基于遗传算法优化BP神经网络的雷达误差补偿方法及系统

摘要

本发明提供了一种基于遗传算法优化BP神经网络的雷达误差补偿方法，包括如下步骤：建立BP神经网络；采用遗传算法优化BP神经网络；训练和测试优化后的BP神经网络；通过优化后的BP神经网络对待补偿的雷达进行误差补偿。本发明具有适用范围广、非线性处理能力强、智能化程度高、误差补偿效果好的优点。

说明书

技术领域

本发明涉及雷达误差补偿的技术领域，具体地，涉及一种基于遗传算法优化BP神经网络的雷达误差补偿方法及系统。

背景技术

雷达精度是衡量雷达探测的重要战术指标之一，为实现精确打击，现代战争对雷达的探测精度提出了越来越高的要求。为了提高雷达精度，国内学者对雷达的误差补偿进行了颇多的研究，目前主要有建立几何模型或者通过最小二乘法等线性拟合估计雷达误差，但这些方法具有模型失配、适应性差的缺陷。

BP神经网络作为一种模仿大脑的信息处理模型，具有优良的自适应学习能力和非线性处理能力，可用于雷达误差补偿，但BP神经网络本身训练时易陷入局部最优，稳定性较差。

公开号为CN110275145A的中国发明专利公开了一种探地雷达测量误差计算方法及装置，该方法包括以下步骤：步骤S100：构建探地雷达定位模型，得到雷达测量所处物空间坐标轴X误差传导函数，分析探地雷达的误差来源，确定雷达探测参数；步骤S200：测定第t次雷达探测参数；步骤S300：将第t次雷达探测参数代入物空间坐标轴X误差传导函数，计算得到第t次雷达探测误差量。能得到每次测量可能的误差值，有效修正测量结果，提高测量准确度。

针对上述中的现有技术，发明人认为上述方法模型失配、适应性较差和稳定性较差。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于遗传算法优化BP神经网络的雷达误差补偿方法及系统。

根据本发明提供的一种基于遗传算法优化BP神经网络的雷达误差补偿方法，包括如下步骤：

步骤1：建立BP神经网络；

步骤2：采用遗传算法优化BP神经网络；

步骤3：训练和测试优化后的BP神经网络；

步骤4：通过优化后的BP神经网络对待补偿的雷达进行误差补偿。

优选的，所述步骤1包括确定雷达误差的影响因素，进而建立BP神经网络；雷达误差包括距离误差、方位角误差和俯仰角误差；确定雷达距离误差、方位角误差和俯仰角误差的影响因素作为BP神经网络的输入，将雷达距离误差、方位角误差和俯仰角误差作为BP神经网络的输出。

优选的，所述步骤1包括：所述雷达误差的影响因素包括目标距离、目标仰角、目标速度和方位角；距离误差的影响因素包括目标距离、目标仰角和目标速度，确定对应的第一神经网络输入节点数和输出节点数；方位角误差影响因素包括目标距离、目标仰角、目标速度和方位角，确定对应的第二神经网络输入节点数和输出节点数；俯仰角误差影响因素为目标距离、目标仰角和目标速度，确定对应的第三神经网络输入节点数和输出节点数；通过所述雷达误差与雷达误差的影响因素的关系建立多个BP神经网络。

优选的，所述步骤2包括初始化遗传算法的种群，建立合适的目标函数，通过选择、交叉和变异操作，得到优化的BP神经网络的初始权值和阈值。

优选的，所述步骤3包括将采集的雷达数据分为训练样本和测试样本，并用训练样本来训练优化后的BP神经网络，形成优化的网络参数；用测试样本验证雷达误差补偿的有效性。

优选的，所述步骤3包括BP神经网络训练步骤；所述BP神经网络训练步骤包括正常传播步骤和反向传播步骤；正向传播步骤是输入经过隐含层和输出层后得到网络输出，若网络输出达到了期望输出，则训练结束，否则，转至反向传播步骤；反向传播步骤是以网络输出与期望输出的误差均方值为梯度，采用梯度下降法调整权值和阈值，得到优化的误差均方值。

根据本发明提供的一种基于遗传算法优化BP神经网络的雷达误差补偿系统，包括如下模块：

模块M1：建立BP神经网络；

模块M2：采用遗传算法优化BP神经网络；

模块M3：训练和测试优化后的BP神经网络；

模块M4：通过优化后的BP神经网络对待补偿的雷达进行误差补偿。

优选的，所述模块M1包括确定雷达误差的影响因素，进而建立BP神经网络；雷达误差包括距离误差、方位角误差和俯仰角误差；确定雷达距离误差、方位角误差和俯仰角误差的影响因素作为BP神经网络的输入，将雷达距离误差、方位角误差和俯仰角误差作为BP神经网络的输出。

优选的，所述模块M1包括：所述距离误差的影响因素包括目标距离、目标仰角和目标速度，确定对应的第一神经网络输入节点数和输出节点数；方位角误差影响因素包括目标距离、目标仰角、目标速度和方位角，确定对应的第二神经网络输入节点数和输出节点数；俯仰角误差影响因素为目标距离、目标仰角和目标速度，确定对应的第三神经网络输入节点数和输出节点数；通过雷达误差与雷达误差的影响因素的关系，建立多个BP神经网络。

优选的，所述模块M2包括初始化遗传算法的种群，建立合适的目标函数，通过选择、交叉和变异操作，得到优化的BP神经网络的初始权值和阈值。

与现有技术相比，本发明具有如下的有益效果：

1、本发明智能化程度高，具有学习能力，能够自适应调整雷达误差影响因素与误差之间的映射关系，有效提高雷达精度；

2、本发明非线性处理能力强，具有较强的非线性处理能力，能更好地解决雷达误差补偿中可能存在的非线性问题，有效提高雷达精度；

3、本发明适用环境广，具有较强的泛化能力和容错能力，因此，在复杂环境中产生的野值或者噪声对本发明的影响较低，能有效提高雷达精度；

4、本发明适用对象广，适用于不同体制的雷达，只需基于先验知识改动输入与输出，即可自适应学习该体制雷达的误差特性，避免某误差补偿方法只能适用于某体制雷达的缺陷。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明的雷达误差补偿方法流程图；

图2是用于雷达距离误差估计的BP神经网络结构图；

图3是用于雷达方位角误差估计的BP神经网络结构图；

图4是用于雷达俯仰角误差估计的BP神经网络结构图；

图5是雷达距离误差补偿前后的误差对比图；

图6是雷达方位角误差补偿前后的误差对比图；

图7是雷达俯仰角误差补偿前后的误差对比图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明实施例公开了一种基于遗传算法优化BP神经网络的雷达误差补偿方法及系统，如图1所示，包括如下步骤：

步骤1：建立BP神经网络。确定雷达误差的影响因素，进而建立BP神经网络；雷达误差包括距离误差、方位角误差和俯仰角误差；确定雷达距离误差、方位角误差和俯仰角误差的影响因素作为BP神经网络的输入，将雷达距离误差、方位角误差和俯仰角误差作为BP神经网络的输出。

雷达误差的影响因素包括目标距离、目标仰角、目标速度和方位角；如图2所示，距离误差的影响因素包括目标距离、目标仰角和目标速度，确定对应的第一神经网络输入节点数和输出节点数，第一神经网络输入节点数和输出节点数例如3和1；如图3所示，方位角误差影响因素包括目标距离、目标仰角、目标速度和方位角，确定对应的第二神经网络输入节点数和输出节点数，第二神经网络输入节点数和输出节点数例如4和1；如图4所示，俯仰角误差影响因素为目标距离、目标仰角和目标速度，确定对应的第三神经网络输入节点数和输出节点数；第三神经网络输入节点数和输出节点数例如3和1；通过雷达误差与雷达误差的影响因素的关系建立多个BP神经网络。通过上述误差与误差影响因素的关系，可建立三个BP神经网络结构。

步骤2：采用遗传算法优化BP神经网络。初始化遗传算法的种群，建立合适的目标函数，通过选择、交叉和变异操作，得到优化的BP神经网络的初始权值和阈值，进而得到BP神经网络训练误差最小的一组初始权值和阈值；

步骤2包括如下步骤：种群初始化步骤：个体编码方法为实数编码，每个个体均为一个实数数组，由BP神经网络的权值和阈值组成。

目标函数确定步骤：根据个体中的权值和阈值，可用训练数据训练BP神经网络后估计系统输出，将估计输出和期望输出之间的均方误差作为个体的适应度，目标函数为：

式中：Δ为目标函数，k为训练样本数，o

选择操作步骤：遗传算法的选择操作采用轮盘赌法，即基于适应度比例的策略，每个个体i被选中的概率P

f

式中，F

交叉操作步骤：由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体a

式中，a

变异操作步骤：选取第i个个体的第j个基因a

式中，a

基于上述操作，就可以通过遗传算法求得最优的神经网络初始权值和阈值。

步骤3：训练和测试优化后的BP神经网络；将采集的雷达数据分为训练样本和测试样本，并用训练样本来训练优化后的BP神经网络，形成优化的网络参数；用测试样本验证雷达误差补偿的有效性；将雷达数据分为训练样本和测试样本两组，并用训练样本来训练优化后的BP神经网络，形成最优的网络参数；用测试样本验证本发明的有效性。

该步骤包括BP神经网络训练步骤；BP神经网络训练步骤包括正常传播步骤和反向传播步骤；正向传播步骤是输入经过隐含层和输出层后得到网络输出，若网络输出达到了期望输出，则训练结束，否则，转至反向传播步骤；反向传播步骤是以网络输出与期望输出的误差均方值为梯度，采用梯度下降法不断调整权值和阈值，得到优化的误差均方值，直至误差均方值最小。

正向传播步骤包括：在正向传播过程中，隐含层的输出为：

y

式中，i为输入层节点数，k为隐含层节点数；W

输出层的输出为：

Y＝g(∑

式中，k为隐含层节点数，j为输出层节点数；W

训练误差为：

式中，Y为网络输出；E为期望输出；N为网络输出层的个数；ε

反向传播步骤包括：采用梯度下降法，不断调整各层间的权值，学习算法如下：

式中，w

网络训练好后，权值参数会达到最优并保持不变，将此网络应用于单部雷达中补偿量测值，可有效提高雷达精度。

步骤4：通过优化后的BP神经网络对待补偿的雷达进行误差补偿。

如图1所示，雷达误差补偿方法流程图，如图2所示，用于估计雷达距离误差的网格结构图；如图3所示，用于估计雷达方位角的网格结构图；如图4所示，用于估计雷达俯仰角误差的网络结构图。遗传算法的种群规模设为20，迭代次数设为100，交叉概率为0.9，变异概率为0.1；BP神经网络的训练次数设为1000，学习率设为0.1，隐含层节点数设为13；对所有的样本数据进行归一化处理，并随机抽取100个样本数据用于神经网络的性能测试，余下的样本数据用于神经网络的训练。

将100个测试样本输入训练好的神经网络中，得到距离、方位角、俯仰角误差补偿前后的对比图，分别由图5、图6、图7所示。从图5所示，距离误差补偿后精度改善了85.6％，起伏性改善了82.4％；如图6所示，方位角误差补偿后精度改善了87.8％，起伏性改善了80.1％；从图7所示，俯仰角误差补偿后精度改善了91.5％，起伏性改善了85％，距离、方位角、俯仰角误差补偿后的精度和起伏性均得到改善。

为了表明改进算法的优越性，选取上述100个测试样本，采用传统的最小二乘估计方法和未优化的BP神经网络补偿雷达误差，对比标准为估计值与真实值之间的均方根误差RMSE，对比结果如下表所示：

表1各算法误差估计性能对比

从表中可以看出，线性最小二乘估计性能较差，说明线性估计不是解决雷达误差估计的理想方案。相比而言采用BP神经网络进行非线性估计后，估计精度明显提升。经遗传算法优化后，进一步提升了距离、方位角和俯仰角的估计精度，降低了训练时间，此外线上估计时间也较低，符合实时性要求。

综合以上可知，本发明具有适用范围广、非线性处理能力强、智能化程度高、误差补偿效果好的优点，可有效提高雷达精度。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。