论文研究 基于构造型云神经网络的电磁环境评估方法.pdf

战场电磁环境的快速准确估计是态势和威胁评估的前提。在电磁环境复杂度静态评估的基础上，优化了适合动态评估的指标集，将云模型与构造型神经网络相融合为构造型云神经网络，提出基于构造型云神经网络的电磁环境复杂度动态评估方法。该方法能够提高评估结果的客观性以及准确率，无线电监测数据验证了方法有效性。冯彦卿,王伦文:基于构造型云神经网络的电磁环境评估方法2017,53(16)213大大减少球形领城的数量,简化网络结构的同时,消除3,否则执行 SNA SNTMP,转到5;覆盖之间的间隙,从根本上避免样本的拒识。软化分边5设V是属于P(且没有被SN覆盖的所有NCVP中离界的球形领域通过逆向云生成算法转化为云模型,隐层W最近的点其中W是SN的权向量则执行W←(W+V/2的¨球形领域覆盖¨神经元转化为“云覆盖”神经元,这样6.如果SN覆盖的P(中的NCVP的数目多于 SNTMP将构造型神经网终转化成构造型云神经网终覆盖的P()中的NCVP数目,则执行 SNMP←SN,转到构造型云神经网络由5层构成分为输入层隐层(云(3,否则执行SN← SNTMP,转到7;化层)、整合层、逆云化层、输出层,其拓扑结构如图1所示。7将Y从整个训练样本集中去掉,jj+1。如果j小于SN覆盖的P①中异类样本数的容限转到2否则转到88.将被SN覆盖的样本通过逆向云算法生成云模型(m),执行m(m+1转到1;9结束出:类样本对应的一组云模型CC/(m通过云覆盖构造算法,对于每个定性概念可以得到n1个不同粒度的m维X条件正态云,其中的每个正态m维X条件CC通过三组数值特征(Exa,Exe2,…,Exm),(Ena,Enm,…,Enm),(I,I,…,Ilem)来描述。将每个ⅹ条件云作为一个隐层神经元的激活函数来构造神经络的隐层,每个隐层神经元CC的确定度输出t如公式(2)所示,式中En是由熵En和超熵Hent生成的随机数。整合层逆云化层输出层(x;一Frs)输入层云化层exp(一图1构造型厶神经网络结构图2En第3层为整合层,神经元数目由定性概念数K决第1层为输入层,输入节点是线性的,由输入参数定。整合层与云化层之间为线性感知将云化层中同类的维数决定,将输入参数传递到下一层。概念神经元输出进行整合得到对应定性概念的确定度第2层为网络的隐层,也是云化层,其神经元的核函,如公式(3)所示数是m维X条件云,隐层神经元的创建要通过以下云覆盖构造算法来学习实觑。云覆盖构造算法描述如下假设有K类的训练样本,网络学习要完成的任务是其中为云化层中神经元CCn与整合层中神经元的构造K组“球形领域”C()-1,2,…,K,l-1,2,…使得每个“球形领域”覆盖大多数第i类的样本以及连接权值,对于有确定度的训练样本集,可采用最小二少数的非类样本,并将覆盖中的样本通过道向云算法乘法获取连接权值。对于无确定度的训练样本集,采用生成K组正态云模型。基于概率的权值分配方法”,这里给予简单介绍。对于第讠类的训练样本,1≤i≤K,令P(i)表示第设训练样本集屮决策属性为类别i的样本数为N类的训练样本;对于任何一个P()中的样本点,如果它云CC盖卜的训练样本数为N,也即该N个训练没有被C()中任何球形邻域覆盖,则称其为NCVP。样本输入网络后,云化层神经元中CC的输出最大,则云覆盖构造算法CC与输出层神经元i的连接权值f如公式(4)所示。输入:训练样本集P();(4)开始:C(i)1.若P(i)中的点没有NCVP,则转到9,否则,任选一个这样,输入样本向量x经过整合层后映射为x对NCVP样本点X,同时令=1于各定性概念的确定度2。2.构造个球形邻域SN,使得其权值W=X,d(W)第4层为逆云化层,逆云化层的每个神经元为一个路{},将SN的参数保到一个临时的球形邻域一维Y条件云发生器。样本x对丁各定性概念的确定中, SNTMP←SN度1经过逆云化层各神经元中的Y条件云后输出具有3将SN的中心W移动到所有被SN覆盖的P(中的确定度t的云滴。NCVP的重心,并重新计算其阈值第5层为输出层ε输出层通过虚拟云算法将逆云4.如果SN覆盖的P()中的NCVP的数日多于 SNTMP化层输出的云滴解模糊为定量值并输出。覆盖的P(i)中的NCVP数目,则执行 SNTMP←SN,转到解模糊化采用虚拟云Ⅶ的方法实现,虚拟云的期望2142017,53(16)Computer Engineering and Applications计算机工程与应用即为解模糊的输岀值。以电磁环境复杂度评估为例,按了其只能与云模型结合为3.中所述的前两类云神经网照¨3E原则”’,规则后件中4个复杂度等级在复杂度值络,这两类云神经网络都存在云参数需要依赖主观经验域中划分的云表示为公式中(5)的4个Y条件云V,V2,给出,以及采用梯度下降学习算法运算复杂度高的问V3,V4,如图2所示。题。相比之下,构造聖云神经网络中云参数是在学小过程中生成,不依赖专家经验,且学习算法中避免了传统l.0神经网络的大量迭代,运算量小。另外,与3.1中第三类云神经网络通过高维云变换生成云模型的方法相比,本文中采用的构造性学习方法也有多方面优势:首先,与高维云变换相比,本文中算法具有自适应性,不需要预0.6设生成云模型的个数;其次,构造性学习方法是有监督学习,不会出现云变换中可能存在的概念混叠的问题0.4再次本文中训练算法的复杂度约为OK2N,而云变换算法的复杂度大于O(KM2N,其中K为样本类别总数,M为生成云模型个数,N为训练样本数,当N较大时,本文中方法的计算复杂度远低于高维云变换算法。0.10.20.30.40.50.60.70.80.91.0复亲度图2各规则后件复杂度等级及虚拟云云图4实验与分析实验数据采用与文献5中同一数据库中数据,该V1=C(0,0.25/3,0.01)数据是在某实验场,选取9个代表性的采集点,使用接V2=C(0.375,0.25/6,0.01V3-C(0.625,0.25/6,0.01)(5收机采集的宽频段频谱数据。实验中采用28~30MHz烦段内的频谱数据,利用时间长度1s,带宽为240kHzV4=C(1,O.25/3,0.01)的时间频率窗口提取数据样本1500组,并计算得到各逆云化以及解模糊阶段,对样本x,若只有一个确评估指标参数,结合专家经验和国军标GB6520-2008定度ω>0,则规则库中第讠条规则被激活,激活强度为屮的电磁环境分级标准对各组样本的复杂度等级进行l1,如仅有激活度1时,直接用单规则发生器生成输出标注,如表1中所示。云滴a的期望O-Eh-2n(u4;如果有多个确定度大表1实验样本数据于0,如两个确定度u2=0.360,l3=0.589,当这两个确号(O10S( AP BS NS1)s复杂度等级定度激活相应的规则后件时,会产生4个云滴b,c,d,e10.110.580.112410.050.43025简单如图2所示,取最外侧两个云滴x1,1以x2,2),用几20310650.75.30.10.82043中度何方法构造虚拟云B2x,vEn,vle),虚拟云的期望30.250.340.664.350.090.770.36一般Ex和熵vEn按公式(6)确定。如果有多个规则被激40.430.730.886.540.131.010.56重度50.130410.332830090520.32简单活,则可以产生更多的云滴,将这些云滴通过有确定度的逆向云算法可求得虚拟云三个参数(Ex,wEn,He),15000.130.340.222.670070.580.27简单则网络的输出即为虚拟云的期望,即O-vEx。虚拟云解模糊的算法具体可参考文献[6]。随机选取1200组数据作为训练数据,剩余作为测试数据。网络模型利用样本参数逐层进行构造。样本71-2lh(2)+x2、-2lm()Ex-的评佔指标为7维,复杂度分为4个等级,因此网络为72n(2)+、=-2ln()(6)N-4-4-型结构,输入层包含7个神经元,接受每个样本F=2ln(p)+√-2ln(1)的参数输入,N为32节中介绍的云覆盖算法对训练样本进行学习所生成的4组云覆盖屮总的云模型个数,这构造型云神经网络通过学生成的多个¨云模型覆四组云覆盖分别对应四个复杂度等级。网络第3层由盖”的叠加逼近样本在特征空间的分布,对特征空问进四个神经元组成,每个神经元对应一个复杂度等级,将行“软化分”,既能保证核心区域的非此即彼性,又体现第2层中该复杂度等级对应的一组云覆盖神经元的输了类别之间不确定性的亦此亦彼性。该方法相比于简出加权平均,权值山3.2节中介绍的基于概率的权值确单的逆向云生成的单个云模型,对样本特征空间的表征定方法获取。第4层逆云化层包含4个神经元,该层中具有更强的普适性每个神经元由公式(7所示的4个Y条件云之一构成,此外,相比于其他神经网终与云模型的结合模型,分别对应一个复杂度等级。第5层包含一个神经元,该枃造型云神经网络有许多优点。传统网络的结构限定神经元完成虚拟云解模糊的运算,输出复杂度值。完成冯彦卿,王伦文:基于构造型云神经网络的电磁环境评估方法2017,53(16)215网络枃建后,将测试样本输入评估模型进行泙估,并记采用云模型改进后的网络模型评估精度明显提升,10次录实验结果。实验中最大误差为3.7%,最小误差23%,平均误差为表2为抽取的部分样本的指标参数值和评估结27%,均低丁ANF网络模型的评估结果,且表现出良果。实验所选频段包含业余无线电频段和固定台、移动好的稳定性。实验结果证明了采用云模型改进的网络台使用的频段,827MHz为10m业余无线电波段,)模型具有更高的精度和稳定性。此外,对比结果间接体电台活动较为活跃。由表2中第二个样木和第三个样现出云模型隶属度比传统模糊理论中精确的求属度函木可以发现,周术比工作日通信活跃,与实际相一致,第数更真实、更鲁棒,云理论的精髓在本模型中得以体现。三个样本时间是在周六,电磁环境达到了较复杂的程5结東语度。297~30MHz为保护频段,为固定台和移动台使●日岩用,表2屮最后两个样本的评估结果可以看出,该波段有快速的电磁环境的复杂度评估,才能满足时效性的需求。本文对战场电磁环境复杂度的动态评估方法内电磁环境较为简单、实验结果与专家评估结果相符进行了研究,根据动态评估的需求,选择了指标集,增加表2部分样木评估结果了方向性参数作为训估指标。将构造型神经网络与云模ime&型进行结合,建立动态评估模型。模型结合了云模型对Frequency)1osA" HSS DS复余度鱼定性概念的刻画能力和神经网络的学习能力利用训练090320样本数据建立评估模型,减少了评估结果的主观性,提高0.130.340.222.670.070.580.270.1228.30-28.54M了稳定性。实际采集数据验证了评伂方法的有效性、实09032017:10:00用性,可为战场电磁环境的动态评佔提供种实用的方法。0.250.340.664.350.090.770.360.3128.54-29.78M09032117:10:000.310.650.775.130.110.820.430.43参芳文献:28.54-28.78M[1]尹成友国军标GJB6520-2008战场电磁环境分类与分级09032117:10:000.430.730.886.540.131010.560.72方法[S]北京:国家标准出版社,200828.78-29.02M[2 Wu Yong, Du Yanjun, Zhang Yinkui. Evaluation of region09032017:10:000.130.410.332830.090.520.320.1electromagnetic environment complexity based on propa29.78-29.02Mgation model[J]Journal of Computational Information09032117:10:00).110.58.l12410.05430.250.16Systems,2014,14(10):5987-599429.70-2994M[3]王月清,王健,王凡,等一种电磁环境量化分析方法电波为了进一步殓证评估模型的性能,将本文提出的评科学学报[门,2013,28(4):74-753佔模型与文献中基于ANFS的评佔模型以及原始构4张鸿喜,赵严冰雷达对抗侦察电磁环境分级度量方法研究[门系统仿真学报,2014,26(4):915-919造型神经网络(CSN)建立的评佔模型进行对比实验3「5]王伦文,孙伟,潘高峰.一种电磁环境复杂度快速评估方每次实验中随机选出1200组数据作为训练样本,300组法[电子与信息学报,2010,32(12):2942-2947作为测试样本,记录三种方法的评估精度,实验重复进6李德毅杜鹢不确定性人工智能[M]北京:国防工业出版行10次,并对比实验结果,如图3所示。社,2014:46-47,104-106,206-208「71口永青,杜国宁,李志,等,基于云理论神经网络决策树的100生成算法[J上海交通大学学报,2003(11):113-17→…:……8」米晓萍,李雪梅.基于正态云神经网络的齿轮泵的故障诊断研究[叭计算机科学,2013,40(8):260-267[刂」徐宗本,樊忠泽.基于云神经网络的空间推进系统故障检测与诊断U兵工学报,2009(6):727-732[王兵,李盼池,杨冬黎,等.云过程神经网终模型及算法研究[]电子与信总学报2015,37(1):110-115ANF[1]韩敏,李政.基于公神经网络的多属性模糊规则分类[CSN控制与决策,200(6):933-936.[12]李刚,万幼川基于高维云模型和RBF神经网络的遥感实验次数影像不确定性分类方法[J測绘科学,2012,37(1):115-118图3三种模型评估精度对比[1]]丁洋,孙成伟,张冰冰,等.云模型RBF神经网络的数据中心温度预测[沈阳理工大学学报,2013,32(4):9-14由图中实验结果可以看出,未经过改进的构造型神141王伦文,张铃构造型神经网络综述门模式别与人工经网络(CSN)在处理模糊模式识别问题时,性能较弱。智能,2008,21(1):49-55