[发明专利]冲击噪声环境下基于演化神经网络的雷达信号识别方法

权利要求书

1.冲击噪声环境下基于演化神经网络的雷达信号识别方法，其特征在于：步骤如下：

步骤一：在冲击噪声环境计算训练集中第m个雷达辐射源信号序列的分数低阶协方差谱；

步骤二：提取分数低阶协方差谱φ_m(n)的近似熵范数熵调和平均维数和信息维数四种特征参数，并将这四种特征参数组成特征向量

步骤三：判断是否所有雷达辐射源信号序列分数低阶协方差谱的四种特征参数都被提取完毕，如果是，将所有特征向量组成特征矩阵作为概率神经网络的输入，进入步骤四；否则，返回步骤一；

步骤四：利用训练集的特征矩阵和设计双链编码的量子水蒸发优化算法寻找概率神经网络的最优平滑因子σ，量子水蒸发优化算法记做QWEO；

(1)初始化量子水蒸发算法的最大迭代次数t_max、水分子数量W、搜索空间的上下限、底层能量和接触角的最大值、最小值；

(2)初始化水分子的量子位置及其相应映射态，计算每个水分子位置的适应度值，确定全局最优量子位置；

令迭代次数t＝1；W个水分子的量子位置在量子域[0,1]内随机初始化，第t次迭代时第w个水分子的量子位置定义为其中且为主量子位且为辅助量子位，w＝1,2,...,W，d＝1,2,...,D；通过主量子位进行映射，可以获得水分子位置；定义第w个水分子的位置为映射关系方程为其中a_d为第d维搜索空间的下限，b_d为第d维搜索空间的上限，w＝1,2,...,W，d＝1,2,...,D；

在QWEO中，利用量子旋转门来更新量子位置，量子旋转门定义为其中代表第t次迭代时第w个水分子的量子旋转角的第d维，第w个水分子的量子位置的更新过程为其中abs()代表绝对值函数，w＝1,2,…,W，d＝1,2,…,D；

(3)判断迭代次数t是否小于等于t_max/2，若是，执行(4)；否则，执行(5)；

(4)进入单层蒸发阶段，更新基板能量矢量，构造单层蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的基板能量为其中E_max代表基板能量最大值，E_min代表基板能量最小值，Min代表最小值函数，Max代表最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程构造单层蒸发概率矩阵，其中代表(0,1)之间的随机数，exp为以自然常数e为底的指数函数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为其中代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为同时按照映射方程获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(5)进入液滴蒸发阶段，更新接触角矢量，构造液滴蒸发概率矩阵，更新步长矩阵，更新水分子的量子位置及其相应映射态；

第w个水分子的接触角为其中Q_max代表接触角最大值，Q_min代表接触角最小值，Min为最小值函数，Max为最大值函数，w＝1,2,…,W，d＝1,2,…,D；按照方程构造单层蒸发概率矩阵，其中代表(0,1)之间的随机数，式中J₀和P₀为常数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子旋转角第d维的更新方程为其中代表(-1,1)之间的随机数，w＝1,2,…,W，d＝1,2,…,D；第w个水分子量子位置第d维的更新方程为同时按照映射方程获得量子位置的相应映射态，即水分子的位置，w＝1,2,…,W，d＝1,2,…,D；执行(6)；

(6)计算每个水分子位置的适应度，更新全局最优量子位置；

计算第w个水分子位置的适应度，更新全局最优量子位置，即如果第w个水分子位置的适应度小于全局最优位置的适应度，则否则，g^t+1＝g^t，w＝1,2,…,W；

(7)判断迭代次数t是否大于最大迭代次数t_max，若是，输出全局最优位置，执行步骤五；否则，令t＝t+1，返回(3)；

步骤五：将寻找到的全局最优位置赋值给平滑因子σ，利用优化后的概率神经网络模型对测试集或实测数据集进行识别，给出识别结果。