為提高雷達(dá)信號(hào)的識(shí)別率,提出一種改進(jìn)的果蠅優(yōu)化算法(improved fruit fly optimization algorithm,IFOA)和模擬退火(simulated annealing,SA)算法相融合并用于優(yōu)化反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別算法。首先,該算法提取雷達(dá)信號(hào)的調(diào)和平均盒維數(shù)、信息維數(shù)和差分近似熵特征作為信號(hào)識(shí)別的三維特征。然后,改進(jìn)果蠅優(yōu)化算法的尋優(yōu)步長(zhǎng)并添加逃脫系數(shù)以修改適應(yīng)度函數(shù),同時(shí)引入三維空間的搜索概念擴(kuò)大果蠅的搜索范圍,再對(duì)果蠅算法所求解的接受機(jī)制通過(guò)SA算法進(jìn)行修正。最后,將融合后的算法IFOASA用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)得到網(wǎng)絡(luò)最優(yōu)的初始權(quán)值和閾值,并用此網(wǎng)絡(luò)進(jìn)行雷達(dá)信號(hào)的分類(lèi)識(shí)別。通過(guò)與BP和FOA-BP進(jìn)行對(duì)比,結(jié)果表明IFOA-SA-BP能夠提高雷達(dá)信號(hào)的識(shí)別率,證實(shí)了該算法的有效性。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖3雷達(dá)信號(hào)三維特征分布圖

圖3表示SNR在-4～5dB，每隔1dB產(chǎn)生100個(gè)樣本點(diǎn)的雷達(dá)信號(hào)三維特征分布圖。從圖3可以看出，差分近似熵、調(diào)和平均盒維數(shù)和信息維數(shù)這3個(gè)特征具有良好的類(lèi)內(nèi)聚集性和類(lèi)間分離度，只有在SNR較低時(shí)才會(huì)有類(lèi)間重疊，由此說(shuō)明本文提取的特征具有良好的抗噪性，為后續(xù)的識(shí)別提供了良好的基....

圖4雷達(dá)信號(hào)正確識(shí)別率

在SNR為-4～5dB時(shí)，每隔1dB產(chǎn)生150個(gè)數(shù)據(jù)，每類(lèi)信號(hào)隨機(jī)選取50個(gè)作為訓(xùn)練數(shù)據(jù)，剩下的100個(gè)為測(cè)試數(shù)據(jù)，使用IFOA-SA-BP對(duì)7類(lèi)雷達(dá)信號(hào)進(jìn)行分類(lèi)識(shí)別，識(shí)別結(jié)果如圖4所示。由圖4可知，隨著SNR的增加，各信號(hào)的識(shí)別率逐漸提高，在SNR較低時(shí)，BPSK和QPSK的識(shí)....

圖5雷達(dá)信號(hào)整體識(shí)別率

圖5給出了BP、FOA-BP和IFOA-SA-BP在SNR為-4～10dB，間隔為1dB時(shí)7類(lèi)雷達(dá)信號(hào)的正確識(shí)別率，對(duì)比圖4的數(shù)據(jù)可以發(fā)現(xiàn)，相比于BP和FOA-BP,IFOA-SA-BP的識(shí)別概率更高。在SNR=3dB時(shí)，所有信號(hào)的識(shí)別率就已經(jīng)到達(dá)了100%,IFOA-SA-BP....

圖1雷達(dá)信號(hào)分類(lèi)識(shí)別模型結(jié)構(gòu)

隨著雷達(dá)技術(shù)的飛速發(fā)展，新型復(fù)雜體制雷達(dá)不斷投入電子戰(zhàn)場(chǎng)使用，導(dǎo)致現(xiàn)代電子戰(zhàn)中處理的雷達(dá)信號(hào)復(fù)雜多變，大大增加了識(shí)別的難度，故本文提出如圖1所示的雷達(dá)信號(hào)分類(lèi)識(shí)別模型結(jié)構(gòu)。通常情況下，雷達(dá)信號(hào)分類(lèi)識(shí)別模型結(jié)構(gòu)主要包含4個(gè)部分：預(yù)處理、特征提取、特征選擇和分類(lèi)器。(1）預(yù)處理主要包....

本文編號(hào)：3893235