交叉验证的GRNN神经网络雷达目标识别方法研究

2018-08-22林悦夏厚培

现代防御技术 2018年4期

关键词：模型

林悦，夏厚培

(1.南京信息工程大学电子与信息工程学院，江苏南京 210044；2.中国船舶重工集团公司第七二四研究所，江苏南京 211106)

0 引言

在雷达自动目标识别(automatic target recognition, ATR)技术中，对雷达目标高分辨距离像(high-eesolution range profile, HRRP)的研究最为广泛[1]。HRRP主要依托于宽带高分辨雷达获取目标多个散射中心点子回波在雷达径向方向上投影分布的矢量和[2]。目标的回波为与目标散射点分布相关的一维距离像，反映了在特定的雷达视角方向目标散射体雷达散射截面积(radar cross section, RCS)沿雷达视线方向散射点相对几何关系的分布情况[3]。

人工神经网络(artificial neural network, ANN)由于具有自适应能力，在识别领域中作为一种性能优良的分类器已被广泛应用[4]。广义回归神经网络(generalized regression neural network, GRNN)作为径向基函数神经网络(radial basis function, RBF)的一个重要分支，是一种基于非线性回归理论的典型前馈式局部逼近神经网络，通过激活神经元来逼近目标函数。GRNN具有良好的局部逼近性、全局最优性和较快的计算速度等优点。此外，网络中需要根据样本调整的参数只有一个光滑因子spread，因此能够避免人为因素对网络预测性能的影响[5]。

本文充分利用了GRNN局部逼近性能以及运算迅速的特点，将其作为分类器应用于雷达目标识别。此外，针对网络中需要人为调节的参数spread因子，本文利用交叉验证方法(cross-validation)改进了GRNN神经网络[6]，在选取最优的网络结构的同时，利用循环判别法筛选出适用于样本参数的光滑因子spread最优值，以达到对目标的最优识别效果。