一種基于徑向基函數神經網絡的電子偵察無人機資源調度方法

黃黔川，劉盼盼

（電子信息控制重點實驗室，四川 成都 610036）

0 引言

電子偵察是電子戰支援的一種手段，即采用各種電子裝置偵察敵方電子系統并測定其各種參數。對電磁信號進行搜索、截獲、測量、識別和定位，以獲取雷達、通信等設備發射電磁信號的電子信號特征參數及位置信息。電子偵察無人機和地基、艦載等偵察手段相比具有獨特的優勢，它的作用距離遠、覆蓋地域大、機動能力強，并且危險性小，不會造成人員傷亡，有一架無人機就能對輻射源定位［1］。然而，與地基、船載、大型機載設備相比，由于無人機平臺的負荷限制，通常無人機載無源偵察設備的天線、接收機和處理器規模受到制約，導致其電子偵察的瞬時空-頻覆蓋能力較弱［2］。面對復雜電磁環境、特別是電子目標閃爍開機時，操作員對電子偵察無人機的資源調度工作量陡增，工作效率低下。通過優化電子偵察無人機傳感器資源調度算法，能夠有效提升電子偵察無人機的偵察效率。

目前國內對電子偵察無人機傳感器資源調度算法的研究較少。文獻［2］提出了一種無人機群協同無源定位資源優化調度方法，該方法主要是利用觀察窗口進行偵察資源的協同優化調度。文獻［3］提出了一種無人機偵察任務系統即時排序的算法，算法根據任務有效性及任務分類進行偵察任務的排序，但該算法粒度較粗，僅細化到任務級，未在傳感器級上進行調度控制。文獻［4］提出了一種基于效能函數的傳感器管理最優決策模型，該模型以量測前后獲得的目標信息增量為性能指標，分析了基于最大預測誤差協方差的傳感器資源分配算法的最優性能。但基于效能函數的方法無法解決線性加權求和方法在目標參數量化和優先級分配中的問題。

電子偵察無人機中傳感器的調度問題，其本質是對被偵察目標優先級的排序問題，本文通過梳理電子偵察中的目標優先級分配要素，構建一個多變量多層的網絡模型，再利用徑向基函數神經網絡技術，來解決電子偵察無人機資源調度中復雜電磁環境下目標優先級分配問題，使得傳感器資源分配策略更加高效自主。

1 目標優先級分配要素

根據電子偵察的特點，電子偵察目標優先級分配的信息有：威脅等級、重要等級、時敏等級、定位標記、定位誤差、截獲次數、重返偵察時間。將其分別用x1，x2，…，x7表示，則有：

x1：表示目標威脅等級，取值［1，9］。9為最高，1為最低；威脅等級越高，目標分配優先級越高。

x2：表示目標重要等級，取值［1，3］。3表示人工指定重點目標，2表示自動判定重點目標，1表示非重點目標；重要等級越高，目標分配優先級越高。

x3：表示目標時敏等級，取值［1，3］。3表示地面制導類雷達時敏等級，2表示地面警戒雷達時敏等級，1表示地面氣象、導航等雷達時敏等級；時敏等級越高，目標分配優先級越高。

x4：表示目標定位標記，取值0或1。0表示目標未定位，1表示目標未定位；未定位目標優先級高于已定位目標。

x5：表示目標定位誤差，取值［1，99］，單位km。定位目標中定位誤差越小，目標分配優先級越低。

x6：表示截獲次數，取值［1，9 999］。截獲次數越大，目標分配優先級越低。

指定海域中通航的船舶交通風險，該風險顯示為此航線上通行的船舶發生碰撞或擱淺的概率，并量化為某個指定的時間段內發生該事故數。

x7：表示重返偵察時間，取值［1，999］，單位s。時間間隔越大，目標分配優先級越高。

x1，x2，…，x7中部分值通常呈現非線性特征，其值的確定需要依靠操作人員的控制經驗和專家知識。在實際應用時需模糊量化將各個參數歸一化到［0，1］范圍內。歸一化的數據更能反映目標信息之間的關系以及目標和目標優先級之間的關系。

2 徑向基函數神經網絡

2.1 RBF神經網絡的構造

徑向基函數（RBF）方法是用于多變量函數插值的一種傳統方法。1988年，Broomhead和Lowe將RBF應用于神經網絡設計之中，構造了RBF神經網絡［5］。它具備網絡簡單、學習速度快和逼近性能良好等優點，廣泛應用于函數逼近、模式分類等。

RBF神經網絡是一種三層前饋神經網絡，輸入層由若干感知單元組成，不對信號做任何處理，主要作用是傳遞信號到隱層；隱層采用徑向基函數作為激活函數，通常包含較多的神經元個數，完成從輸入空間到隱層空間的非線性變換；輸出層對隱層輸出進行線性計算，完成對輸入信號的響應。圖1為RBF神經網絡的結構圖［6］。

圖1 RBF神經網絡結構

圖1 中，X=[x1，x2，…，xi]T表示RBF神經網絡的輸入變量；H=[h1，h2，…，hj]T表示RBF神經網絡隱層中的徑向基向量；W=[w1，w2，…，wn]T表示RBF神經網絡輸出權值向量。

在RBF神經網絡中，高斯函數、多二次函數、逆多二次函數都可以用作徑向基函數。其中，多二次函數呈現單調遞增特征，高斯函數、逆多二次函數隨著中心距離的增大呈現單調遞減的特征。本文選取高斯函數作為徑向基函數。高斯函數這種呈單調遞減性的徑向基函數具有良好的局部特性，它會對輸入信號在局部范圍產生響應，即變量x靠近徑向基函數的中心時，函數將取得最大的值。

采用高斯函數作為徑向基函數時，徑向基神經網絡的激活函數hj表示為：

式中，Cj=[cj1，cj2，…，cjn]T，j=1，2，…，n為隱層第j個節點的中心向量。δj表示網絡節點j的基寬參數。

由此可得，RBF神經網絡輸出為：

同時，定義RBF網絡逼近性能度量：

2.2 RBF神經網絡學習

根據RBF神經網絡的網絡結構可知，輸入層與隱層直接連接，而隱層與輸出層通過權值矩陣Wn相連接，而RBF網絡要學習的主要參數有3個，基函數的中心cj、方差δj及隱層到輸出層的權值Wn。

如圖2所示，RBF神經網絡訓練步驟為：

圖2 RBF神經網絡學習訓練流程

1）進行神經網絡的參數初始化，確定網絡誤差精度δ及迭代次數N；

2）利用訓練樣本數據（含輸入訓練樣本和期望輸出集）計算輸出結果，并計算與期望輸出的均方根誤差；

3）若誤差滿足終止條件，則終止訓練，否則，采用梯度下降法繼續調整cj、δj和Wn，再進行循環計算并判斷是否滿足終止條件。

3 仿真分析

3.1 RBF神經網絡訓練

理論上，只要網絡隱含層節點數足夠多，RBF神經網絡就可以以任意精度逼近任何非線性函數［7］。為了驗證基于RBF神經網絡的電子偵察無人機資源調度的有效性及正確性，基于目標優先級分配信息及專家經驗生成了450組數據，涵蓋了威脅等級、重要等級、時敏等級、定位標記、定位誤差、截獲次數、重返偵察時間等信息的集合。選取其中400組數據作為訓練數據，剩余50組作為驗證數據。在RBF神經網絡中，設定誤差精度δ=0.001及迭代最大次數N=200。多次訓練表明，隱層節點數等于34時，訓練時間及誤差精度滿足要求。RBF神經網絡訓練預測值與真實值對比如圖3所示。

圖3 RBF神經網絡訓練預測與真實值對比圖

3.2 場景仿真驗證

仿真試驗中包含1架電子偵察無人機及10部地面雷達。其中雷達1—6全程開機，雷達7—10閃爍開機（每間隔2 min開機20 s）。表1為10部雷達的具體工作參數。

表1 仿真驗證雷達工作參數表

設定電子偵察無人機從位置（108°8'48″E，34°24'39″N）起飛，速度450 km/h，航向180°，偵察范圍機身法線方向左右45°范圍內，飛行時間100 min。

使用RBF神經網絡根據實時偵察信息進行偵察資源優先級計算，并根據計算結果將優先級系數最低的3個偵察資源分配給優先級系數最高的3個偵察資源。圖4為使用RBF神經網絡策略調度前后無人機資源分配對比情況。從對比情況來看，使用RBF神經網絡策略調度能夠在偵察過程中根據實時偵察情況來調度資源，將持續開機目標頻段資源分配給了閃爍開機目標。

圖4 RBF神經網絡與常規輪訓策略資源調度對比圖

圖5為使用RBF神經網絡策略調度前后偵察雷達截獲次數情況。從對比情況來看，使用RBF神經網絡策略調度避免了偵察資源浪費在重復的目標上，更傾向于截獲次數全局最優的結果。

圖5 RBF神經網絡與常規輪訓策略截獲次數對比圖

圖6為使用RBF神經網絡策略調度前后偵察雷達定位誤差情況。從對比情況來看，傳統的資源調度方法對閃爍開機的雷達8、雷達10未能進行有效定位；使用RBF神經網絡策略調度雖然在部分目標定位精度收斂速度上有所損失，但是成功地將閃爍開機的雷達8、雷達10進行了有效定位。

4 結束語

電子偵察無人機偵察資源調度是一個復雜的問題，由于影響傳感器資源調度的因素較多，在復雜電磁環境下，傳統的傳感器資源調度方法難以快速有效地進行傳感器資源分配。本文將傳感器資源分配問題轉換成目標偵察優先級排序問題，并利用RBF神經網絡可以逼近非線性函數的能力，解決了目標優先級分配過程中的非線性問題。仿真結果表明，在面對復雜環境時，本文方法能有效地提升傳感器調度資源偵察效率。