基于BP神经网络的SAR干扰效果评估

 　1　引言

　　合成孔径雷达(SAR)具有全天候、全天时的对地观测能力和一定的穿透能力,在军事领域发挥着举足轻重的作用。因此,对SAR的干扰便成为电子对抗领域的一项重要研究课题。

　　那么,如何评估和衡量对SAR的干扰效果呢?

　　影响雷达干扰效果的因素很多,干扰效果是诸多因素共同作用的结果,干扰效果与这些因素均有着某种必然的函数关系,研究表明,这些函数关系往往十分复杂,通常难以用数学表达式明确地描述[1]。目前,在干扰效果评估中应用较多的有层次分析法,模糊综合评判法和灰色关联法等[2],但这些方法需要评价专家对问题的各层权重进行赋值,因而不同程度地存在人为因素的干扰。

　　人工神经网络(NeuralNetwork,NN)是一种基本上不依赖于控制对象数学模型的控制方法,它将输入与输出之间的关联信息分布地存储于连接权中,根据所提供的数据样本,通过学习和训练,找出输入与输出之间的内在联系,从而求得问题的解答,具有很好的逼近非线性映射的能力,比较适合于那些具有不确性或高度非线性的控制对象。由于连接权的数量较多,个别连接权的损坏只对输入输出关系有较小的影响,因此,神经网络具有较好的容错能力,另外,经过训练的网络对于不是样本集中的输入也能给出合适的输出,从函数拟合的角度,说明神经网络具有插值功能。再加上它采用高度并行处理的方法,大大加快了处理信息的速度[3]。

　　鉴于神经网络具有以上这些优点,本文提出将神经网络运用到SAR的干扰效果评估中。

　　2　BP神经网络

　　按照结构的不同,人工神经网络可分为前馈型神经网络和反馈型神经网络。其中,最常用的网络结构是前馈型网络,其结构如图1所示,它具有分层的结构,最下面一层是输入层,中间层是隐层,最上面一层是输出层。信息从输入层依次向上传递,直至输出层。其中,输入层不起变换作用,它只是把系统的输入按原值送给其它神经元结点。

　　而前馈型神经网络中最简单也是最常用的是BP网络,其神经元结点的变换函数采用s型函数,因此输出量是0到1之间的连续量,它可以实现从输入到输出的任意的非线性映射。之所以称其为BP网络,是因为其连接权系数和阈值的调整采用的是反向传播(BackPropagation,BP)的学习算法,它是由D.E.Rumerlhart和J.L.Mc-clelland等人于1986年提出的。

　　3　确定SAR干扰效果评估指标

　　目前,对SAR干扰效果的评估方法主要有两大种:主观评估和客观指标评估。主观评判是根据各领域专家的经验和知识,按照应用目的,识别图像上的目标,并定性地提取目标的形态、构造、功能、性质等信息的技术过程。由于主观评判可以充分利用判读人员的经验和知识,对于提取目标的空间信息、语义信息特别有效,因此主观评判是SAR图像应用过程中的主要作业方法之一。但是要获得比较客观的评估结果需要大量的各方面专家和合理的加权系数,组织实施比较难。因此,本文主要选取下面三种客观评估指标。