[发明专利]基于BP神经网络的毫米波探测器干扰效果评估方法

权利要求书

1.一种基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，具体步骤为：

步骤1、构建BP神经网络干扰评估模型，所述BP神经网络干扰评估模型包括输入层、隐藏层以及输出层，所述输入层由一组神经元x＝[P_e,R,θ,P_min]组成，表示输入特征量，其中，P_e为干扰功率，R为干扰距离，θ为干扰主波束方向角，P_min为毫米波探测器最小可检测功率；所述隐藏层由6个隐层单元组成，每个隐层单元包含加权线性求和函数和激活函数Sigmoid核函数式中，i＝1,2,…n，x_i表示从上一层第i个神经元传递来的输入信号，ω_i表示从上一层第i个神经元到该神经元的线性求和权值，f(I)为隐藏层的输出；所述输出层的输出特征量为y∈{+1,-1}，+1表示毫米波探测器被干扰成功，-1则表示干扰失败；

步骤2、使用样本训练集对模型进行训练，确定BP神经网络干扰评估模型参数，得到BP神经网络干扰评估模型；

步骤3、利用步骤2得到的BP神经网络干扰评估模型对毫米波探测器干扰效果进行评估。

2.根据权利要求1所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，所述BP神经网络干扰评估模型的输入层到隐藏层函数为：

v_ij(n+1)＝v_ij(n)+Δv_ij(n)

式中，n为输入层神经元个数，m为隐层神经元个数，v_ij为输入层第i个神经元到隐层第j个神经元的网络权重，i＝1,2,…,n，j＝1,2,…n；

BP神经网络干扰评估模型的隐藏层到输出层函数为：

ω_jk(p+1)＝ω_jk(p)+Δω_jk(p)

式中，p为输出层神经元个数，ω_jk为隐层第j个神经元到输出层第k(k＝1,2,…k)个神经元的网络权重；

BP神经网络干扰评估模型的代价函数为：

式中，T＝(t₁,t₂,…,t_k,…)^T表示期望输出，网络模型的实际输出为Y＝(y₁,y₂,…,y_k,…)^T，此处的x_k、t_k和y_k均为向量形式，p表示网络的层数；

L2正则化函数：

式中，C₀为原始代价函数,∑_ωω²表示对全部网络参数ω取平方和；α表示正则项系数，用于权衡正则项与C₀的比重。

3.根据权利要求1所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，步骤2使用样本训练集对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数的具体步骤为：

步骤2-1、将样本数据集中的特征数据进行标准化，得到标准化后的样本数据集；

步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对BP神经网络干扰评估模型进行训练，确定BP神经网络干扰评估模型参数。

4.根据权利要求3所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，步骤2-1将样本数据集中的特征数据进行标准化的具体公式为：

其中，i＝1,2,…,n，表示原数据序列的均值，具体为s表示原数据序列的方差，具体为x′_i为标准化后的特征数据。

5.根据权利要求3所述的基于BP神经网络的毫米波探测器干扰效果评估方法，其特征在于，将标准化后的毫米波探测器干扰实验样本数据集采用K折交叉验证法进行模型的训练，确定BP神经网络干扰评估模型参数的具体方法为：

步骤2-2-1、对样本数据进行归一化处理，将归一化后的样本数据集按照6:4分成样本训练集和样本测试集，样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；

步骤2-2-2、以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集,分别输入到BP神经网络评估模型中，在隐藏层中从0到1范围内，以每次增加10^-1为间距，采用不同的L2正则化参数α，在输出层中求解出BP神经网络干扰评估模型最大的F1-Macro，以及对应的L2正则化参数α，用测试子集对该参数α的BP神经网络评估模型进行测试，得到BP神经网络评估模型的性能评估指标；

步骤2-2-3、依次使用剩余的数据子集作为训练子集，重复步骤2-2-2，总共进行10次迭代；

步骤2-2-4、对不同L2正则化参数α取值下的10次F1-Macro结果取平均，将平均后的结果作为当前参数下BP神经网络评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的L2正则化参数α作为最终BP神经网络评估模型的参数。