利用麻雀算法优化卷积神经网络的抗干扰效果评估方法技术

本发明专利技术公开了一种利用麻雀算法优化卷积神经网络的抗干扰效果评估方法，旨在解决评估指标权重以及卷积神经网络超参数需要人为设置的问题。本发明专利技术的实现步骤包括：利用熵权法对抗干扰评估指标赋权重值；生成训练集；构建卷积神经网络；利用麻雀算法优化卷积神经网络超参数；训练卷积神经网络；对抗干扰效果进行评估。本发明专利技术具有不需要人为设置评估指标权重以及卷积神经网络超参数，就可以提高抗干扰效果评估准确性的优点。果评估准确性的优点。果评估准确性的优点。

【技术实现步骤摘要】
利用麻雀算法优化卷积神经网络的抗干扰效果评估方法


[0001]本专利技术属于雷达通信
，更进一步涉及电子对抗
中的一种基于麻雀搜索算法优化卷积神经网络SSA
‑
CNN(Sparrow Search Algorithm
‑
Convolutional Neural Networks)的抗干扰效果实时评估方法。本专利技术可用于对雷达对抗干扰信号的有效性进行评估。

技术介绍

[0002]雷达对抗是电子对抗的重要组成部分，雷达的抗干扰效果是雷达系统的重要指标之一。然而，现有的抗干扰效果的评估都是针对某一特定干扰环境和某一特定雷达的抗干扰分析，大多数雷达工程师都是采用传统方法从定性的角度对雷达的抗欺骗式干扰和抗压制式干扰效果进行评估，而不能从定量的角度来全面描述。然而，在实际场景中，干扰环境是不断变化的，雷达根据不同的干扰环境采取不同的抗干扰手段，双方都是动态变化的过程。随着复杂多变的电磁干扰环境，雷达需要具备一定的抗干扰能力才能更好发挥其效能。
[0003]电子科技大学在其申请的专利文献“一种雷达抗干扰效能实时评估方法”(申请号：201410453974；申请公布号：CN 104239712 A)中提出了一种雷达抗干扰效果的评估方法。该方法的实现方案是：第一步，根据雷达在干扰环境下，雷达的技战术指标变化，选取初始指标建立抗干扰评估指标体系。第二步，通过粗糙集属性约简方法对初始指标体系进行约简，建立最终评估指标。第三步，通过Delphi算法，得到群决策矩阵，然后利用卡方最小二乘法对决策矩阵进行排序，构建最终的综合权重向量。利用基于决策树的干扰样式识别技术识别实时环境中的干扰样式，对雷达的抗干扰效果进行评估。该方法能够得到雷达在实时干扰环境下的性能损耗。但是，该方法仍然存在的不足之处是，权重有人为因素的赋权，对雷达抗干扰效果的评估结果易受到主观影响。
[0004]何小锋等人在其发表的论文“雷达综合抗干扰效能评估方法指标研究”(雷达与对抗,2020,40(03):11
‑
15)中公开了一种利用神经网络模型对雷达抗干扰效果进行评估的方法。该方法的实现方法是：第一步，选取评估指标，建立包括雷达威力变化、精度改善、假目标剔除率、真目标识别率(TTR),以及航迹质量、抗干扰措施的抗干扰评估指标体系。第二步，根据雷达性能不同,受到干扰的程度不同。建立评价集,按“优、良、一般、较差、差”区分抗干扰评估值。第三步，将不同环境下的指标变化检测数据输入到神经网络中。第四步，训练神经网络，通过迭代训练修正神经元的权值和阈值。第五步，输出BP神经网络抗干扰效果评估值。该方法只有在样本获取时寻求了专家的帮助。该方法可以实时对抗干扰效果进行评估，神经网络一旦训练好就不再需要其他外部条件,降低了主观因素和随机因素的影响。但是，该方法需要人为设置网络参数。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术存在的不足，提供一种利用麻雀算法优化卷积神经网络的抗干扰效果在线评估方法，旨在解决现有技术中抗干扰评估指标人为赋权，
受主观影响较大以及现有技术神经网络参数需要人为设置的问题。
[0006]实现本专利技术目的的思路是：本专利技术在生成训练集时，构建干扰样式、雷达和干扰机相对位置、频域重叠度、时域重叠度、信干比，时宽带宽积、载频波动性、重频波动性，干扰抑制度、压制式干扰方向、抗压制式干扰个数，剩余虚警率、欺骗式干扰方向、抗欺骗式干扰个数、欺骗式干扰发现时间，干扰环境指标，这些指标值都随着干扰环境动态变化的，对抗干扰评估指标采用熵权法赋权，熵权法对每个指标的多次测量结果进行横向比较，结果的离散程度作为熵值。随着每次测量结果的不同，指标权重并非一成不变，而是随着侦察参数动态变化，解决了现有技术需要人为赋予权重的特点。本专利技术利用麻雀算法对现有的卷积神经网络的模型进行优化，可以自动设置网络结构与层数的选择、内部各参数，选取使验证集错误率达到最低的最优超参数，在进行抗干扰效果评估时，将测试数据和最优超参数输入卷积神经网络能够快速提取特征参数，可以得到相应的抗干扰评估值，解决了现有技术需要人为设置神经网络参数的特点。
[0007]实现本专利技术目的的具体步骤如下：
[0008]步骤1，采用熵权法对样本集中每个抗干扰评估指标赋权重值：
[0009]步骤1.1，选取16个抗干扰评估指标组成一个样本，选取m个样本组成样本集
[0010]步骤1.2，对样本进行归一化操作；
[0011]步骤1.3，计算归一化后每个抗干扰评估指标的熵值：
[0012][0013]其中，E
j
为归一化样本后第j项指标的熵值，ln表示以e为底的对数操作，n表示抗干扰评估指标的个数，∑表示求和操作，m表示样本的个数，x
ij
'表示归一化后第i个样本的第j个指标；
[0014]步骤1.4，计算归一化后每个抗干扰评估指标的权重：
[0015][0016]其中，β
j
为归一化样本后第j项指标的权重，E
j
为归一化样本后第j项指标的熵值，∑表示求和操作，n表示抗干扰评估指标的个数；
[0017]步骤2，生成训练集：
[0018]步骤2.1，选取m个样本组成样本集，其中m≥6000，采用逼近理想解排序算法，结合熵权法得到的权重，计算每个样本的抗干扰效果评估值；
[0019]步骤2.2，将所有归一化后的样本及其对应的抗干扰效果评估值组成训练集；
[0020]步骤3，构建卷积神经网络：
[0021]构建一个7层的卷积神经网络，其结构依次串联为：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，全连接层；
[0022]将第一至第三卷积层的卷积核个数依次设置为4、8、16，卷积核的大小均设置为1
×
3；第一至第三池化层均采用最大池化方式，池化核的大小均设置为1
×
2，池化步长均设
置为1
×
2；
[0023]步骤4，利用麻雀算法优化卷积神经网络的超参数：
[0024]步骤4.1，设置训练参数及超参数；
[0025]步骤4.2，计算当前迭代时每个麻雀适应度函数值并排序，找出最优和最差的适应度，其中，适应度函数为训练集的均方根误差Mean Squared Error，MSE的倒数；
[0026]步骤4.3，利用下式，更新发现者位置：
[0027][0028]其中，表示第t+1次更新后第h个发现者的第g维的位置，n＝1,2,...,d，d表示待优化参数的维数，表示第t次迭代时第h个发现者的第g维的位置；exp表示以自然常数e为底的指数操作，α表示(0,1]区间内随机选取的一个小数，K表示最大迭代次数，R2表示预警值，R2∈[0,1]，ST表示安全值，ST∈[0.5,1]；Q表示服从标准正态分布的随机数，L表示大小为1
×
d，元素均为1的矩阵；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用麻雀算法优化卷积神经网络的抗干扰效果评估方法，其特征在于，采用熵权法对抗干扰评估指标权重进行赋值，生成包含抗干扰评估指标的训练集，利用麻雀算法优化具有评估功能的卷积神经网络，该方法具体步骤包括如下：步骤1，采用熵权法对样本集中每个抗干扰评估指标赋权重值：步骤1.1，选取16个抗干扰评估指标组成一个样本，选取m个样本组成样本集步骤1.2，对样本进行归一化操作；步骤1.3，计算归一化后每个抗干扰评估指标的熵值：其中，E
j
为归一化样本后第j项指标的熵值，ln表示以e为底的对数操作，n表示抗干扰评估指标的个数，∑表示求和操作，m表示样本的个数，x
ij
'表示归一化后第i个样本的第j个指标；步骤1.4，计算归一化后每个抗干扰评估指标的权重：其中，β
j
为归一化样本后第j项指标的权重，E
j
为归一化样本后第j项指标的熵值，∑表示求和操作，n表示抗干扰评估指标的个数；步骤2，生成训练集：步骤2.1，选取m个样本组成样本集，其中m≥6000，采用逼近理想解排序算法，结合熵权法得到的权重，计算每个样本的抗干扰效果评估值；步骤2.2，将所有归一化后的样本及其对应的抗干扰效果评估值组成训练集；步骤3，构建卷积神经网络：构建一个7层的卷积神经网络，其结构依次串联为：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，全连接层；将第一至第三卷积层的卷积核个数依次设置为4、8、16，卷积核的大小均设置为1
×
3；第一至第三池化层均采用最大池化方式，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2；步骤4，利用麻雀算法优化卷积神经网络的超参数：步骤4.1，设置训练参数及超参数；步骤4.2，计算当前迭代时每个麻雀适应度函数值并排序，找出最优和最差的适应度，其中，适应度函数为训练集的均方根误差Mean Squared Error，MSE的倒数；步骤4.3，利用下式，更新发现者位置：
其中，表示第t+1次更新后第h个发现者的第g维的位置，n＝1,2,...,d，d表示待优化参数的维数，表示第t次迭代时第h个发现者的第g维的位置；exp表示以自然常数e为底的指数操作，α表示(0,1]区间内随机选取的一个小数，K表示最大迭代次数，R2表示预警值，R2∈[0,1]，ST表示安全值，ST∈[0.5,1]；Q表示服从标准正态分布的随机数，L表示大小为1
×
d，元素均为1的矩阵；步骤4.4，利用下式，更新跟随者位置：其中，表示第t+1次更新后第x个跟随者的第y维的位置，y＝1,2,...,d，d表示待优化参数的维数，Q表示服从标准正态分布的随机数，exp表示以自然常数e为底的指数操作，表示第t次迭代时全局最差位置，表示第t次迭代时第x个跟随者第y维的位置，i表示麻雀的总数；表示第t+1次迭代时发现者的最佳位置，∑表示求和操作，rand{
‑
1,1}表示产生一个
‑
1或者1的随机数，| |表示求模操作；步骤4.5，随机选取麻雀种群中10％的个体作为警戒者，利用下式，更新所选警戒者位置：其中，表示第t+1次更新后第u个警戒者的第v维的位置，n＝1,2,...,d，d表示待优化参数的维数，表示第t次迭代后的全局最优位置；β表示服从标准正态分布的随机数；||表示求...

【专利技术属性】
技术研发人员：董春曦，李梦瑶，张立东，秦玉勋，董阳阳，冯家琛，陈思阳，饶鲜，
申请(专利权)人：中国人民解放军九三二零九部队，
类型：发明
国别省市：