法，具有任意精度的泛函逼近能力和最优泛函逼近特性，而且具有较快的收敛速度，不会陷入无局部极小点。本文将径向基函数神经网络引入目标识别，设计了一个基于径向基函数的雷达辐射源目标识别系统［3］。

2 RBF网络分析原理

RBF网络是一种有导师的三层构成的前向网络：第一层为输入层，节点个数等于输入的维度；第二层为隐藏层，结点个数视问题的复杂度而定；第三层为输出层，节点个数等于输出数据的维度［4］。它最重要的特点是中间隐藏层是非线性的，采用径向基函数作为基函数，输出层是线性的。隐藏层神经元的基函数只对输入刺激起局部反应，即只有当输入落在输入空间的一个局部区域时，基函数才产生一个重要的非零响应，而在其他情况下基函数输出很小（可近似为零）［5］。网络结构如图1所示

图1 RBF网络结构

径向基函数记为 y=φ(‖ x-c‖)。 φ 是隐藏层神经元的基函数，目前用的比较多的是高斯分布函数。其中X=(x1，x2，…，xn)是输入层的输入向量；W=(w1，w2，…，wn)是该隐藏层神经元的中心向量（每个隐藏层神经元的中心向量存储在其与输入层各神经元之间的连接权中），c代表半径，是一个固定的值，这样就把多元函数变成了一元函数。‖…‖是指欧几里得范数，表示n维空间中向量之间的距离［6～7］。

RBF网络每个输出层节点的输出为其与各隐藏层神经元输出y的加权求和。按高斯分布的函数的定义，隐藏层神经元的输出y与输入向量X的函数关系应服从正态分布，即当X与中心向量W的距离很短时，y接近最大值；反之y减小。如X与W的距离超过宽度c（即远离中心）时，输出y可近似为零，相当于对输出层没有贡献。这就实现了局部感知［8］。

不难看出，当RBF网络用作向量分类器时，输入层神经元个数由向量空间的维数决定，隐藏层神经元个数由模式类别数决定，每个隐藏层神经元的中心向量（与输入层各神经元之间的连接权）都代表一种模式类别。输入向量与哪个隐藏层神经元的中心向量距离近，哪个隐藏层神经元的基函数输出就大，相应的模式类别对输出层的贡献就大，与哪个隐藏层神经元的中心向量距离远，哪个隐藏层神经元的基函数输出就小，甚至不激活，输出为零，相应的模式类别当然就不会影响RBF网络的输出［9］。向量和模式类别的分类由此完成。

RBF网络结构较简单，但网络权值的训练方法要复杂些。通常分为下面两个训练步骤：

1）隐藏层和输入层之间的权值采用无导师聚类方法训练，最常用的是KNN法（K-Nearest-Neighbor）。基本方法是先设定训练样本的一个子集，再用模式分类算法把子集中的样本归类，然后按顺序处理子集外的训练样本：对任一样本X，找出K个与X距离最近的向量，计算这K个向量分别属于N个模式种类的数目，哪个模式种类包含的最近向量最多，X就属于哪个模式种类［10］。

将输入的训练样本聚类后，每个模式种类中所有样本向量的平均值就代表该隐藏层神经元和输入层之间的权值，而所有样本向量与中心向量的平方差的平均值就代表宽度。这样就做出了各个隐藏层神经元的全部参数。因为这种方法只要求输入训练样本就可以进行分类，无须知道训练样本的理想输出，因此被称为无导师方法。

2）输出层和隐藏层之间的权值采用有导师聚类方法训练。简便实用的一种办法是：在确定隐藏层和输入层之间的权值之后，把训练样本向量和其理想输出代入RBF网络，从而推出各个输出层神经元和隐藏层之间的权值。

可以看出，需要分类的模式类别数的增加总可以通过不断增加三层RBF网络隐藏层神经元数来实现，含义十分直观。由于其学习过程分为两步，且每一步的学习算法都十分有效，所以它的学习速度很快［11］。

零指令集计算（Zero Instruction Set Computer，ZISC）是IBM实验室的一项创新性科研成果，它采用数字电路技术实现了RBF神经网络及KNN学习算法的集成电路芯片。这种神经网络芯片不需要操作系统和编程语言，主要的工作就是训练它和让它学习。因此用它开发面向消费类的模式识别产品是一种简单且实用可行的方法，可以大大地缩短研发周期。本文利用基于ZISC这种商业芯片的模式识别系统神经网络硬件平台。

本文车型识别研究使用EZB 624 PCI神经网络卡，其中有8个ZISC78芯片，总容量624个神经元。该神经网络卡还具有自己的内存和现场可编程门阵列（FPGA）［12］。

3 EZB624神经网络板卡工作原理

EZB624神经网络板卡是基于ZISC芯片设计开发的，其训练过程的工作原理为［13］：

1）每一个输入样本向量被看作为一个数据原型（相当于类中心），该原型有一个作用域。

2）当第二个同类的输入样本与第一个输入样本的距离小于第一个输入样本的作用域大小（即第二个输入样本在第一个输入样本的作用域内）时，第二个输入样本对网络就没有影响；否则，第二个输入样本就作为一个新的原型被网络记忆。

3）如果后输入的训练样本的类别与前面输入的样本类别不同，则后输入的训练样本的作用域将会影响前面类的样本的作用域。

4）当利用所有训练样本对神经网络反复训练，则通过上面几种的相互作用，神经网络会最终形成一个稳定的、趋于训练样本分布的识别模型。

图2 特征空间映射比较

图2 为对于两类数据的分布用不同的方法来分类的情况。这两类数据分布是线性不可分的，因此，利用线型分类器是无法完全分开这两个类分布的，如图2（a）和（b）。神经网络可以进行非线性分类，例如BP网络是通过学习建立非线性函数来进行分类的，参数设置比较复杂，并且它不能对新类进行判断。而EZB624神经网络是径向基神经网络的硬件实现，它是利用径向基函数在训练样本周围确定小的区域（由于其距离度量通常采用街道距离，因此这里的小区域表现为菱形），然后，利用若干个小的菱形区域来逼近训练样本集合的分布区域，从而达到建立识别模型的目的，如图2（c）所示。

4 数据测试

雷达辐射源特征由载频（RF）、脉冲重复频率（PRF）、脉冲宽度（PW）3个特征参数构成［14］。从已知雷达数据库中提取6种型号雷达类型，每类各取4000个。表1给出的是已知样本的经处理后的特征参数。

表1 已知雷达信号样本模式

然后把表1的数据加上高斯白噪声后，每类雷达生成10000个数据样本，即共60000个数据作为测试和验证样本。其中每类数据划分为训练数据7000，测试样本3000。训练跟测试流程如图3所示［15］：

图3 训练测试流程

基于EZB624的雷达辐射源目标识别方法运行过程如图4所示，训练迭代了10轮次，训练结果正确率稳定在了93.33%。

为了验证本文基于神经网络辐射源目标识别的有效性，从速度和效果两个方面对比传统基于模板的识别方法。通过模板匹配过程界面如图5所示。

图4 基于EZB624的雷达辐射源目标识别方法运行过程

图5 基于模板匹配识别方法运行过程

传统数据库查询给出结果通用做法为给定阈值（如60%），列出符合条件目标及其对应的置信度，最后还是依赖人来判定。为对比测试，取置信度最大结果做统计。对比结果如下表2所示。在效果差不多的情况下，速度提高了一个数量级。

表2 识别结果对比

5 结语

EZB神经网络是径向基神经网络的硬件实现形式，不仅具有神经网络的并行处理特点，还具有处理速度快、可扩展能力强的特点，对于模式识别、图像处理等领域来说，是一个比较实用的开发工具。

［1］蒋宗礼.人工神经网络导论［M］.北京：高等教育出版社，2013.JIANG Zongli.Introduction to Artificial Neural Networks［M］.Beijing：Higher Education Press，2013.

［2］张立明.人工神经网络的模型及其应用［M］.上海：复旦大学出版社，1992.ZHANG Liming.The Artificial Neural Network Model is Extremely applied［M］.Fudan university press，1992.

［3］庄钊文，王雪松，等.雷达目标识别［M］.北京：高等教育出版社，2015.ZHUANG Zhaowen，WANG Xuesong.Radar Target identification［M］.Beijing：Higher Education Press，2015.

［4］朱树先，张仁杰.RBF网络和RBF核支持向量机比较研究［J］.计算机仿真，2009，26（5）：183-189.ZHU Shuxian，ZHANG Renjie.A Comparison of RBF Neural Network with RBF Support Vector Machines［J］.Computer Simulation，2009，26（5）：183-189.

［5］张铃.基于核函数的SVM机与三层前向神经网络的关系［J］.计算机学报，2002，25（7）：696-700.ZHANG Ling.The Relationship Between Kernel Functions Based SVM and Three-Layer Feedforward Neural Networks［J］.Chinese Journal of Computers，2002，25（7）：696-700.

［6］张铃.支持向量机理论与基于规划的神经网络学习算法［J］.计算机学报，2001，24（2）：113-118.ZHANG Ling.The Theory of SVM and Programming Based Learning Algorithms in Neural Networks［J］.Chinese Journal of Computers，2001，24（2）：113-118.

［7］刘砚菊，寇国豪，宋建辉.基于RBF神经网络的空中目标识别技术［J］.火力与指挥控制，2015，40（8）：9-13.LIU Yanju，KOU Guohao，SONG Jianhui.Target Recognition Based on RBF Neural Network［J］.Fire Control&Command Control，2015，40（8）：9-13.

［8］周浩，韦道知，金凤杰.RBF神经网络在目标识别中的应用研究［J］.弹箭与制导学报，2008，27（5）：215-216.ZHOU Hao，WEI Daozhi，JIN Fengjie.The Study on Target Recognition Based on RBF Neural Network［J］.Journal of Projectiles Rockets Missiles and Guidance，2008，27（5）：215-216.

［9］关欣，郭强，张政超，等.基于核函数支持向量机的雷达辐射源识别［J］.弹箭与制导学报，2011，31（4）：188-191.GUAN Xin，GUO Qiang，ZHANG Zhengchao，et al.Radar Emitter Signal Recognition Based on Kernel Function SVN［J］.Journal of Projectiles RocketsMissiles and Guidance，2011，31（4）：188-191.

［10］伍波，谭营.神经网络在雷达辐射源识别中的应用研究［J］.航天电子对抗，2001（5）：12-14.WU Bo，TAN Ying.Research on Radar Radiating-source Recognizing based on neural networks［J］.Aerospace Electronic Warfare，2001（5）：12-14.

［11］丁迎迎，杨永健，沈发江.RBF神经网络在水下目标识别中的应用研究［J］.海战场电子信息技术学术年会论文集，2011（9）：62-64.DING Yingying，YANG Yongjian，SHEN Fajiang.Research on Underwater target identification based on RBF［J］.Seminar on electronic information technology of naval warfare field，2011（9）：62-64.

［12］陈曼.基于神经网络ZISC的模式识别系统［J］.单片机与嵌入式系统应用，2003（1）：19-26.CHEN Man.Pattern Recognition System based on neural networks［J］.Microcontrollers&Embedded Systems，2003（1）：19-26.

［13］袁爱龙.基于视频的汽车车型识别研究［D］.成都：电子科技大学硕士学位论文，2013.YUAN Ailong.The Research of Vehicle Type Recognition Based on Video Sequence［D］.Chengdu：University of Electronic Science and Technology of China，2013.

［14］刘钢，吴智勇，李圣怡，等.基于实时预报的舰载火控稳定跟踪控制技术［J］.火力与指挥控制，2005，30（2）：8-12.LIU Gang，WU Zhiyong，LI Shengyi，et al.Study on Stabilised Tracking Control Technique Based on Real-time Prediction for Ship borne Fire Control［J］.Fire Control and Command Control，2005，30（2）：8-12.

［15］刘庆云，王根弟，朱伟强.雷达辐射源信号特征参量分析［J］.航天电子对抗，2008，24（4）：21-24.LIU Qingyun，WANG Gendi，ZHU Weiqiang.Analysis of characteristic parameters of radar pulses［J］.Aerospace Electronic Warfare，2008，24（4）：21-24.

Radar Radiating-source Recognizing Based on Neural Networks

XU Xiong
（China Electronics Technology Group Corporation No.10 Research Institute，Chengdu 610036）

With the rapid development of military technology，techniques such as disguise，hidden，deception，interference，are applied to the modern battlefield，so the differences in the target feature parameters obtained from the sensor are getting smaller and smaller，the original target recognition regularity is heavily damaged.In the trend of the target to be blurred，traditional“template match”recognition techniques will be difficult to target accurately.This paper studies radar radiation-source recognizing based on neural networks，compared with the“template match”，it provides the basis of getting rid of traditional identifying ideas and the development of intelligent target recognition technology.

radar radiation-source recognizing，radial basis function（RBF），pattern recognition

TP391

10.3969/j.issn.1672-9722.2017.11.010

Class Number TP391

2017年5月9日，

2017年6月23日

国家自然科学基金项目（编号：61671167）资助。

徐雄，男，硕士，工程师，研究方向：目标识别技术、信息融合。