试析可变基于参数可变遗传算法地面活动目标识别

论文导读：选取的有效特征位数，第n位代表隐层神经元个数。下面以一个从N=64个特征中选取n=9个有效特征送入识别网络的情况举例说明初始种群的构造过程：[2571020222630333123下一页
作者简介：潘伟（1975—），男，黑龙江哈尔滨人，副教授，博士，研究方向：计算机视觉识别、遗传算法应用等（E-mail：pan.w@12

6.com）。

摘要：特征维数压缩和神经网络隐含层结点数确定是雷达目标识别的关键问题，本文针对地面活动目标识别的特定问题构建了初始种群，然后提出一种即考虑进化代数对算法的影响，又考虑到每代不同个体适应度作用的可变交叉概率和变异概率，经过多次迭代进化最终收敛于问题的一个满意解。最后将该方法用于对三类地面活动目标的分类和识别，验证该方法用于目标分类和识别的可行性和有效性。
关键词：参数可变遗传算法；地面目标识别；一维距离像；交叉概率；变异概率
：A
1引言
主要应用于军事领域的目标识别是模式识别的一个重要分支，是ISR系统中的一个重要部分。随着复杂电磁环境下信息化战争的日益复杂和新型源于：科技论文写作www.7ctime.com
武器的更新发展，实现对地面目标快速准确地分类和识别，能够帮助指挥员做出有利于战争发展的正确决定，为最终决定整个战场的胜负起到了不可低估的作用。
雷达目标识别通常指利用雷达接收设备从目标的反射回波电磁散射信号中，提取目标的各种特征信息，运用已知的目标先验知识，对目标进行分类、识别。目标识别一般分为三个阶段：回波信号获取、目标特征选取和分类与识别。在实际的应用中，为了满足实时性的要求，需要对提取的目标特征向量进行降阶处理，同时随着人工神经网络理论的日益成熟，各种研究成果不断应用到目标识别领域，并取得众多成果，但神经网络的隐层神经元个数问题一直没有确定的理论指导，在实际应用中往往凭借主观经验或多种实验反复尝试，这样既浪费了时间，又可能导致由于网络结构不当而无法得到最优解。
2基于一维距离像的目标识别
雷达目标识别实际上就是一个电磁波散射问题。根椐电磁场散射理论，目标电磁散射特性在频域内可分为三个区：光学区或称为高频区，谐振区，瑞利区。随着现代雷达技术的不断进步，雷达工作频率越来越高，带宽越来越大，以至于大部分雷达工作在光学区，因此对光学区雷达的目标识别进行研究就显得尤为重要。
基于一维距离像的目标识别方法在光学区雷达目标识别中比较常用，主要因为一维距离像获取与处理时不存在二维成像时由于散射中心偏移而导致的运动补偿等问题，因此相对简单，更加实用。在光学区，目标的回波信号已不是传统意义上的发射信号的多普勒频移和时间的简单延迟，而是等效为沿雷达径向多个散射中心在不同分辨单元的散射电磁回波之和。
当径向距离分辨力远小于目标尺寸时，目标在径向上占据多个距离分辨单元，当用窄脉冲照射目标并且将散射功率记录为时间的函数，其结果就是径向一维目标距离像。它能够反映出目标沿雷达径向上精密的结构分布，而这种信息对目标识别来说有重要的意义。在距离回波中，每一个尖峰对应一个散射中心，其出现的位置是由对应散射中心所处的径向位置决定的；距离回波中尖峰的强度与对应的散射中心的散射强度成正比；每个尖峰的形状反映了该尖峰处的局部频率成分，且由其散射中心的类型决定的。
目标的基频回波和一维距离像是一付氏变换对。根椐散射中心理论，假设目标是具有n个散射中心的复杂物体，经过解调后的视频回波信号模型可表示为
本文具体目标模型见参考文献[2-4]，用于研究识别方法的资料源通过计算机仿真获得。由于噪声与环境等特性的研究内容广泛，所以噪声模型采用普通的高斯白噪声，由计算机仿真获得。仿真的一维距离像占据32个距离分辨单元。
3算法设计

3.1编码策略

实数编码与二进制编码的方法是相似的，只是每个基因有10种可能取值：0～9。若每个变量用L位十进制数表示，变量个数为m，则染色体长度为m*L。实值编码策略不对变量进行编码，而将每个变量当作一位基因直接处理。

3.2初始种群的构造

遗传运算首先是从一个初始种群开始，在解决目标识别的特征及隐层神经元个数优选问题中，构造初始种群为一个10×n的矩阵，每一行是一个染色体，其中每一行的前n-1位代表从总的输入特征N中选取的有效特征位数，第n位代表隐层神经元个数。下面以一个从N=64个特征中选取n=9个有效特征送入识别网络的情况举例说明初始种群的构造过程：[2 5 7 10 20 22 26 30 33 3论文导读：度值，G为进化代数，α、k1、k2为定常系数。α代表变异概率的变化速度；k1与具体问题有关，是为保证遗传算法不退化为随机搜索，pm所能取到的最大值；k2为一个比较小的变异概率，一般取0.001。3.6改进算法的性能测试将改进的参数可变遗传算法应用于测试函数。函数有无数个局部极大点，但只有一个（0，0）为全局最大点，最大值
]是种群中的一个染色体，其中前9位代表36个特征中第几个特征被选中，而第10位代表隐层神经元个数为3个，本文以单隐层为例进行说明，多隐层的求解同样适用，前9个数的取值范围为1～36；神经网络隐层的最大结点数目和输入层节点数有很大关系，本文隐层神经元个数取值范围限定为3～15。

3.3遗传操作

遗传操作包括选择、交叉、变异三种操作算子，本文采用标准遗传操作，选择操作是排序选择+最佳个体保存法，交叉操作是依据交叉概率的单点交叉，变异操作是依据变异概率的单基因突变。选择操作是遗传算法的基础，变异操作是遗传算法的核心，交叉操作是遗传算法的补充[5]。

3.4交叉概率的自适应确定

交叉算子在遗传操作中起核心作用，主要用来产生新个体，实现算法的全局搜索能力。从群体整体进化过程来看，交叉概率应该能随进化过程逐渐变小，到最后趋于某一稳定值，以避免对算法后期的稳定性造成冲击而导致算法不能收敛，或收敛过程加长；而从产生新个体的角度来看，群体中的所有个体在交叉操作上应该具有同等地位，相同概率，从而使GA在搜索空间具有各个方向的匀性[6]。因此，本文设计了与进化代数相关的交叉概率：
其中，G为进化代数，α、β为定常系数，α代表交叉概率的变化曲率，β代表交叉概率的收敛极限。

3.5变异概率的自适应确定

变异算子在遗传操作中起辅助作用，主要用来维持群体多样性，防止出现未成熟收敛。在算法早期，群体中个体多样性丰富，此时的变异概率应该小些，以提高算法的运行速度；而随着进化的进行，个体越来越向适应度高的个体靠近，致使个体越来越单一，此时的变异概率就应该大些，以维持群体的多样性。同样的原因，同一代群体中个体的变异概率应该随个体的优劣而变化，即加大优质个体变异概率。为此设计了如下的与遗传进化代数和个体适应度相关的自适应变异概率： 其中，f为当前个体适应度值，fmax为当前群体中最大个体适应度值，为当前群体平均适应度值，G为进化代数，α、k1、k2为定常系数。α代表变异概率的变化速度；k1与具体问题有关，是为保证遗传算法不退化为随机搜索，pm所能取到的最大值；k2为一个比较小的变异概率，一般取0.001。

3.6改进算法的性能测试

将改进的参数可变遗传算法应用于测试函数。
函数有无数个局部极大点，但只有一个（0，0）为全局最大点，最大值为1。此函数的最大峰周围有两圈脊，它们的取值分别为0.990284和0.962776，因此优化过程中很容易停滞在这些局部极大点。
对于测试函数采用标准遗传算法和本文算法进行比较。其中，标准遗传算法采用二进制编码，基本遗传操作，交叉概率Pc=0.6，变异概率Pm=0.01。群体规模100，总进化代数设为100。分别实验50次，所得结果如表1所示。表中x，y，f（x，y）为算法结束时的典型值，g表示平均运行代数，p为收敛到全局最优的概率。
由于函数存在无穷多个局部最小值，采用标准遗传算法运行多次，收敛于未成熟解的概率非常大。本文首发从x，y，f（x，y）的最终值、平均运行代数和收敛概率来看是成功的，特别是平均运行代数大幅降低，虽然没有完全达到最大值1，但这是x，y用实数表示造成的。
4实例应用
利用BP神经网络对地面活动目标的一维距离像进行分类和识别，BP网络采用输入层、隐层和输出层结构。输入层神经元个数为参数可变遗传算法多代遗传后所优选出的特征个数，隐层神经元个数由参数可变遗传算法自身决定，输出层神经元为三个节点，对应于三类地面活动目标——坦克、步兵战车、自行火炮。输入层和隐层的激励函数采用sigmoid函数形式，输出层采用线性输出函数。将三种地面活动目标的一维距离像共200个分为两组，其中的一组对应于每类目标50个一维距离像作为神经网络的训练样本集，用来对神经网络进行训练和记忆，另外一组共150个作为测试样本集用来对神经网络进行测论文导读：
试。对应于三类地面活动目标，神经网络的输出分别为[1 0 0]，[0 1 0]和[0 0 1]。
利用本文算法对三类地面活动目标一维距离像进行分类和识别，实验中所用一维距离像信噪比为15dB。通过参数可变遗传算法的多次遗传迭代，对三类地面活动目标的识别结果分别如表

2、表3所示。

表2代表优选特征个数选择最优为7时，不同进化代数下三类地面活动目标的识别率。识别结果表明，当进化代数为15次时，算法收敛到98.5%以上，继续增加遗传次数，识别率虽然仍然可以提高，但提高的幅度不大。
表3代表对应于选取不同特征长度条件下进化代数为15次时，三类地面活动目标的识别率。可以看出，一维距离像虽然占据32个距离分辨单元，但真正反映目标特性的只是其中的一部分数据，而另外一部分数据在目标识别中的作用是比较微小的，但这些起较小作用的特征却为目标的分类和识别带来了不少的困难。因此，最佳特征个数的选取与具体问题相关，需要通过实验反复验证最终确定，对于坦克、步兵战车、自行火炮这三类地面活动目标，当特征个数选为8时，就可以获得较好的识别效果。
5结语
针对雷达目标识别中目标特征选取和识别网络的隐层神经元个数确定两个问题， 提出了一种基于参数可变遗传算法的解决方案。通过一维距离像的目标识别方法提取有利于目标识别的相对不变特征量，进而利用参数可变遗传算法进行全局范围内搜索寻优。在仿真实验中，对坦克、步兵战车、自行火炮三类地面目标一维距离像的分类识别，验证了该方法对于解决上述两个问题的有效性。
参考文献
A Tucker， J Crampton， S Swift. RGFGA： An efficient representation and crossover for grouping genetic 摘自：硕士论文格式www.7ctime.com
algorithms[J]. Evolutionary Computation， 2005， 13（4）： 477-499.
倪晓军. 动态雷达目标识别方法研究[D]. 长沙：国防科技大学博士论文， 1997.
[3]黄德双. 雷达目标一维像识别技术研究[D]. 西安：西安电子科技大学博士论文， 1992.
[4]黎海涛， 徐继麟. 超宽带雷达目标回波建模[J]. 系统工程与电子技术， 2000， 22（10）： 41-43.
[5]朱丽娜， 刘思力. 基于自适应遗传算法的奇异离散系统降阶H_∞控制器[J]. 计算技术与自动化， 2010， 29（2）： 15- 18.