基于量子神经网络的辐射源识别方法

合集下载

基于辐射源特征信息的目标识别技术

基于辐射源特征信息的目标识别技术I. 引言- 研究背景和意义- 文章内容和结构概述II. 辐射源特征信息概述- 辐射源分类- 辐射源特征信息的获取和分析III. 目标识别技术- 基于模式识别的目标识别方法- 基于机器学习的目标识别方法- 基于深度学习的目标识别方法IV. 基于辐射源特征信息的目标识别技术研究- 目标识别技术的应用场景- 基于辐射源特征信息的目标识别技术研究现状- 基于辐射源特征信息的目标识别技术的实验结果分析V. 结论和展望- 总结- 展望未来研究方向和发展趋势VI. 致谢- 参与本文研究的人员致谢- 研究资金和设备支持单位致谢I. 引言随着人类科技水平的发展和应用范围的拓展，辐射源技术在军事、医学、环境、能源等领域得到了广泛应用。

辐射源分类、定位和目标识别是辐射源技术应用中的重要问题。

其中，目标识别问题是通过分析辐射源的特征信息识别出不同类型的目标。

目标识别技术需要进行模式识别、机器学习、深度学习等领域的交叉研究。

本文将讨论基于辐射源特征信息的目标识别技术。

II. 辐射源特征信息概述辐射源是指放射性物质、高能粒子和辐射性场等会产生辐射的物质或现象。

辐射源的类型和辐射特征均不同，但是辐射源的特征信息是识别不同类型目标的基础。

辐射源特征信息主要包括以下方面：1.辐射类型：包括γ射线、x射线、中子、质子等不同类型的辐射。

2.能量范围：辐射源辐射出的粒子能量范围不同，如高能、低能等。

3.辐射强度：辐射源辐射场内的辐射粒子数量或能量密度。

4.发射方向：辐射源向不同方向辐射的特征。

5.发射位置：辐射源在空间中的位置和分布情况。

6.辐射时间：辐射源放射辐射的时间和持续时间。

7.辐射成分：辐射源放射的不同成分，如α、β、γ线的混合源等。

III. 目标识别技术目标识别技术是利用计算机或其他数字化设备，通过对目标特征信息的提取，对目标进行自动或半自动的分类和识别。

根据目标识别技术的不同范式，可以分为基于模式识别、机器学习和深度学习的方法。

基于神经网络的未知雷达辐射源智能识别技术

２．ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｉｆｎｇＩｎｓｔｉｔｕｔｅ，Ｈｅｆｅｉ２３００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒ，ａｎｉｎｔｅｌｌｉｇｅｎｔｒｅｃｏｇｎｉｔｉｏｎｏｆｍｅｔｈｏｄｂａｓｅｄｏｎ
ＬＩＵＫａｉ一．ＷＡＮＧＪｉｅ．ｇｕｉ
（１．ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＣｏｎｔｒｏｌＬａｂｏｒａｔｏｒｙ，Ｃｈｅｎｇｄｕ６１００３６，Ｃｈｉｎａ；
ｎｉｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｕｎｋｎｏｗｎｒａｄｒａｅｍｉｔｔｅｒ；ｎｅｕｒａｌｎｅｗｏｔｒｋ；ｒｅｃｏｎｉｇｔｉｏｎｏｆｔｈｅｗｏｒｋｉｎｇｓｔａｔｅ；ｔｒｅｈａｔｊｕｄｇｍｅｎｔ
ｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒｉｓｐｒｏｐｏｓｅｄ．Ｔｏｔｒａｉｎｔｈｅｎｅｗｏｔｒｋｂｓｅａｄｏｎｔｈｅｒａｄｒａｓｉｎａｇｌ

基于GMM和神经网络的辐射源识别方法

第５期
２０１４年１Ｏ月
雷达科学与技术
ＲａｄａｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏ１ｏｇｙ
Ｖｏ【．１２Ｎｏ．５
Ｏｃｔｏｂｅｒ２Ｏ１４
基于ＧＭＭ和神经网络的辐射源识别方法
公绪华，袁振涛，谭怀英
Ａｂｓｔｒａｃｔ：Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｅｍｉｔｔｅｒｓｂａｓｅｄｏｎｔｈｅｐａｒａｍｅｔｅｒｓｏｆｉｎｔｅｒｃｅｐｔｉｏｎｒａｄａｒｐｕｌｓｅ，ａ
中图分类号：ＴＮ９７１文献标志码：Ａ文章编号：１６７２ — ２３３７（２０１４）０５ — ０４８２ — ０５
ＴｈｅＭｅｔｈｏｄｓＢａｓｅｄｏｎｔｈｅＧＭＭａｎｄＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＲｅｃｏｇｎｉｔｉｏｎｏｆＥｍｉｔｔｅｒｓ
分类器。仿真试验结果表明，基于ＧＭＭ和神经网络构建的两种分类器均能实现对雷达辐射源的在线识
别，且当用于训练的样本比例不低于１Ｏ时，均能获得９Ｏ以上的分类正确率。
关键词：高斯混合模型；神经网络；雷达脉冲；辐射源识别
ＧＯＮＧＸｕ — ｈｕａ，ＹＵＡＮＺｈｅｎｔａｏ，ＴＡＮＨｕａｉ — ｙｉｎｇ

神经元网络用于辐射源分选、识别

。
;
幅度参数
包括天线扫描调制夭线
扫描周期及扫描规律等
。
、
2
神经元网络分类器的特点
人工神经元网络是一种由大量处理单元
、、
其中主要的信号分析参数有脉冲到达时
间
(T O A )
、
脉冲宽度 ( P W ) 脉冲重复周期
二
.
,
形夕
、州护
/
一一~ 一-
丫奋
一.
一
图
2
一
S B
0
一
B 自联忽功能网络结构
传统分类器的输人输出都是串行的内部操
t 一 o ) 代表解答翰出 (
卜
它将神经网络与非线
,
给码
孵兮
Z
。
性系统结合起来
。
S B
B 系统动力学的演变
,
能使能量函数最小化吸引子的位置可由学
习算法来控制
3
.
。
( a ) 传统分类件
1
X .
X X
1
计算匹配值
34
航
天
电
子
对
抗
1 9 94
年
、
神经元网络用于辐射源分选
梁百川
识别
摘
要
。
在分析现有辐射源识别方法固有缺点的墓拙上提出采用神经元网络重点研究

一种辐射源快速识别新方法

４８
航天电子对抗
第３１卷第２期
ห้องสมุดไป่ตู้
一
种辐射源快速识别新方法
刘志鹏，赵立新，张国毅
（空军航空大学，吉林长春１３０Ｏ２２）
摘要：针对现有辐射源识别方法不能识别参数交叠的雷达信号以及ＢＰ神经网络迭代
关键词：雷达；辐射源识别；概率神经网络；特征提取；识别率中图分类号：ＴＮ９７１文献标识码：Ａ
Ａｎｏｖｅｌｑｕｉｃｋｅｍｉｔｔｅｒｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ
Ｋｅｙｗｏｒｄｓ：ｒａｄａｒ；ｅｍｉｔｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒａｔｅ
速度慢、识别效率低的缺点，设计出一种采用改进概率神经网络的实时快速识别方法。该方法
构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息，进而可以
对参数交叠的雷达信号进行有效识别。同时，该方法还对概率神经网络进行了改进，使之具备识别出未知雷达信号的能力。仿真实验表明，此方法在显著提高了识别率的同时，还具有良好的抗噪性和鲁棒性。

一种辐射源快速识别方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010174283.7(22)申请日 2020.03.13(71)申请人电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号申请人鹏城实验室(72)发明人苟嫣　邵怀宗　王沙飞　林静然　利强　潘晔　胡全　(74)专利代理机构成都正华专利代理事务所(普通合伙) 51229代理人李蕊(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种辐射源快速识别方法(57)摘要本发明公开了一种辐射源快速识别方法，其包括以下步骤：S1、读取带有标签的辐射源信号；S2、对带有标签的辐射源信号进行短时傅里叶变换，将一维信号转换为两通道的二维时频图像；S3、构建深度卷积神经网络模型；S4、将两通道二维时频图像输入深度卷积神经网络模型，并采用自适应学习率算法进行训练，获取训练后的模型；S5、采用训练后的模型对待识别目标进行识别，完成辐射源的快速识别。

本方法结合损失函数，实现学习率能够自适应变化，与现有学习率相比，极大的提升了神经网络模型的收敛速度和识别精度，优化了辐射源的识别性能，同时不需要人为调参。

权利要求书2页说明书5页附图1页CN 111401226 A 2020.07.10C N 111401226A1.一种辐射源快速识别方法，其特征在于，包括以下步骤：S1、读取带有标签的辐射源信号；S2、对带有标签的辐射源信号进行短时傅里叶变换，将一维信号转换为两通道的二维时频图像；S3、构建深度卷积神经网络模型；S4、将两通道二维时频图像输入深度卷积神经网络模型，并采用自适应学习率算法进行训练，获取训练后的模型；其中自适应学习率算法为：lr(t)＝p tβ0sigmoid(L(t)L(t-1)-d)；t为深度卷积神经网络的训练迭代次数；lr(t)为第t次迭代时的学习率；p为衰减因子，β0为初始幅值，L(·)为损失函数，sigmoid(·)为sigmoid函数，d为sigmoid函数向右平移的单位数；S5、采用训练后的模型对待识别目标进行识别，完成辐射源的快速识别。

基于一维CNN和LSTM的雷达辐射源识别方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011160727.8(22)申请日 2020.10.27(66)本国优先权数据202011031867.5 2020.09.27 CN(71)申请人西安电子科技大学地址 710071 陕西省西安市太白南路2号(72)发明人武斌　殷雪凤　李鹏　张葵　王钊　荆泽寰　袁士博　(74)专利代理机构陕西电子工业专利中心61205代理人田文英　王品华(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于一维CNN和LSTM的雷达辐射源识别方法(57)摘要本发明公开了一种一维CNN和LSTM的雷达辐射源识别方法，其步骤为：(1)构建CNN局部特征提取模块；(2)构建LSTM全局特征提取模块；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集；(5)训练雷达辐射源识别网络；(6)对雷达辐射源识别样本进行识别。

本发明构建的雷达辐射源识别网络，可直接对雷达辐射源时域信号进行特征提取，不需要维度变换，实时性好。

同时本发明采用CNN和LSTM模块提取信号局部特征和全局特征，特征提取更充分，提高了识别率，使得本发明具有更好的实时性和抗噪声性能。

权利要求书2页说明书6页附图1页CN 112115924 A 2020.12.22C N 112115924A1.基于一维CNN和LSTM的雷达辐射源识别方法，其特征在于，利用雷达辐射源数据集对构建的CNN和LSTM的神经网络进行训练，将待识别的雷达辐射源信号输入训练好的神经网络进行识别，该方法的步骤如下：(1)构建CNN局部特征提取模块：(1a)搭建一个6层的CNN局部特征提取模块，其结构依次为：第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层；(1b)将第一至第三卷积层中卷积核的个数分别设置为32，32，64，卷积核的大小分别设置为4×1，3×1，3×1，步长均设置为1，激活函数为eLU函数，第一至三池化层均采用最大池化方式，池化区域核的大小分别设置为5×1，4×1，4×1，步长均设置为4；(2)构建LSTM全局特征提取模块：(2a)搭建一个3层的LSTM全局特征提取模块，其结构依次为：LSTM层→第一全连接层→第二全连接层；(2b)将LSTM层、第一全连接层、第二全连接层的神经元个数分别设置为64，64，6；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集：(4a)生成一个包括常规脉冲信号、线性调频信号、非线性余弦调频信号、二相编码信号、二频编码信号和四频率编码信号6种不同调制类型信号的数据集，每种信号在-8dB到14dB范围内随机选择加入不同的信噪比，每个信噪比下每种调制类型信号至少生成500个样本，每个样本的采样点数为4097；(4b)利用z-score归一化算法，对数据集中的每个样本进行归一化预处理，将预处理后的所有样本组成训练集；(5)训练雷达辐射源识别网络：将训练集的样本输入到雷达辐射源识别网络中，利用Adam算法迭代更新网络的权值15次，得到训练好的雷达辐射源识别网络；(6)对雷达辐射源样本进行识别：(6a)利用z-score归一化算法，对电子侦察接收机采集的待识别的每个雷达辐射源样本进行归一化预处理；(6b)将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，得到每个样本的识别结果。

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用孙毓富;柴恒;吴扬
【期刊名称】《舰船电子对抗》
【年(卷),期】2010(33)3
【摘要】战场辐射源识别已成为电子侦察和雷达威胁告警的基本要素,其关键技术之一--辐射源特征聚类算法的研究也显得日益重要.在分析常用误差反传(BP)网络算法对辐射源特征聚类的不足后,提出利用基于粒子群优化的神经网络算法对多特征参数进行聚类.通过比较该优化算法和传统BP网络算法在聚类正确率和收敛速度方面的差别,验证了基于粒子群优化的BP算法在辐射源特征聚类中相对于传统BP 算法的优越性,仿真结果证明了该方法具有较好的实用价值.
【总页数】4页(P66-68,95)
【作者】孙毓富;柴恒;吴扬
【作者单位】船舶重工集团公司723所,扬州225001;船舶重工集团公司723所,扬州225001;船舶重工集团公司723所,扬州225001
【正文语种】中文
【中图分类】TN971.1
【相关文献】
1.基于粒子群优化算法的BP神经网络在图像识别中的应用 [J], 高艳霞;李禹生
2.基于粒子群优化算法的RBF神经网络在闸墩裂缝宽度预测中的应用 [J], 闫滨;王闯
3.基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用 [J], 齐银峰;谭荣建
4.基于粒子群优化算法的SVM神经网络在海底底质分类中的应用 [J], 郭军;马金凤
5.基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用 [J], 钱超群
因版权原因，仅展示原文概要，查看原文内容请购买。

基于神经网络的辐射源识别系统设计

基于神经网络的辐射源识别系统设计
张国柱;姜文利;周一宇
【期刊名称】《系统工程与电子技术》
【年(卷),期】2004(026)002
【摘要】针对当前辐射源识别系统中存在的问题,提出了一种结合神经网络技术的辐射源识别新方法.该方法可以快速高效的识别各类辐射源,既有基于统计分析的辐射源识别系统的快速性,又有基于专家系统的辐射源识别系统的自适应性和准确性.实际仿真结果表明该方法是有效的,尤其对于参数不全、参数畸变的雷达辐射源,其识别率和识别置信度都有较大提高.在本文方法的基础上,设计出一种结构简单、快速有效的辐射源识别系统,具有一定的推广价值.
【总页数】5页(P268-272)
【作者】张国柱;姜文利;周一宇
【作者单位】国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于神经网络与信息融合的雷达辐射源识别 [J], 吴振强;张国毅;常硕;赵凯凯
2.基于GMM和神经网络的辐射源识别方法 [J], 公绪华;袁振涛;谭怀英
3.基于PID和深度卷积神经网络的辐射源识别方法 [J], 曹阳;王金明;徐程骥;岳振军;狄恩彪
4.基于卷积神经网络的雷达辐射源识别 [J], 牛浩楠;王文灿;刘清波
5.基于等价型模糊神经网络的战场辐射源识别算法 [J], 陆渊章;陆锦军;张冰
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的通信辐射源调制样式识别方法

基于深度学习的通信辐射源调制样式识别方法随着通信技术的迅猛发展，对通信辐射源的调制样式进行准确识别的需求也越来越大。

通信辐射源调制样式的准确识别可以用于频谱管理、通信系统的安全性评估等领域。

传统方法中，常使用人工特征提取和机器学习算法来解决这个问题，但随着深度学习方法的兴起，基于深度学习的通信辐射源调制样式识别方法在近年来得到了广泛的研究和应用。

首先，数据预处理是保证模型准确识别的重要步骤。

通信辐射源常使用数字信号传输，因此需要将信号进行解调和采样。

然后，对信号进行滤波和归一化处理，这些预处理步骤能够去除噪声和干扰，使得深度学习模型能更好地提取特征。

其次，构建和训练深度学习模型是通信辐射源调制样式识别的核心步骤。

常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。

这些模型能够自动提取信号的特征，并通过多层次的神经网络结构进行分类。

在构建模型时，需要注意选择适当的网络结构和超参数，以提高模型的准确性和泛化能力。

训练模型时，可以使用梯度下降等优化算法对模型的权重进行更新，使得模型能更好地拟合训练集。

最后，通过在测试集上评估模型的性能，可以对模型的准确性进行评估。

常用的评价指标包括准确率、精确率、召回率等。

通过对评价指标的分析，可以评估模型的准确性和稳定性，并对模型进行调优和改进。

总之，基于深度学习的通信辐射源调制样式识别方法在解决通信辐射源调制样式识别问题上具有很大的优势。

它能够自动提取信号的特征，减少了人工特征工程的工作量，并能够更好地处理复杂的调制样式。

然而，深度学习模型的构建和训练也需要大量的数据和计算资源，因此在实际应用中需要进行合理的权衡和选择。

随着深度学习技术的不断发展和完善，基于深度学习的通信辐射源调制样式识别方法将在通信领域得到更广泛的应用。

相关主题

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

５－６］方面［：
）在模型构建方面，多层激励函数的量子神经网１络在构造神经元过程中引入了量子理论中的量子态叠加思想，将多个Ｓｉｍｏｉｄ函数的线性叠加作为隐含层ｇ
（）张中山，等：基于量子神经网络的辐射源识别方法２７２０１３３
：ｏｏｒｒｏｂｌｅｍ，ＡｂｓｔｒａｃｔＴｈｅｃｏｎｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｒａｄａｒｒｅｃｏｎｉｔｉｏｎｒａｔｅ．Ｔｏｓｏｌｖｅｔｈｉｓａｒａｄａｒｐｐｇｕａｎｔｕｍｒｏｏｓｅｄ．Ｔｈｅｕａｎｔｕｍａｌｏｒｉｔｈｍｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｎｅｕｒａｌｎｅｔｗｏｒｋａｄｏｔｓｔｈｅｒｅｃｏｎｉｔｉｏｎｑｐｐｑｇｐｇ，，ｓｕｅｒｏｓｉｔｉｏｎｏｆｔｈｅｕａｎｔｕｍｔｈｅｏｒｉｔｎｏｔｏｎｌｈａｓｔｈｅａｄｖａｎｔａｅｓｏｆＢＰｎｅｔｗｏｒｋｂｕｔａｌｓｏｔｏｈａｓｍｏｒｅｄｅｒｅｅｐｐｑｙｙｇｇ，ｆｒｅｅｄｏｍｄｕｅｔｏｏｂｔａｉｎｔｈｅｍｕｌｔｉｌｅｖｅｒｏｆｔｈｅｆｅａｔｕｒｅｓａｃｅｔｈｕｓｔｏｒｅｃｏｎｉｚｅｒａｄａｒｅａｓｉｌ．Ｅｘｅｒｉｏｆａｒｔｉｔｉｏｎｓ－－ｐｇｙｐｐｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃｏｕｌｄａｃｈｉｅｖｅｂｅｔｔｅｒｒｅｃｏｎｉｔｉｏｎｒａｔｅｔｈａｎｔｈｅｃｏｎｖｅｎｔｉｏｎａｌＢＰｒｏｏｓｅｄｇｐｐｎｅｕｒａｌｎｅｔｗｏｒｋｓ．：；；Ｋｅｗｏｒｄｓｎｅｕｒａｌｎｅｔｗｏｒｋｒａｄａｒｒｅｃｏｎｉｔｉｏｎｍｕｌｔｉｌａｅｒｔｒａｎｓｆｅｒｆｕｎｃｔｉｏｎｕａｎｔｕｍｇｙｑｙ
收稿日期：２０１３－０３－１３；２０１３－０５－１０修回。作者简介：张中山（，男，工程师，主要研究方向为电子对１９８２－）抗技术、图像处理、模式识别与智能算法。
１基于多层激励函数的量子神经网络模型
量子神经网络一般由传统神经元和多个量子神经元按照一定的拓扑结构和连接规则所构成。典型的基于多层激励函数的量子神经网络包含了输入层、隐含层、输出层。图１即为具有ｉ输入，ｏ输出的量子神经网络的结构。总的来说，多层激励函数的量子神经网络与ＢＰ神经网络不同之处在于模型构建和训练算法
２由于σ 对求偏微分最小化 σ，，ｉｍ是量子间隔θ ｓ的函数，ｒ可得隐含层量子间隔θ 的更新方程。
ｚ
β ， Δ θ ｉｓ＝ ηｎ
ｍ＝１ｘｋ ∈Ｃｍ
∑∑
（（），，，，ＯＯｖｖ７ｉｍ－ｉｋ）ｉｍ，ｓ－ｉｋ，ｓ）（
本文针对雷达辐射源特征，提出了一种基于量子神经网络的辐射源识别方法，以改善传统ＢＰ神经网络对并通过实验验证该方法的有效性。辐射源识别效果，
。目前，ＢＰ神经网络是使用最多的
人工神经网络模型。但是，该神经网络存在着易陷入局部极小值、收敛速度慢、收敛精度不高等缺点，因此使用常规的ＢＰ神经网络进行辐射源识别的效果难以提高。为了提高Ｂ人们提出Ｐ神经网络的分类能力，了许多改进方法。量子神经网络是量子计算和神经网络相结合的产自被提出后就受到不同领域研究人员的高度重视，物，在近二十年里得到了突飞猛进的发展。众多的理论分
Ａｒａｄａｒｅｍｉｔｔｅｒｒｅｃｏｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓｕａｎｔｕｍｑ
，ＺｈａｎＺｈｏｎｓｈａｎＪｉａＫｅｘｉｎｇｇ（，）Ｎｏ．３８ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＣＥＴＣ，Ｈｅｆｅｉ２３００８８，ＡｎｈｕｉＣｈｉｎａ
具有ｉ输入、ｏ输出的量子神经网络结构
图２不同量子间隔的激励函数
６－８］新方法如下［：
神经元传递函数。其目的是为了将不同类的数据映射使得分类具有更大的自由度。到不同的量级或阶梯上，）在训练算法方面，２ＢＰ神经网络仅仅对网络权值而量子神经网络模型的训练算法包括了网进行训练，络权值和量子间隔更新两个过程，对网络权值的调整能保证输入的数据对应到不同的类别空间内，对量子间隔的更新，能将样本数据中的不确定数据合理分配从而提高模型精度与函数逼近能力。到各模式，１．１量子神经元神经元是神经网络的重要组成部分。一个单层激活函数可表示为ｆ（），其中ｎｎｅｔｅｔ为神经元的输入矢常用Ｓ即：量，ｉｍｏｉｄ函数作为激活函数，ｇ）／（（）ｎｅｔ＝１１＋ｅ）１ｆ（具有两级神经元的激励函数可以表现为两个基本的Ｓ即：ｉｍｏｉｄ函数的组合形式，ｇ）（）））））（）ｎｅｔ＝０．５ｎｅｔ＋０．５＋ｆ（ｎｅｔ－０．５２ｆ（ｆ（ β（ β（可将两层激活函数神经元的思想推广到任同理，
－１
１）ｎｅｔ＝ｆ（ｎｓ
ｎｓ
ｒ＝１
）ｎｅｔ－ θ） β（ ∑ ｆ（ Nhomakorabeaｒ
（）３
ｒ－１－１（） …，（）ｎ＋２ｎｒ－１－１ｒ＝１，ｎ４ θ＝ｓｓｓ式中，也称量子间隔数目；ｎｉｍｏｉｄ函数的个数，ｇｓ是Ｓ
可称 θ 为台阶宽度或量化间距； β 是控制陡度的参数，为陡度因子。
ｒ
神经网络函数逼近的正确特性是因为神经网络的泛化能力和激励函数存在一些饱和区域
［８］
。由图２可
传统Ｂ见，Ｐ神经网络通常使用单层神经元的激励函数，具有两个饱和区域，而量子神经网络由于使用了多个连续神经元函数，具有多个饱和区域，也被称为量子神经元。１．２模型的训练算法量子神经网络训练方法分为两个步骤：神经网络权值学习和量子间隔更新。量子神经网络权值学习与区别在于量子神经网络在ＢＰ神经网络学习方法无异，更新权值的同时增加了量子间隔更新过程。其具体更
６－７］：何的级别。具有多级神经元的激励函数为［－ｎｅｔ
对模式类向量Ｃｍ（，隐含层第ｉ个ｍ为模式数目）神经元的类条件方差定义为：
， σ ｉｍ＝２２（，，ＯＯｉｍ－ｉｋ）
ｘｋ ∈Ｃｍ
∑
（）５
式中，第ｉ个隐层神经元的输，Ｏｉｋ是输入向量为ｘｋ时，其中：出，１，Ｏｉｍ＝ｋ ∑ｍＯｉ，Ｃｍ｜ｘ｜ｋ ∈Ｃ（）６
０引言
在电子对抗中，雷达辐射源识别是雷达信号侦察的关键步骤。人工神经网络由于具有良好的泛化能力和非线性逼近能力，被认为是解决雷达辐射源识别问题的较好工具
［１３］－
析和应用已经证明量子神经网络具有快速学习和高速
４］的信息处理能力，并具有更好的稳定性和可靠性［。
式中，第ｉ个隐层神经元的，Ｏｉｋ，ｓ为输入向量为ｘｋ时，第ｓ个量子层的输出；第ｉ个，ｖｉｋ，ｓ是输入向量为ｘｋ时，隐层神经元的第ｓ个量子层的连接权。
２量子神经网络的辐射源识别算法
２．１雷达辐射源特征选取本节考虑的脉内调制类型包括二相／四相相位编码、线性调频和非线性调频以及单载频五种。首先计算信号的瞬时相位和瞬时频率，根据Ｉ、Ｑ通道信号，可以计算信号的瞬时相位：（／）（）ｎ）＝ａｒｃｔａｎＱ（ｎ）Ｉ（ｎ）８（为了获得瞬时频率信息，对瞬时相位解卷绕可得：（）（）ｎ）＝ｕｎｗｒａｎ）９ｐ（（ｐ式中，（ ·）表示对（ ·）作解混叠处理，可得信ｕｎｗｒａｐ号无混叠的瞬时相位：（）ｎ）＝２ｎ＋ｎ）＋ｎ）１０ｐ（ π （ θ ｆ００＋ ξ（式中，为噪声引起的相位估计误差。因此，信号的ｎ） ξ（瞬时频率估计为：）ｎ）＝（２ｎ）－ｐ（ｎ－１ｆ（ π ）ｐ（中值滤波后瞬时频率的标准差为：