基于模糊贴近度的舰船辐射噪声分类方法

基于模糊贴近度的舰船辐射噪声分类方法王向军，卞强，张民　　　　　　　　　　　　　　　　　　　　　　　　　　　　（海军工程大学信息与电气学院，湖北武汉４３００３３）摘要：误差反传神经网络在被动声呐目标分类中得到了广泛的应用，但该算法在搜索过程中容易陷入局部最小值，同时使用赢者独活的识别决策策略，导致识别率的下降．本文针对ＢＰ网络的弱点，提出了基于模糊贴近度的舰船辐射噪声分类方法，该方法能够在不对ＢＰ网络作大的改动的前提下，解决神经网络陷入局部最小值，同时使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法的有效性。关键词：模糊贴近度；ＢＰ算法；分类中图分类号：Ｕ６６６．７文献标示码：ＡＳｈｉｐ　Ｒａｄｉａｔｅｄ－ｎｏｉｓｅＣｌａｓｓｉｆｉｃａｔｉｏｎ　Ｂａｓｅｄｏｎ　　　　　　　　　　　　　　　　　Ｆｕｚｚｙ　Ｄｅｇｒｅｅ　ｏｆ　Ｎｅａｒｎｅｓｓ（　　　　　　　　　　　　　　　　　　Ｉｎｓｔ．　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｅｌｅｃｔｒｉｃ，　Ｎａｖａｌ　Ｕｎｉｖ．　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ，　Ｗｕｈａｎ　４３００３３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：　Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｉｎ　ｐａｓｓｉｖｅ　ｓｏｎａｒ　ｔａｒｇｅｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ，　ｂｕｔ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｗｉｌｌ　ａｌｗａｙｓ　ｓｅｅｋｉｎ　ｔｈｅ　ｌｏｃａｌ　ｅｘｔｒｅｍｅ　ｖａｌｕｅ，　ａｎｄ　ｗｉｎｎｅｒｔａｋｅｓ　ａｌｌ　（ＷＴＡ）　ｓｔｒａｔｅｇｙ　ｉｓ　ｔａｋｅｎ　ｉｎ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ，　ｔｈｅｎ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｉｓ　ｌｏｗｅｒ．ＷＡＮＧ　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Ｘｉａｎｇｊｕｎ，Ｂｉａｎ　ｇｉａｎ，Ｚｈａｎｇ　Ｍｉｎｒａｄｉａｔｅｄ－ｎｏｉｓｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｆｕｚｚｙ　ｄｅｇｒｅｅ　ｏｆ　ｎｅａｎｅｒｓｓ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｔｏＡｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｓｈｏｒｔｓ　ｏｆ　ＢＰ　ｎｅｔｓ，　ｓｈｉｐｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ＢＰ　ｎｅｔ．　Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔ　ｃｏｎｆｉｒｍｓ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ｍｏｒｅ　ｅｆｅｃｔｉｖｅ　ｉｎ　ｐａｓｓｉｖｅ　ｓｏｎａｒ　ｔａｒｇｅｔ　ｃｌｓａｓｉｆｉｃａｔｉｏｎ．Ｋｅｙ　Ｗｏｒｄｓ：　ｆｕｚｚｙ　ｄｅｇｒｅｅ　ｏｆ　ｎｅａｒｎｅｓｓ；　ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ；　ｃｌａｓｓｉｆｉｃａｔｉｏｎ１引言通过检测舰船辐射的噪声来发现目标并定位与识别是被动声呐系统的重要任务。近年来，传统的前馈　　　　神经网络ＢＰ网络在被动声呐目标分类识别中得到了广泛的应用［１，２１，但是ＢＰ网络作为一种模式识别方法，不仅泛化能力弱，而且容易在搜索过程中陷入局部最小值，不能找到全局最优解［３１本文针对ＢＰ网络的弱点，提出了一种基于模糊贴近度的舰船辐射噪声分类识别算法，该算法能够在　　　　不改动神经网络结构的前提下，解决神经网络陷入局部最小值，同时使用赢者独活（ＷＴＡ，　Ｗｉｎｎｅｒ　Ｔａｋｅｓ　Ａｌｌ）决策策略导致误识的弱点。将该方法应用于被动声呐目标识别，实验结果证明该方法能够有效的提高ＢＰ网络的识别率。２问题的提出　　　　在神经网络识别结果输出决策中，一般均采用赢者独活的策略［１［，２，４１。假设神经网络有５个输出节点，对于特定的输入特征矢量ＸＰ，其输出层的输出为：ｙＰ＝｛０．０９，０．３９，０．４２，０．０６，０．０４｝　　　　（１）不属于同一类目标。上述问题的存在，其根本原因是误差反向传播算法（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ，　ＢＰ算法）采用梯度下降法，在误差平面上沿误差减小的方向调整权值，由于我们无法预知误差平面上局部最小值的位作者简介：王向军（１９７３－），男，河北唐山人，博士生，主要从事军用目标特性和信号处理研究。Ｅｍａｉｌ．　ｗａｌｌｙｍａｎ＠ｓｉｎａ．ｃｏｍ对于特定的输入特征矢量Ｘｑ，其输出层输出为：ｙ４＝　｛０．０５，０．０９，０．４０，０．３９，０．０７）　　　　　　　　　　　　（２）依据赢者独活的决策策略，有ＸＰ　　　　，　Ｘ，均属于第三类，而实际上从ＹＰ＂　Ｙｑ的数值分布看，ＸＰ，　Ｘｑ显然一１７２－置，也无法预知吸引域的范围，因此，ＢＰ神经网络在某些时候，不可避免的陷入局部最小，导致输出结果出现上述问题。３模糊贴近度决策法文献［　　　　（５〕给出了模糊贴近度的分类，将其分为对称贴近度和非对称贴近度。应用对称贴近度的决策算法并不能避免赢者独活决策策略带来的缺陷。故本文使用非对称贴近度来解决分类决策问题。非对称贴近度的计算公式为：Ｎ（Ａ，Ｂ）＝Ｉ一一一二二户－艺Ｉ；ＩＪ　＂Ａ＇（Ｕ　ｋ　）　　－，（３）ｎ（ｎ＋１）＂Ｂ＂（Ｕｋ）　卜ｋ　　　　在计算Ｎ（Ａ，Ｄｊ）时，由于等级的隶属度之差所起的作用不同，因此在计算Ｎ（Ａ，Ｄｊ）时，对Ａ作如下的标准化：首先把ａｉ放在第一位，任意Ｆｉｌｌ，若ｕ＇　ＪＩＩ＂　ＪＩ（即Ｊ󰀀比Ｊ’更远离．ｌ），则把ａｐ放在ａｊ；的前面，对于Ｇ＇　ＪＩ＝ｕ”一的情况，若ｊ，＜ｊ󰀀，则把Ａｉｊ，放在Ａｉｄ󰀀的前面。标准化后的Ａ记为Ａ＇。相应的，把Ｄｊ标准化，得到ＤＩ，于是求Ｎ（Ａ，Ｄｊ）就转化为求Ｎ（Ａ＇，Ｄ，）　ｏ然后在Ｐ＝１时，首先对Ｙ　　　　Ｐ＂　Ｙｑ标准化后得到各自的非对称贴近度：　　　　Ｎ（ｙｐ，Ｄ　ｌ）＝Ｎ（ｙｐ＇，Ｄ，）＝０．７７４　　　　　　　　　　　　　　　　Ｎ（ｙｑ，Ｄ，）＝Ｎ（ｙｑ＇，Ｄ，）＝０．７１７Ｎ（　　　　Ｙｒ，Ｄ２）＝Ｎ（ＹＰ２，Ｄ，）＝０．８３４　　　　　　　　　　　　　　　　　Ｎ（ｙｑ，Ｄ２）＝Ｎ（Ｙｇ２，Ｄ，）＝０．７２５Ｎ（　　　　Ｙｒ，Ｄ３）＝Ｎ（ＹＰ３，Ｄ，）＝０．８６０　　　　　　　　　　　　　　　　　Ｎ（Ｙｑ，Ｄ３）＝Ｎ（Ｙｇ３，Ｄ，）＝０．８３　３Ｎ（　　　　Ｙｐ，Ｄ４）＝Ｎ（ＹＰ４，Ｄｌ）＝０．７３９　　　　　　　　　　　　　　　　　Ｎ（Ｙｑ，Ｄ４）＝Ｎ（ｙｇ４，Ｄ，）＝０．９０５Ｎ（　　　　ｙｐ，Ｄ５）＝Ｎ（Ｙｐ＇，Ｄ，）＝０．７１０　　　　　　　　　　　　　　　　　Ｎ饥，Ｄ５）＝Ｎ（Ｙｑ＇，Ｄ，）＝０．７６５经非对称模糊贴近度决策以后有Ｙ　　　　Ｐ属于第三类目标，而Ｙｑ属于第四类目标的结果，纠正了赢者独活决策策略的决策偏差。４基于模糊贴近度决策的神经网络分类方法基于模糊贴近度决策的神经网络结构如图１所示。该神经网络包含一个标准的ＢＰ网络和一个规一标　　　　准化层和一个模糊判别层。图１基于模糊贴近度决策的神经网络结构其中：Ｘｉ＝［Ｘｉ，，Ｘｉ２，＂．，ＸｉＭ１为第ｉ个目标特征向量，Ｙ＝［Ｙ，，Ｙ２，＂＇，ＹＱ伪神经网络输入向量为Ｘｉ时的输出向量，神经网络的输出层函数选用Ｓｉｇｍｏｉｄ函数，即。（ｚ）＝１／（１＋ｅ一。神经网络的输入层、隐层、输出层分别有Ｍ，　　　　　Ｎ，　Ｑ个节点。神经网络第Ｊ个隐层神经元的输出为：Ｍ　　　　　　　　　　　　Ｏｉ＝艺ｗ，（４）ｋ＝１　　　　　　　　　　ｊｋ　ｘ＊一８Ｊ神经网络第ｋ个输出层神经元的输出为：，＊＝。（艺Ｗ２ｋｉ　Ｏｉ一ｅｋ）（５）一１７３－上２式中：。，，。‘为分别为第Ｊ个隐层神经元和第ｋ个隐层神经元的响应闽值。设呜为输入信号Ｘｉ的期望ｒｅｅ卫ｖｌ盆．、，上输出：ｘｊ　Ｅ　１７１ｘｊ　Ｅ刀ｚ（６）和几：代表互不相容的两类目标。定义网络输出目标函数为平方型误差函数：式中：几，Ｅ＝网络采用ＢＰ算法，通过调整参数Ｗ：和Ｗ２，使得网络的输出与期望的输出之间的误差最小。显然神经网络　　　　ｄ　　　　一一　　　　　　　　　　　　矛喜氢纯〔们（７）ｆ９ＷＷＹｆ）Ｔ－Ｕ＊－　，Ｙ１，Ｙｚ，．－，ＹＱ－｝－１，　＊＃Ａ－１ｔ－Ｔ＇Ｒ’ａ；二花厂一，、二＿　　．、‘。＿＿＿．‘１、、二二，１．　ｒ　－Ｉ－－　　　　　　　　　　　　　　　　　　　　　　　ｙｌ．。、。’＝１　，Ｌ，　．．．，Ｖ　　　　　　　　　　　　ｌ　ａ　Ｊｌ　　　　　　　　　　　　　　　ｙｊｊ＝１　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　并将规一化后的向量标记为Ａ，　　　　即Ａ＝［　ａ１，ａｚ，．－，ａＱ１，用２节所示的方法对Ａ标准化后，得到Ａ１，Ａｚ，　．．．，　Ａｕ，使用非对称模糊贴近度对标准化后的Ａ１，Ａｚ，　．．．，　Ａ０进行分类决策。５被动声呐目标分类实验选取３４种实录的水上目标不同工况下的水声信号，每种目标按信号长度的不同选取３－２５个样本段，　　　　经ＦＦＴ变换，得到２５６维的特征向量，规一化处理后作为神经网络的输入。随机选取３５７个样本段作为神经网络的训练集（涵盖３４种目标，但是不涵盖每种目标的每个工况），１４０３个样本段作为测试集。神经网络的输入层、隐层、输出层节点数分别为２５６，　３２，　５　０　５个输出层节点分别代表大型水面船舶（Ａ）、中小型水面船舶（Ｂ）、水下大型运动目标（Ｃ）、水下小型高速运动目标（Ｄ）和海洋环境噪声（Ｅ）。为了比较此方法的性能同样构建了标准的ＢＰ网络作为比较。测试结果如表１所示。表１对比实验结果　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　１　　　　　　　　　　１训练集（％）ＢＰ网络８９．３６９２．７１｝测试集（％）１７９．５４８１．９６本文方法　　　　从表Ｉ可以看出，相对于标准的ＢＰ网络基于模糊贴近度的分类方法的综合识别率提高大约２．５。对于水声目标识别这类复杂的模式识别问题，一个百分点的提高都是难能可贵的。６结论　　　　本文针对ＢＰ网络的弱点，提出了一种基于非对称模糊贴近度的神经网络分类决策方法，该方法在不对神经网络的结构作大的改动的前提下，有效的提高神经网络的识别率。但我们必须看到，该方法只能部分的改善因ＢＰ网络陷入局部最小导致的误识，彻底的解决ＢＰ网络的局部寻优问题必须从改变神经网络的结构或者寻找不同的算法来训练网络着手。参考文献：［１］Ｍｏｏｒｅ　Ｆ．　Ｐａｓｓｉｖｅ　Ｓｏｎａｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ａ　ＢａｃｋＰｒｏｐａｇａｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ［Ｄ］．　　Ｎａｖａｌ　Ｐｏｓｔｇｒａｄｕａｔｅ　Ｓｃｈｏｏｌ，　Ｍｏｎｔｅｒｅｙ，Ｃａｌｉｆｏｒｎｉａ：　Ｔｈｅｓｉｓ，　Ｊｕｎｅ，　１９９１．［２］Ａｎｔｌｅｒｓ　Ｓｖａｒｄｓｔｒｏｍ．　Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒｓ　ｆｏｒ　ｓｏｎａｒ　ｔａｒｇｅｔｓ　ｃｌｓａｓｉｆｉｃａｔｉｏｎｓ　［Ｊ）．　ＪＡＳＡ，　１９９３．８８（５）　：２６５６－２６６５汇３］　Ｂ．Ｄ．Ｒｉｐｌｅｙ．　Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ａｎｄ　ｒｅｌａｔｅｄ　ｍｅｔｈｏｄ　ｆｏｒ　ｃｌｓａｓｉｆｉｃａｔｉｏｎ［Ｊ］．　Ｊ．Ｒ．Ｓｔｔｉｓｔ。Ｓｏｃ．　Ｂ．，１９９４，　　５６（３），４０９－４５６．［４］宋爱国，陆估人．基于进化规划的Ｋｏｈｏｎｅｎ网络用于被动声呐目标聚类研究［［Ｊ］，电子学报，１９９８，　２６　（７），　１２８－１３２．［５］李本海，张序君．分类问题的模糊决策分析［［Ｊ］．模糊系统与数学，１９９２　（６）　１，　１２－１４．一１７４－