基于优化神经网络的压制干扰分类方法

2018-07-12穆彦斌程晓健

西安邮电大学学报 2018年1期

杨　洁, 穆彦斌, 程晓健

(西安邮电大学通信与信息工程学院，陕西西安 710121)

在现代电子对抗中，雷达所面临的电磁环境日趋复杂。有源压制干扰是一类常用干扰方式，它能够掩盖真实目标的回波信号，使雷达难以对目标进行有效检测，从而破坏雷达的作战效能[1-2]。针对有源压制干扰，正确识别干扰类型，是抗干扰系统采取有效应对措施的前提条件[3]。对于压制干扰分类，可以通过获取信号的瞬时信息，建立特征参量直方图，搜寻统计峰值点为信号分类标准[4]，但在信噪比较低的情况下，分类识别效果并不理想。利用功率谱积累的方法，可以检测噪声调频干扰信号[5]，但其适用范围有一定局限性。通过提取复杂度和盒维数参数，并运用门限判决的方法，也可对干扰信号进行分类识别[6]，但在不同噪声环境下，门限调整难度较大。基于神经网络的信号分类器对非线性分类问题可以实现自适应分类[7]，但其识别正确率仍有待提升。

选用前向反馈(back propagation，BP)神经网络作为分类器，处理压制干扰信号的分类问题，适应性较高，分类识别效果明显，但其自身存在缺陷。针对它在训练过程中容易产生局部最小值收敛，导致最终分类偏差较大的问题，采用遗传算法对其初始权值和阈值进行优化，可以达到避免神经网络局部收敛的目的[8]。

遗传算法根据进化机制达到全局寻优的目的，但其种群选择的不确定性可能会影响进化速度，甚至无法准确搜索到最优值。对遗传算法加以改进，使其在搜寻最优解过程中保留优秀个体的同时，尽可能保证种群多样性，以此可以加快搜寻速度，达到更好的优化效果，从而提高分类器的识别正确率。

1　压制干扰分类模型

压制干扰分类模型主要分为三个步骤[9]：对接收到的信号进行预处理，获得下一步骤需要的信息；针对信号特点提取表现稳健的特征参数；选用合适的分类器及算法完成干扰信号的分类识别。其流程如图1所示。

图1　雷达有源压制干扰识别

在特征提取阶段，根据干扰信号特征参数在噪声条件下的表现，选取时域矩峰度a4，包络起伏度R，归一化瞬时幅度绝对值的标准偏差σa三个表现稳健的特征参数作为识别特征，它们分别表示为

其中:X为信号数据，μ为其均值，σ为其标准差;σe为信号包络平方的方差，μe为信号包络平方的均值;acn(i)为零中心归一化瞬时幅度，N为信号长度。

2　改进遗传算法

2.1　染色体编码与适应度函数选择

根据实数编码方法[10]，将个体(染色体)中的各特征位(基因位)视作一个实数，各实数皆由一个自变量值表示。这既适用于需要优化个体数量较多的情况，也可以提高遗传算法的执行效率。

适应度函数作为种群寻优的目标，它的设置决定着算法搜寻的方向。使用训练数据对初始化权值和阈值的BP神经网络进行训练，定义适应度函数f为训练输出ai与实际结果yi的最大差值，即

f=max {|yi-ai|:i=1,2,…,n}。

(1)

其中，n为输出数据个数。预测误差与适应度函数值成正比关系。

2.2　选择算子的改进

常用选择算子操作有赌轮选择方法和最优保存策略[11]。其中，赌轮选择方法在选取个体时具有一定随机性，个体被选择几率和其适应度值相关，选择过程存在一定的误差。最优保存策略旨在尽可能保留最优个体，一定程度上破坏了种群的多样性，不利于全局寻优[12]。

在保存最优个体的基础上，同时兼顾种群多样性的原则，可以得出一种选择算子的改进方案。

步骤1根据由式(1)所定义的适应度函数，计算初始种群个体适应度值，并依此值从大到小对个体排序。预测误差越大，排列越靠前。

步骤2将排序好的种群平均分为3段，首段抽取60%的个体，次段抽取80%的个体，末选取100%的个体。如此既保证了种群进化所需要的个体素材，又保留了尽可能多的误差小的优良个体。

步骤3在步骤2抽取种群个体过程中，前两段每抽取一次就计算当前所选择所有个体的适应度值的平均值，若下一次抽取个体的适应度值小于该平均值，则将该个体保留下来，否则，重新抽取个体进行判断。预测误差越小的个体，被选择的数量越多。

步骤4将依比例抽取的个体，按抽取顺序排列成新种群。

步骤5新种群较原始种群减少的个体部分在初始种群排序后的末段中随机抽取。

步骤6将步骤5抽取的个体和步骤4产生的种群组合成新种群。最终保证经过选择的新种群个体数量同初始种群的个体数量相同。

以上对于选择算子的改进方案，在保证个体类型多样化的基础上，提升了每次迭代中优良个体(适应度值较低的个体)被保留的概率。和赌轮选择方法相比，改进方案无需计算全部个体的选择概率，操作简便，选优能力更强，有助于加快收敛速度。

2.3　交叉算子的改进

交叉操作对不同个体上的基因位，按照一定方式进行交叉组合，从而产生不同基因组合的新个体，增加种群的多样性[13]。两个染色体a和b在第i位的基因ai和bi按照一定概率进行实数交叉操作,可表示为

该交叉操作在确定的概率下进行，可产生出新个体，促进算法寻优的进行。但在进化后期，如果仍采用前期较大的概率进行交叉操作，可能造成优良个体占比的降低，使收敛速度减缓，故考虑将交叉概率以自适应的方式进行迭代改进为

其中，p0代表初始交叉概率，pi代表第i次迭代的交叉概率，pmin代表最小交叉概率,g代表当前进化代次，G代表最大进化代次。

采用改进后的交叉操作，可在进化后期减小交叉率，避免优良个体的损失，加快最优解的搜寻。

2.4　变异算子

变异操作是指，个体的某基因位按某种规则发生改变，从而得出新个体[14]。在一定变异概率下，个体a的第n个基因的变异操作可表示为

其中，amax和amin分别是基因an取值的上限和下限，r和s为[0,1]上的随机数。

3　优化神经网络

BP神经网络是一种利用误差反馈来调整权值进行迭代的智能分类器[15]。经典的三层网络结构可以简洁高效地处理一般分类问题。为了进一步提高神经网络分类器的性能，避免其易陷入局部最优，使用前述改进后的遗传算法对神经网络进行优化处理。

步骤1根据数据的结构组成，即需要分类识别的干扰信号种类，特征维数以及训练样本数，构建BP神经网络，确定各层节点数目。

步骤2设置遗传算法种群个体数量，即需要优化的网络权值等连接参数的数目，其规模由网络各层节点数决定。以Nin代表输入层节点数，Nh代表隐层节点数，Nout代表输出层节点数，则种群个数N可表示为

N=NinNh+NhNout+Nh+Nout。

步骤3设定个体取值范围，通过在取值范围内随机取值并线性组合的方式，对种群进行初始化。

步骤4将训练数据输入已构建好的神经网络，根据输出误差，按照改进后的遗传算法设置适应度函数，通过选择，交叉，变异等操作对网络的权值等连接参数进行进化迭代寻优，计算每一代种群的最佳适应度值。

步骤5当遗传算法迭代次数达到所设定的最大迭代值，或者个体适应度值变化幅度不大，趋于稳定时，终止进化，并使用所得最优个体值对神经网络的权值和阈值连接参数进行赋值优化。

步骤6使用测试数据对优化完成的神经网络进行训练，在训练过程中，通过网络迭代产生的均方误差，使用梯度下降法对网络权值等连接参数完成更新操作。

步骤7当神经网络训练次数达到设定上限或输出精度达到预定值时，停止训练，并输出分类识别结果。

4　仿真分析

选取4种典型压制干扰信号,即射频噪声干扰、噪声调幅干扰、噪声调频干扰和噪声调相干扰，进行仿真实验。干扰信号中的噪声均值μ、方差σ2、载频fc、采样频率fs、有效调幅系数mAe、调频斜率KFM、调相系数KPM分别为

μ=0,σ2=1,
fc=35 MHz，fs=150 MHz,
mAe=0.1，KFM=10 MHz/V，
KPM=10 MHz/V。

每种干扰信号产生300组特征数据，前150组数据为训练数据，后150组数据为测试数据。数据特征为3维，干扰分为4类，输入节点为3个。用3位二进制数字表示4种类型，输出节点也设为3个。由重复试错的方法，设定最佳神经网络隐层节点为7个。根据实际要求设置神经网络最大训练量为200次，误差精度为0.1。根据神经网络的节点个数，遗传算法初始种群规模设为78个，设定最大进化过程为50次，初始交叉概率为0.3，最小交叉概率为0.05，变异概率为0.05。

分别使用遗传算法优化BP神经网络和改进遗传算法优化BP神经网络对压制干扰信号进行分类对比，所得种群适应度进化曲线如图2所示。其中GA-BP表示遗传算法优化BP神经网络，IGA-BP表示改进遗传算法优化BP神经网络。

图2　适应度追踪曲线

IGA-BP在第30代左右得到最佳适应度值，GA-BP在第50代附近得到最佳适应度值，IGA-BP相对GA-BP得到最佳适应度值的进化速度快，并且所得最优个体适应度较小，即误差较小。

对BP，GA-BP，IGA-BP神经网络进行训练，所得网络训练结果参数如表1所示。由此可见：在经过优化后，神经网络训练效率提高，达到停止要求所需迭代次数减少，最终预测误差变小；IGA-BP神经网络相对于GA-BP神经网络达到终止条件所需迭代次数减少，预测误差变小。

表1　神经网络训练结果对比

均方误差和平均绝对误差计算公式分别为

其中，yi和ai分别是实际结果和预测输出，N代表样本数目。

分别用优化前后的神经网络对4种压制干扰信号在不同干噪比下进行分类识别,所得仿真结果如图3所示。由此可见，在干噪比为-3 dB时，经优化的神经网络的识别率平均提高了10百分点；在干噪比大于0 dB时，经过优化的神经网络在各类干扰信号上的识别率均达到了70%以上；同时，在干噪比较低的情况下，利用改进遗传算法优化的神经网络也使各类干扰信号的正确识别率得到提升。