基于BAS-BP神经网络的遮盖干扰信号识别

杨 洁, 褚书培

(西安邮电大学 通信与信息工程学院， 陕西 西安 710121)

通常雷达工作时会接收到各种回波信号，除了目标回波信号之外，还有遮盖性干扰信号[1]。遮盖性干扰信号会干扰雷达正常工作，遮盖目标的真实回波信息，导致雷达难以检测真实目标，破坏雷达效能[2-3]。排除遮盖性干扰信号需要通过信号预处理和信号特征提取，使用分类器识别干扰信号的类型[4]，根据干扰信号类型采用不同的抗干扰措施，使雷达能够较为准确地确定目标信息[5]。

在排除遮盖性干扰信号过程中，识别干扰信号类型是其中重要的一步。通常采用支持向量机[6](support vector machines, SVM)、统计判决树[7]、逆云模型[8]、反向传播(back propagation, BP)神经网络[9]算法等分类器实现对遮盖性干扰信号分类，但是，SVM方法需经过反复测试获取最佳的核函数[10]，测试过程较为复杂；基于统计判决树的分类方法虽然相对简单，但在干噪比较小的情况下，效果不理想；基于逆云模型的分类方法，由于各个云滴的聚集性能较差导致对干扰信号的识别率不高；BP神经网络算法，由于采用随机初始化得到权值和阈值，会对训练结果产生影响，导致BP神经网络的稳定性较差，容易陷入局部最优，降低了识别的精确度。

为了提高遮盖性干扰信号类型识别的准确度，本文拟使用天牛须搜索算法来优化BP神经网络的初始权值、阈值[11]，得到最优的权值、阈值。将最优权值、阈值分别应用到BP神经网络模型[12]中，实现对雷达有源遮盖性干扰信号的分类。

1 预备知识

1.1 雷达干扰信号识别

常见的雷达遮盖性干扰信号有射频噪声、噪声调幅和噪声调频3种干扰信号[13]。雷达遮盖干扰信号的识别的原理如图1所示。要实现对雷达遮盖干扰信号的识别，先要对遮盖干扰信号预处理，提取其特征参数，再利用类器对其进行分类识别处理。

图1 遮盖干扰信号识别原理

1.2 BP神经网络

典型的BP神经网络是一种由输入层、隐含层和输出层构成的3层前向反馈网络。BP神经网络利用输出层产生的误差估计出隐含层的误差，根据隐含层误差估计出输入层误差，利用各层之间的误差来调整连接各层的权值、阈值重新计算误差，直至更新到所设定的误差精度或迭代次数。BP神经网络常常用作数据的分类处理、聚类识别以及函数的逼近，本文将BP神经网络作为分类器，利用不同干扰信号相关特征参数，对雷达有源遮盖性干扰信号的分类处理。

1.3 BAS算法

天牛须搜索[14-15](beetle antennae search, BAS)算法是根据天牛觅食原理发展出的生物启发式算法，使用该算法可以对目标函数进行寻优处理。BAS算法的步骤如下。

步骤1将天牛左、右须初始方向归一化[9]为单位向量

其中:rands()为由随机函数生成的随机向量;k表示天牛须的空间维度。

步骤2定义天牛左须和右须在第t次迭代的位置坐标向量[9]分别为

(1)

其中:t=0,1,2,…,n为迭代次数；xt表示第t次迭代天牛的质心位置向量；d0为天牛左、右须之间的距离。

步骤3利用左、右须判断食物气味的强弱，决定天牛下一步移动方向，用适应度函数f(xL,t)和f(xR,t)更新天牛的位置。第t+1次天牛质心位置向量的迭代表达式[9]为

xt+1=xt-μtesign(f(xR,t)-f(xL,t))。

(2)

其中:μt表示第t次迭代的步长；sign(·)为符号函数；f(xL,t)和f(xR,t)分别表示天牛左、右须用于判断食物气味强弱的适应度函数。

使用天牛须搜索算法不需要知道待优化函数形式以及梯度信息，就可以实现待对优化函数的高效寻优。本文将其应用于对BP神经网络的初始权值、阈值优化。

2 BAS-BP神经网络的干扰信号识别

基于BAS-BP神经网络方法的干扰信号识别是通过确定更新步长、更新并输出最优权值、阈值来优化BP神经网络，利用优化后的BP神经网络识别遮盖干扰信号。

2.1 利用BAS优化BP神经网络

2.1.1 确定更新步长

设BP神经网络模型的输入层、隐含层和输出层结构为I-M-O,I、M和O分别表示输入层、隐含层和输出层神经元个数。输入层与隐含层之间连接权值的个数为I×M，隐含层与输出层之间连接权值的个数为M×O，隐含层各神经元的阈值个数为M，输出层各神经元的阈值个数为O。由BP神经网络输入层、隐含层和输出层直接的连接权值与各神经元的阈值构成一个k=IM+MO+M+O维空间向量。

对k维空间向量的BP神经网络各层的权值、阈值归一化为单位向量e后，确定权重和阈值的更新步长。令初始步长为μ0，则第t+1次步长迭代表达式[9]为

μt+1=μtη。

其中:迭代次数t=0,1,2,…,n;常数η为0.95[9]。

2.1.2 计算BP神经网络的最优权值和阈值

利用测试数据的均方误差作为适应度函数，由最小的适应度函数值确定BP神经网络的最优权值和阈值。适应度函数[9]表达式为

(3)

其中:N为训练样本数;第i个样本的神经网络分类的输出值为tsim(i)，输入值为yi。

取区间[-1,1]的随机数作为初始权值、阈值，得到天牛初始空间坐标。

利用式(1)和式(3)分别更新天牛的左、右须的坐标，左、右须对应的适应度值。将左、右须对应的适应度值代入式(2)更新权值、阈值，得到天牛的空间坐标，再利用式(3)计算更新后的权值、阈值的适应度值，并与前一次迭代的适应度值比较。若小于前一次的适应度值，则进行更新。重复此过程，直至达到最大迭代次数或达到所设定的适应度值，停止迭代，输出BP神经网络的最优权值和阈值。经反复实验，确定最佳迭代次数为100，或适应度值为0.001时，停止迭代。

2.2 BP神经网络识别遮盖干扰信号步骤

2.2.1 训练BP神经网络

将输出的最优权值、阈值分别赋值BP神经网络作为初始权值、阈值。选取时域矩偏度和时域矩峰度[13]两种特征参数提取遮盖性干扰信号的特征值，训练BP神经网络，其流程如图2所示。

图2 训练BP神经网络流程

每种遮盖干扰信号特征值产生一组数据，选取其中一部分数据作为训练数据，其余数据作为测试数据。利用训练数据对优化后的BP神经网络进行训练，计算训练过程中的BP神经网络的全局误差，并利用梯度下降法[13]更新网络模型的权值、阈值，直至达到所设精度或者训练上限次数为止，训练出最佳的BP神经网络模型。

2.2.2 遮盖干扰信号类型识别

使用BP神经网络对常见的雷达射频噪声、噪声调幅和噪声调频3种遮盖性干扰信号进行识别，其原理如图3所示。

图3 BP神经网络识别遮盖干扰信号原理

将已计算出的遮盖干扰信号的时域矩偏度作为输出最优BP神经网络模型的“子网络1”的测试数据，若“子网络1”输出为“1”，则判断遮盖干扰类型为噪声调幅干扰，停止判别；若子网络1输出的值为“0”，则继续下一步判别。

将已计算出的遮盖干扰信号的时域矩峰度作为最优BP神经网络模型“子网络2”的测试数据，若“子网络2”输出为“1”，则判断遮盖干扰类型为射频噪声干扰，停止判别；若子网络2输出的值为“0”，则判断遮盖干扰类型为噪声调频干扰，停止判别。

3 仿真结果及分析

3.1 仿真条件

选取射频噪声干扰、噪声调幅干扰和噪声调频干扰3种雷达有源遮盖性干扰信号进行仿真。干扰信号的调制噪声均值为0，方差为1，信号带宽为10 MHz，噪声调幅干扰的有效调制系数为0.2，噪声调频干扰的调频斜率为10 MHz/V，载波频率为100 MHz，采样频率为300 MHz。选取时域矩偏度、时域矩峰度两种特征参数进行对干扰信号的特征值提取。

设定3种干扰信号，每种干扰信号产生800组数据，选取前500组数据作为训练数据，后300组数据作为测试数据。选用输入层有2个神经元，输出层有3个神经元的BP神经网络模型，经过反复试验，得到最佳隐含层神经元数为8，采用BP神经网络结构为2-8-3。设定k=51，初始搜索步长为50，迭代次数为100。

3.2 仿真结果

分别对BP神经网络和BAS-BP神经网络进行训练，用均方误差和平均绝对值误差[13]作为神经网络的评价指标。BP神经网络与BAS-BP神经网络训练结果对比如表1所示。可以看出BAS-BP神经网络的均方误差和平均绝对值误差均小于BP神经网络的误差，说明BAS-BP神经网络方法训练结果优于BP神经网络方法。

表1 BP神经网络与BAS-BP神经网络训练结果对比

在不同干噪比条件下，分别使用BP神经网络与BAS-BP神经网络算法对3种遮盖性干扰信号进行分类识别，仿真结果如图4所示。

从图4可以看出，在不同干噪比条件下，BAS-BP神经网络和BP神经网络算法对遮盖性干扰信号的平均识别率分别为0.913 7和0.882 7，优化后的BP神经网络比优化前的提高了约3个百分点。在干噪比为0 dB条件下BAS-BP神经网络和BP神经网络对3种干扰信号的平均识别率分别为0.913 3和0.826 7；在干噪比为-3 dB条件下，两种算法的平均识别率分别为0.740 0和0.643 3。可以看出在干噪比为负时BAS-BP神经网络算法的正确识别率提升较高。当干噪比大于6 dB时，优化后的神经网络算法对噪声调幅干扰信号正确识别率就能到达1，而未优化的神经网络算法在大于9dB时才达到1。

(a) BP神经网络

(b) BAS-BP神经网络

图4中，遮盖性干扰信号的正确识别率随着干噪比的增大而上升，这是因为随着干噪比增大，遮盖性干扰信号的强度变大，BAS-BP神经网络和BP神经网络算法对遮盖性干扰信号的分类效果越明显。BAS-BP神经网络的识别率明显优于BP神经网络，这是由于采用BAS算法输出的最优权值、阈值，作为初始权值、阈值优化了BP神经网络，提高了其预测精度。

4 结语

针对雷达遮盖性干扰信号识别问题，提出了一种BAS-BP神经网络算法。利用天牛须搜索算法对BP神经网络的初始权值、阈值进行优化，将优化后的权值、阈值赋值给BP神经网络，作为BP神经网络的初始权值、阈值。选取时域矩偏度、时域矩峰度两种特征参数提取遮盖性干扰信号的特征值，利用优化后的BP神经网络算法识别雷达遮盖性干扰信号。仿真结果表明，相比于BP神经网络算法，BAS-BP神经网络算法对雷达有源遮盖性干扰信号的正确识别率较高。