Elman神經網絡在雷達信號檢測中的研究應用

羌琦　張旭東　季輝

摘要：雷達目標信號檢測是雷達研究設計中的重要環節。本文在分析了傳統目標信號檢測技術的基礎上，利用人工神經網絡具有非線性和動態特性的特點，提出了一種基于Elman神經網絡的信號檢測的仿真設計方法，最終得到自適應性較強的Elman信號檢測網絡，完成對雷達目標信號的檢測。

Abstract： Radar target signal detection is an important part of radar research and design. In this paper， based on analysis of the tradition technology method of target signal detection and the fact that the artificial neural network has ability of non-linear， dynamic， a method for simulation and design of radar target signal detection based on Elman neural network is proposed. In the and， the adaptive strong Elman signal detecetin network is obtained which can accomplish radar target signal detection.

關鍵詞：Elman神經網絡;雷達;信號檢測;仿真

Key words： Elman neural network;radar;signal detection;simulation

中圖分類號：V44? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）28-0243-03

0? 引言

雷達信號檢測是指從回波、噪聲及其他干擾混雜在一起的信號中提取出有用的目標信號。典型的雷達采用建立在統計檢測理論基礎上的統計判斷方法，選用各類匹配濾波器、檢波器，放大器和檢測裝置等器件，最后通過各類顯示器來觀察和檢測雷達目標信號其基本框圖如圖1所示，D0為識別系數或檢測因子[1]。但是，由于受工作環境的溫度、氣壓和器件的性能因素的影響，很難快速而準確的發現并檢測出有用目標信號。

近年來，神經網絡技術迅猛發展，其在信息處理和預測、機械工程、機器人技術、故障診斷系統、航天航空工業等領域的應用受到了研究人員的廣泛關注[2]。本文利用人工神經網絡具有良好的適應性、非線性映射、魯棒性及學習能力等特點，然后基于MATLAB的神經網絡工具箱進行程序編寫，設計建立一種具有三層網絡的Elman人工神經網絡雷達信號檢測系統模型，通過學習和訓練，不斷的對信號檢測網絡自由參數進行調整使其最優化，最終使所建立的雷達信號檢測網絡輸出逼近所需要的目標信號[3]～[6]。

1? Elman人工神經網絡

Elman神經網絡可以看作是一個具有局部記憶單元和局部反饋連接的前向神經網絡。在這種網絡中，除了普通的隱含層外，還有一個特別的隱含層，稱為關聯層（或聯系單元層）;該層從隱含層接收反饋信號，每一個隱含層節點都有一個與之對應的關聯層節點連接。關聯層的作用是通過聯接記憶將上一個時刻的隱層狀態連同當前時刻的網絡輸入一起作為隱層的輸入，相當于狀態反饋。隱層的傳遞函數為某種非線性函數，輸出層為線性函數，關聯層也為線性函數[7]。

2? 基于Elman神經網絡雷達信號檢測模型

2.1 模型建立

Elman 神經網絡作為典型局部遞歸內時延反饋型神經網絡，除了輸入層、輸出層和隱層節點外，還有與隱層節點數相同的反饋層節點，其輸入是隱層節點輸出的一步延遲。建立一三層多節點、單輸出的Elman網絡，設網絡外部雷達輸入信號時間序列為u（t），反饋層輸出xc（t），最終輸出的目標信號為y（t），則該信號檢測網絡模型描述為：

照上述，所建立的雷達信號檢測網絡模型如圖2所示。

2.2 訓練與仿真測試

為保證建立的信號檢測網絡可以恰當地描述輸入信號與輸出目標信號的函數關系，需要對模型網絡的輸入一系列回波信號樣本，使網絡樣本輸出信號與辨識輸出信號的均方誤差達到最小。網絡采用動態反向傳播學習算法[8]，對模型網絡進行訓練。

訓練的誤差性能曲線如圖3所示，當到達最大訓練步長500時，其均方誤差mse=0.0186686。

2.2.1 簡單信號測試

上文已經對建立好的網絡進行了簡單訓練，為了檢驗模型網絡訓練情況，選用干凈、不含任何干擾的三角波、正弦波和矩形波3種調制信號形成的已調波形作為雷達輸入測試信號，對所設計的雷達信號檢測網絡進行仿真，結果如圖4所示。

從圖4中實線表示模型網絡輸出信號，虛線表示輸入的簡單調制的雷達信號。從仿真結果看，輸出信號和調制信號基本吻合，所以建立設計的網絡可以很好地完成不同調制信號、不同調幅度的峰值檢波，輸出波形中的紋波可以通過低通濾波器濾除。

2.2.2 復雜信號測試

選取需要檢測的目標信號幅度為1和2的正弦信號交替變化構成，在MATLAB里可以通過如下語句生成：

然后利用這一輸入信號對網絡進行仿真，并繪出測試信號、目標輸出和網絡仿真輸出曲線。結果如圖5所示。

圖5中的虛線表示輸入的雷達測試信號、短畫線表示所希望達到的曲線和實線表示模型網絡實際檢測輸出的信號曲線。從圖中定額以看出模型網絡對復雜測試信號的檢測性能不及簡單信號，但可以較成功地實現信號檢測。出現圖5這種結果一是由于信號檢測網絡模型能存在需要改進之處;二是由于樣本訓練程度需要提高，訓練成功的網絡可以對任何一個在訓練域內的未曾見過的非樣本數據有正確的響應。

3? 結束語

本文選用Elman神經網絡，應用MATLAB的神經網絡工具箱進行程序編寫，實現了基于Elman神經網絡的雷達信號檢測網絡模型的設計仿真。仿真結果表明，在不事先不考慮噪聲干擾對系統影響的前提下，得到的網絡模型可以很好的檢測出一些簡單信號，在對復雜輸入信號進行檢測時，雖然其效果還是不能都達到期望值，但依然可以檢測出目標信號。

參考文獻：

[1]丁鷺飛，耿富錄，陳建春.雷達原理[M].北京：電子工業出版社，2009.

[2]榮輝，張濟世.人工神經網絡及其現狀與展望[J].電子技術應用，1995，10：24-27.

[3]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1996.

[4]Elman J L.Finding structure in time[J].Cognitive Science，1990（14）.

[5]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2007.

[6]Pham D T， Karaboga D.Training Elman and Jordan Networks for System Identification Using Genetic Algorithms[J]. Artificial Intelligence in Engineering， 1999，13：107-117.

[7]朱大奇，史慧.人工神經網絡原理及應用[M].北京：科學出版社，2006.

[8]張德豐.神經網絡仿真與應用[M].北京：電子工業出版社，2009.