為提高雷達信號的識別率,提出一種改進的果蠅優(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)的雷達信號識別算法。首先,該算法提取雷達信號的調(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識別的三維特征。然后,改進果蠅優(yōu)化算法的尋優(yōu)步長并添加逃脫系數(shù)以修改適應(yīng)度函數(shù),同時引入三維空間的搜索概念擴大果蠅的搜索范圍,再對果蠅算法所求解的接受機制通過SA算法進行修正。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)進行雷達信號的分類識別。通過與BP和FOA-BP進行對比,結(jié)果表明IFOA-SA-BP能夠提高雷達信號的識別率,證實了該算法的有效性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖3雷達信號三維特征分布圖

圖3表示SNR在-4～5dB，每隔1dB產(chǎn)生100個樣本點的雷達信號三維特征分布圖。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個特征具有良好的類內(nèi)聚集性和類間分離度，只有在SNR較低時才會有類間重疊，由此說明本文提取的特征具有良好的抗噪性，為后續(xù)的識別提供了良好的基....

圖4雷達信號正確識別率

在SNR為-4～5dB時，每隔1dB產(chǎn)生150個數(shù)據(jù)，每類信號隨機選取50個作為訓(xùn)練數(shù)據(jù)，剩下的100個為測試數(shù)據(jù)，使用IFOA-SA-BP對7類雷達信號進行分類識別，識別結(jié)果如圖4所示。由圖4可知，隨著SNR的增加，各信號的識別率逐漸提高，在SNR較低時，BPSK和QPSK的識....

圖5雷達信號整體識別率

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

圖1雷達信號分類識別模型結(jié)構(gòu)

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

本文編號：3893235