田晓虹，尤文斌，丁永红，张晓光，姚 悦

(中北大学 电子测试技术重点实验室，太原 030051)

冲击波超压测试数据的精度直接影响战斗部毁伤性能的评估[1]。实际测试系统的幅频特性曲线在截止频率前是非理想的水平直线，存在多个幅值各异的“鼓包”，若被测信号落在带有“鼓包”的频带上，则输出信号会产生严重畸变。所以，整个系统在满足静态特性指标外，还需优化测试系统的动态性能指标[2]。

Georgieva提出一种面向任务的神经网络传感器动态特性补偿解析方案，其核心原理是通过神经网络建立传感器输入与输入的状态空间的逆动力学模型映射，把训练传感器补偿系统神经网络模型与传感器之间进行串联从而实现对传感器动态特性的补偿[3]。径向基函数(RBF)神经网络是前向网络中最优的网络，能够有效避免局部最优的问题[4]。一个RBF网络，在隐层节点足够多的情况下，经过充分学习，可以用任意精度逼近任意非线性函数，而且具有最优泛函数逼近能力，可以获得最优解。另外，它具有较快的收敛速度和强大的抗噪和修复能力，算法速度大大高于一般的BP算法[5]。RBF神经网络已被广泛用于模式识别、参数识别、聚类分析等[6]。

因此本文提出RBF神经网络的测试系统动态优化方法，以激波管产生的压力阶跃信号作为激励源，基于RBF神经网络的系统辨识算法与系统动态特性补偿原理，对测试系统动态性能进行优化。通过比较RBF神经网络和BP神经网络的系统辨识模型和动态补偿模型，计算各自的残差来验证RBF网络和BP网络在冲击波测试系统动态特性优化中的应用。……