[发明专利]一种基于优化BP神经网络的雷达辐射源威胁评估方法

权利要求书

1.一种基于优化BP神经网络的雷达辐射源威胁评估方法，其特征包括：

步骤一、利用n组样本数据对BP神经网络进行训练，获得训练好的BP神经网络，所述样本数据包括雷达辐射源威胁指标的数据以及所对应雷达辐射源的威胁值；

步骤二、将训练误差作为适应度值，将BP神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；

步骤三、将m组雷达辐射源的各项指标数据作为输入，通过优化后的BP神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。

2.如权利要求1所述的基于优化BP神经网络的雷达辐射源威胁评估方法，其特征在于：所述步骤二按如下步骤进行：

(2a)初始化粒子的位置和速度；

(2b)假设在一个2维的搜索空间中，为防止粒子的盲目搜索，将其位置和速度限制在一定的区间[-X_max,X_max]、[-V_max,V_max]。-X_max为粒子运动的位置下限，X_max为粒子运动的位置上限，-V_max为粒子运动的最小速度，V_max为粒子运动的最大速度；

(2c)由p个粒子组成的种群X＝(X₁,X₂,…,X_n)，初始化X_i的位置和速度，p为粒子的总数；

其初始化如下式所示：

POP(i)＝X_max*rand(1,2)

V(i)＝V_max*rand(1,2)

POP(i)为第i个粒子的位置，X_max为粒子运动的位置上限，V(i)为第i个粒子的速度，V_max为粒子运动的最大速度，rand(1,2)产生2个[-1,1]的随机数；

(2d)根据目标函数计算出POP(i)对应的适应度值，通过假设神经网络的输入层神经元为inputnum，隐含层神经元为hiddennum，输出层神经元为outputnum，训练函数为logsig，将初始权值编码为W₁、W₂，将阈值编码为B₁、B₂；

数据库中雷达辐射源的输入数据为inputn威胁值为outputn则得到适应度值为

fitness＝sum(abs(W₂*(logsig(W₁*input-B₁))-B₂)-output)

(2e)第i个粒子的速度为V_i＝(V_i1,V_i2,…,V_in)^T其个体极值为P_i＝(P_i1,P_i2,…,P_iD)^T，种群的群体极值为P_g＝(P_g1,P_g2,…,P_gD)^T；

(2f)更新粒子的速度和位置，更新速度、位置公式如下：

V_id^(k+1)＝wV_id^k+c₁r₁(P_id^k-X_id^k)+c₂r₂(P_gd^k-X_id^k)

X_id^(k+1)＝X_id^k+V_id^(k+1)

其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；V_id为粒子的速度；c₁和c₂是非负的常数，称为加速因子；r₁和r₂是分布于[0,1]区间的随机数；

(2g)利用更新后的新粒子通过(2d)计算出新粒子适应度值(即个体最优值)以及新粒子群的适应度值(即群体最优值)；

(2h)最后判断个体极值与群体极值是否满足终止条件，若不满足转到(2f)更新粒子并计算出新粒子适应度值以及新粒子群的适应度值，再次判断是否满足终止条件；直到满足条件输出最后的最优个体极值，得到神经网络最优的权值和阈值。

3.如权利要求1所述的基于优化BP神经网络的雷达辐射源威胁评估方法，其特征在于：n取值为200，m取值为5。