[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

说明书

本发明公开了一种基于BP神经网络的毫米波探测器干扰效果评估方法，构建BP神经网络干扰评估模型；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；利用训练好的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。本发明有效弥补了室内毫米波探测器干扰性能等效测试系统的等效条件的局限性，提高了毫米波探测器干扰测试效率。

技术领域

本发明属于毫米波干扰技术，具体是一种基于BP神经网络的毫米波探测器干扰效果评估方法。

背景技术

目前针对毫米波探测器干扰效果评估方法的研究主要是半实物仿真法，其将末敏弹干扰设备和末敏弹中的毫米波探测器引入测试系统，并在测试系统中进行干扰过程的模拟、等效，从而实现快速试验并得到大量试验数据，之后还可以在计算机中对数据进行相应的处理，在一定程度上结合了外场实测的真实性与数学仿真的灵活性，从而实现对干扰效能的有效评估。但是外场试验实验环境多变，等效条件有限、干扰效果评估方式单一等不足，大大影响着试验效率和评估准确程度。

随着近年来雷达干扰相关领域研究的不断深入以及机器学习理论的快速发展，雷达干扰效果的评估已经由早期的评估因子法、模糊综合评估法，发展到了机器学习理论的智能评估法。但是我国关于毫米波探测器有源干扰方面的研究相对较少，相关的有源干扰技术距离军事上的大规模应用还存在一定距离。因此本发明创新性的利用基于BP神经网络的机器学习算法，解决毫米波探测器干扰效果评估问题，以提供一种易操作，高效率的毫米波探测器干扰效果评估手段。

发明内容

本发明的目的在于提出了一种基于BP神经网络的毫米波探测器干扰效果评估方法。

实现本发明目的的技术方案为：一种基于BP神经网络的毫米波探测器干扰效果评估方法，具体步骤为：

步骤1、构建BP神经网络干扰评估模型；

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。

优选地，步骤1中所述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。

优选地，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(i＝1,2,…,n)个神经元到隐层第j(j＝1,2,…j)个神经元的网络权重；

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)