基于IFOA-SA-BP神经网络的雷达信号识别

发布时间：2024-02-02 21:58

　　为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm,IFOA)和模拟退火(simulated annealing,SA)算法相融合并用于优化反向传播(back propagation,BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOASA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。

【文章页数】：7 页

【部分图文】：

图3雷达信号三维特征分布图

图3表示SNR在-4～5dB，每隔1dB产生100个样本点的雷达信号三维特征分布图。从图3可以看出，差分近似熵、调和平均盒维数和信息维数这3个特征具有良好的类内聚集性和类间分离度，只有在SNR较低时才会有类间重叠，由此说明本文提取的特征具有良好的抗噪性，为后续的识别提供了良好的基....

图4雷达信号正确识别率

在SNR为-4～5dB时，每隔1dB产生150个数据，每类信号随机选取50个作为训练数据，剩下的100个为测试数据，使用IFOA-SA-BP对7类雷达信号进行分类识别，识别结果如图4所示。由图4可知，随着SNR的增加，各信号的识别率逐渐提高，在SNR较低时，BPSK和QPSK的识....

图5雷达信号整体识别率

图5给出了BP、FOA-BP和IFOA-SA-BP在SNR为-4～10dB，间隔为1dB时7类雷达信号的正确识别率，对比图4的数据可以发现，相比于BP和FOA-BP,IFOA-SA-BP的识别概率更高。在SNR=3dB时，所有信号的识别率就已经到达了100%,IFOA-SA-BP....

图1雷达信号分类识别模型结构

随着雷达技术的飞速发展，新型复杂体制雷达不断投入电子战场使用，导致现代电子战中处理的雷达信号复杂多变，大大增加了识别的难度，故本文提出如图1所示的雷达信号分类识别模型结构。通常情况下，雷达信号分类识别模型结构主要包含4个部分：预处理、特征提取、特征选择和分类器。(1）预处理主要包....

本文编号：3893235