神经网络在雷达对抗与反对抗中的应用

神经网络在雷达对抗与反对抗中的应用〔摘要〕本文从神经网络应用于雷达对抗与反对抗中的潜在优势出发，论述了将其应用于雷达信号分选和识别、自适应信号处理、识别反辐射导弹、探测隐身目标和抗人为干扰等方面的广阔前景。

一、引言神经网络是目前最具爆发性的一个新兴学科生长点，已成为科学技术发展的新热点，它的发展将会给整个信息科学带来里程碑的变化。

人们称神经网络计算机是第六代计算机，又是第二代人工智能。

由于神经网络在军事上的应用日趋广泛，能对未来的军事系统起到“力量倍增器”的作用，所以受到各国军方的高度重视，其重要性可与第二次世界大战期间发展原子弹那样相提并论。

神经网络的下列功能和特点，使其应用在雷达对抗与反对抗中有着明显的潜在优势：1.智力惊人的自适应自学习能力对于一个实际应用问题，网络可通过特定的样本进行训练，能根据周围环境的变化按特定的学习模式或自组织方式来调整网络结构，它不仅可以处理各种变化的信息，而且在处理信息的同时其本身也在不断地变化即通过它的某种学习机制，自已总结经验，能对一些没有规律的问题，作出反应和对策。

2.理智敏捷的判断思维神经网络以与人脑多少有些相同的方式来解决复杂问题，不需要数据完备，而是利用直觉和事物的来龙去脉，加上大规模并行运算，使其能处理一些环境信息十分复杂、知识背景不清楚、推理规律不明确、信息模式多变、甚至矛盾的问题，能从典型的事例中正确处理具体事例，给出满意的结果。

3.高度分散的信息存储方式在神经计算机中，一个信息不是存放在一个地方，而是分布在整个网络中，在网络的每一处能存储多个信息，即使系统一部分受到损伤，也不削弱整个网络的整体效力；对于网络中某个文件的损坏，或输入“污染”，具有较强的容错性和抗干扰性；查询任何一部分信息，有关的信息都可回忆出来，恢复其原始信息。

4.快速准确的实时处理神经网络计算机的信息处理是在大量处理单元中并行而有层次地进行的且信息的存储和处理合二为一，减少了数据传输的时间，不但不易出差错，而且信息处理速度快，大大超过了顺序处理的数字计算机。

5.一网多用的多功能性同一网络，通过不同样本集训练，完成不同的功能；而且，同一网络，训练方法不同，具有不同的用途。

这样的学习系统，有可能通过学习，超过原有的设计内容，而增长新的知识。

因此，神经网络在雷达对抗与反对抗中的应用有着越来越广阔的前景。

二、神经网络应用于雷达信号的分选和识别雷达信号分选和识别是利用雷达信号特征参数的相关性来实现的，表征雷达的特征参数有：①频域参数：包括载频频率、频谱及频率变化规律等；②空域参数：包括信号的到达的方向、“方位角、仰角；③时域参数：包括信号到达时间、脉冲宽度、脉冲重复周期(重复频率)及其变化规律、变化范围等；④辐度参数：包括天线调制参数、天线扫描规律等。

信号分选根据所采用的分选参数和分选功能，通常有下列分选技术：重频分选；时域、频域多参数分选；空域、频域、时域综合分选等。

利用的参数越多，对分选就越有利。

然而上述这些分选方法均是一种传统的串行规律检测法，存在速度慢、模糊性及系统的响应很不理想等缺点。

为了解决上述问题做到实时可靠的分选和识别，可引入下列一起神经网络。

1.自组织PNN应用于信号分选和识别概率神经网络PNN(Probabilistic Neural Network)的功能函数采用的不是Sigmoid型函数，而是指数函数。

采用这种函数形成的分类神经网络，可以得到非线性判决边界，且在一定条件下就可实现贝叶斯最优判决。

自组织神经网络是根据人脑具有的下列特点开发出来的：人的脑神经系统既能牢固地记住所学得的各种知识，又能很好适应各种复杂多变的环境，通过“自学”来认识未学习过的新事物，并解决不熟悉的新问题。

自组织PNN利用人脑组织的这些特点，无须事先存储训练样本，而是通过边工作边学习(记忆)，其内容即其隐含层各单元的权重，是利用其自身内部的竞争学习获得的，竞争的获胜者是具有最大概率的模式，随着更多模式的获得系统能自已调整记忆，并自动遗忘过旧的模式以适应新的复杂环境。

利用PNN可以对具有单维或多维特征参数的信号进行分类。

经过仿真实验，证明了这种方法的可行性并是一种有效的信号分选方法，但这种方法在实际使用中是否有效，关键是前端处理机能否提供较准确的信号参数。

2.BSB应用于信号的分选和识别BSB(Brain State Box—盒中脑状态)用了基本线性联想器，用误差校正构造连接矩阵，还采用了一个简单的限幅非线性单元并具有自联想(AOTO-AM)功能和异联想(Hetero-Am)功能。

首先，由雷达侦察接收机把各种脉冲处理成方位角(Az)、仰角(EL)、信噪比(SNR)、载频(FR)等特征值，并把这些数据列表示在脉冲缓冲寄存器中，再标记上到达时间。

然后，由BSB的自联想功能完成分选：可随机地从“脉冲寄存器”中提取脉冲，用小学习常数的Midrow-Hoff误差校正算法学习它；所有从一部雷达来的脉冲都将吸引至一种特殊的稳定状态，从而完成雷达信号的分类过程。

对于BSB异联想模型，可先利用已知的关于雷达参数的先验知识来训练网络，学习完毕后，网络便可以鉴别出输入脉冲矢量的类型，而不必进行复杂的查找与比较，从而可提高分选速度。

BSB是一个并行结构，信息的存储与处理合二为一，它比以串行为特征、信息的存储与处理互不相关的传统方法优越得多，分选效果明显提高，是一种很有吸引的分选识别方法。

3. BP模型应用于信号分选和识别BP(Back-Propagation)算法的学习过程由正向传播和反向传播组成。

在正向传播过程中，输入信息从输入层经隐单元逐层处理，并传向输出层且每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得于期望的输出，则输入反向传播将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。

BP这种采用最小均方差学习公式的多层映射网络，是目前使用最广泛的网络，它是一种异联想网络，同样可以用来进行特征的识别。

首先要用有关的雷达参数进行训练，训练好的网络可以识别出输入信号的类别。

三、神经网络在自适应信号处理中的应用1.自适应滤波Hopfield网络虽然可以在电路常数量级内求解复杂的优化问题，但存在编程复杂的问题，而且只能给出局部最优解，不能给出全局最优解。

产生编程复杂性的一个重要原因是Hopfield 网络的输出稳定值是两个状态的离散值，然而实际问题的解通常是模拟量。

若采用线性规划神经网络就可输出连续变化的模拟量，但这种网络可能会产生不稳定。

通过对其不稳定性的分析，找出了使该网络保持稳定(即适当地选择约束放大器和信号放大器的形式和具体参数)的方法，这种网络可以在几百微微秒数量级内求解自适应滤波器的最佳权系数和自适应谱估计的模型参数，所得结果与准确解可以任意接近，而不存在任何编程复杂性问题，又能给出所需的真正全局最优解，因此在自适应信号处理中有很好的应用前景。

2.自适应噪声和干扰对消自适应噪声和干扰对消是自适应处理领域的一个重要内容，利用改进的BP神经网络，效果甚为明显。

BP网络由于引入了隐层单元，网络能够实现各种内部判决；在输出层可以实现波形识别，BP网络这种结构与波形识别特征表明，对于各种各样噪声和干扰的需要波形特征，从而可以实现噪声和干扰的对消。

根据ADALINE(自适应线性神经元)，构适一种新的自适应噪声和干扰的对消系统，它是一个二层感知器。

这种二层感知器网络能够实现单频干扰和窄带噪声的良好对消，且性能优于ADALINE网络。

3.自适应波束形成神经网络自适应波束形成技术除具有自适应波束形成的优点外，还具有降低天线制造及维护成本的潜力。

神经网络自适应波束形成器主要包括预处理，人工神经网络及后处理。

预处理部分能修正并简化神经波束形成器的原数据以使得网络易于学习。

虽然神经网络可以用原始数据来训练，但是为了产生更好的特征以及能强调高阶趋向，所形成的网络通常比用经过变换后的数据来训练的网络大，越大则意味着该网络在串行计算机上的模拟会越慢。

因此，对于好的网络性能，精巧的预处理是非常必要的。

神经网络自适应波束形成器的关键是神经网络结构的选择。

由于径向基函数可在理论上构造任何连续函数，所以选择其作为网络的结构。

对于连续函数的建模来说，径向基函数及经典的后向传播结构均可作为导入神经网络结构。

但由于径向基函数网络较后向传播结构小而且训练速度快，所以选择径向基函数作波束形成器的神经网络结构较好。

后处理部分用于处理输出节点能量以产生所需的网络信息。

对于信号检测及测向来说，需要所探测目标的角位置且具有某种可信度。

在噪声情况下，还需避免虚警。

在后处理期间，应检验输出节点的能量以确定目标的存在、准确位置及相关的可信度。

后处理首先寻找输出节点中能量集中的输出节点，通过计算相邻各输出节点对的差来发现能量集中的点。

在这一步由正至负的过门信号可以认为是目标源。

4.自适应波形选择用神经网络进行自适应波形选择的方法是通过利用多层神经网络快速导出CARPET(计算机辅助雷达评定工具)函数来估计预测的雷达性能，然后传输网络按序排列预测的雷达性能与波形参数的函数关系，最后利用模拟处理技术导出波形参数的最佳集，从而达到自适应选择波形的目的。

此外，神经网络还可应用于自适应阵列信号处理和自适应编码等多种自适应信号处理领域。

四、神经网络在雷达对抗与反对抗中的其它应用1.识别反辐射导弹(ARM)对抗ARM的方法很多，其中采取ARM告警措施是一个重要的抗ARM的方法，是采用其它诸如启动诱偏、关机及空中硬拦截等抗ARM措施的前提。

告警装置有一个重要任务是从大量回波中识别出来袭的ARM。

识别技术包括两个方面的内容，首先要从复杂的电子对抗环境中提取出能反映ARM本质的特征量，然后根据这些特征量，使用有效的智能识别方法把ARM识别出来。

诸如许多目标识别技术一样，识别ARM可以采用高分辨雷达及一些新体制雷达来完成，但雷达成本高且有的尚处于理论探索阶段。

因此，目前用得较多的是采用低分辨相参雷达来实现：首先提取ARM的运动特征量(速度及加速度特征量、弹机分离特征、距离变化特征量、S/N变化特征量等)，自身电磁散射特征量(位置特征参数、散布特征参数、分布特征参数等)和极化特征量(极化散射矩阵行列式、目标功率散射矩阵的迹、去极化系数)等，然后利用神经网络来识别ARM。

例如采用双层双向联想记忆器(BAM)能识别ARM。

BAM能存储双极性或二值模式对，其学习算法是基于Hebb规则，它的工作过程分为训练与联想二个阶段。

此网络有一定的容错性，但其容量是有限的，在存储模式对时受到一定的限制。

改进型BAM神经网络是在双层BAM神经网络基础上增加一层U，形成三层BAM，它对任何存储向量都有收敛的轨迹，与双层BAM相比大大提高了存储容量，因此在模式较多时，具有较强的抗噪声能力，但由于增加了一层隐含层，因而增加了网络的复杂性。