赵雷鸣

(海军装备研究院航空装备论证研究所,上海200436)

0 引言

相关干涉仪测向技术具有适用于天线阵列形式多样和测向准确度高等特点,在军事和民用领域中得到了广泛应用[1]。其工作过程是:首先测量所接收信号在各阵元间的相位差,然后将测量相位差与样本相位差做相关运算,最后用代价函数以确定来波方向。对于固定的阵列结构,样本相位差是频率、方位的二重函数,对于单个频率信号,需要在全方位范围内计算样本相位相位差并逐个与测量相位差进行对比。因此,相关干涉仪测向算法的计算量很大,而且需要存储预先计算的样本相位差,测向时通过查表运算得到测向结果,所以存储量也很大。RBF神经网络在训练阶段对训练样本数据进行聚类处理,从而有效合并样本相位差,因此基于RBF神经网络的波达角估计可以有效地解决计算量及存储量大的问题。

基于神经网络的测向算法,其训练样本主要分为3种:相位差输入法、协方差矩阵输入法和特征向量输入法,下面对基于相位差的神经网络测向算法进行研究。

1 径向基函数神经网络模型[2]

RBF网络是一种性能良好的前向神经网络,不仅可以最佳逼近和全局逼近非线性函数,且其学习算法也不存在像BP网络那样可能陷入局部最小的问题。径向基函数神经网络结构示意图如图1所示。

图1 径向基函数神经网络结构

RBF网络由3层组成,输入层节点将信号传递到隐层;隐层节点对输入信号在局部产生响应(通常由高斯等辐射状作用函数构成),使RBF网络具备局部逼近能力;输出节点通常是简单的线性函数。……