人工智能机载辐射源识别技术

发布时间：2021-06-13 06:10

　　机载电子战系统对辐射源型号的精确识别是关乎载机空战OODA环的重要能力。基于卷积神经网络（CNN）对辐射源的多维精细特征进行离线训练学习,获取多维特征参数与辐射源型号之间的高阶非线性分类函数边界,并基于训练好的网络模型开展工程化应用验证。试验表明辐射源型号的识别正确率显著提升,迈出了机载电子战系统走向智能认知的第一步。 

【文章来源】：电子信息对抗技术. 2020,35(05)

【文章页数】：5 页

【部分图文】：

实时测量参数与数据库匹配的识别原理

尤其是目前的先进相控阵工作体制雷达,其工作频带宽,脉冲重复间隔和脉冲宽度变化范围广(从数us到数ms不等),波形复杂,灵活捷变,电磁参数存在复杂的重叠与交错关系,缺乏显性的规律特征。因此,基于传统的特征参数匹配法难以实现较高的目标识别正确率,不能满足作战使用要求。本文借鉴BP神经网络的模式识别技术原理,采用电磁大数据挖掘形成辐射源的多维精细特征数据库,基于卷积神经网络(CNN)对精细数据库参数进行离线训练学习,获取多维特征参数与辐射源型号之间的高阶非线性分类映射函数边界,并基于训练好的模型网络参数开展了工程化应用验证。试验表明,辐射源目标的识别正确率提升显著,迈出了机载电子战系统走向智能认知的第一步。

BP网络的学习过程由信息的正向传播和误差的反向传播两部分组成,通常采用梯度下降法来迭代修正网络的权值和阈值参数,使网络的实际输出逼近期望输出,也即网络的整体误差平方和趋于最小。在图3所示的神经网络中,Xi表示输入层第i个神经元的输入(i=1,2,…,M);Wji表示隐含层第j个神经元到输入层第i个神经元之间的权值;θj表示隐含层第j个神经元的阈值(j=1,2,…,N);φ(X)表示隐含层的激励函数;Wkj表示输出层第k个神经元到隐含层第j个神经元之间的权值;ak表示输出层第k个神经元的阈值(k=1,2,…,L);ψ(X)表示输出层的激励函数;Ok表示输出层第k个神经元的输出。

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]基于“OODA环”理论的认知电子战与赛博战探析[J]. 周波,戴幻尧,乔会东,崔建岭,刘文钊.  中国电子科学研究院学报. 2014(06)



本文编号：3227160