基于人工神经网络的辐射源威胁评估方法研究＂

合集下载

基于神经网络的辐射源目标快速识别

2
RBF 网络分析原理
RBF 网络是一种有导师的三层构成的前向网
［4］
络：第一层为输入层，节点个数等于输入的维度；第
二层为隐藏层，结点个数视问题的复杂度而定；第三层为输出层，节点个数等于输出数据的维度。它最重要的特点是中间隐藏层是非线性的，采用径向基函数作为基函数，输出层是线性的。隐藏层神经元的基函数只对输入刺激起局部反应，即只有当输入落在输入空间的一个局部区域时，基函数才产生一个重要的非零响应，而在其他情况下基函数输出很小（可近似为零）。网络结构如图 1 所示
［2］［1］
现有的 “特征提取+分类器匹配” 的目标识别固有模神经网络可以认为是一种通用的模式识别分类器，因此其可能应用的范围是十分广泛的。近年
RBF）起源于数值分析中的多变量插值的径向基函逼近特性，而且具有较快的收敛速度，不会陷入无
数方法，具有任意精度的泛函逼近能力和最优泛函
∗
收稿日期： 2017 年 5 月 9 日，修回日期： 2017 年 6 月 23 日基金项目：国家自然科学基金项目（编号： 61671167）资助。作者简介：徐雄，男，硕士，工程师，研究方向：目标识别技术、信息融合。
With the rapid development of military technology，techniques such as disguise， hidden，deception，interference，
and smaller，the original target recognition regularity is heavily damaged. In the trend of the target to be blurred，traditional“tem⁃

基于神经网络的电离辐射遥感探测技术研究

基于神经网络的电离辐射遥感探测技术研究随着人们对空间环境的认识不断深入，对电离辐射的监测需求也越来越迫切。

电离辐射指的是高能粒子、北京颗粒和电磁辐射等，在太空和地球表面释放的一种辐射，对人类、电子、航空、航天等方面都有着重要的影响，因此对电离辐射的精准测量是掌握空间环境变化趋势的一项重要任务。

传统的电离辐射监测方法主要依靠硬件装备和人工操作，但这些方法成本高、难以覆盖广阔的测量范围、无法准确预测空间天气变化等缺点限制了其应用广泛性。

正是由于这些限制，电离辐射遥感探测技术因应而生。

怎样才能实现精准的电离辐射测量呢？基于神经网络的电离辐射遥感探测技术可以满足这个需求。

神经网络是一种自适应的信息处理系统，其学习和记忆能力强，可用于处理多变量间的非线性关系，从而满足面对非常复杂的电离辐射环境下的高精度探测任务。

在基于神经网络的电离辐射遥感探测技术中，通过对电离辐射数据进行多维度多特征的信息提取，进一步优化建模结果。

同时，通过对模型进行误差反向传递的过程，可以训练网络精准预测异常情况发生的条件和概率，提高测量的可靠性和准确性。

不仅如此，基于神经网络的电离辐射遥感探测技术还可以将先进的机器学习算法应用于数据挖掘和模式识别，增强监测信息的分析和数据处理能力。

这种技术不仅可以帮助测量固定地点的辐射量，还可以为对空间天气的精准预测提供有力的支持。

值得一提的是，基于神经网络的电离辐射遥感探测技术还可以通过自主校准和自适应优化的方式提高监测系统的整体性能和鲁棒性，有效维护庞大的监测系统的长期稳定运行和高精度监测。

当然，基于神经网络的电离辐射遥感探测技术还面临着一些困难和挑战。

例如，电离辐射环境千变万化，难以确定最合适的网络模型，以及数据量巨大、处理速度低等问题。

但通过不断完善技术方法和算法设计，这些问题渐渐被解决并得到了广泛应用。

在未来，随着电离辐射监测技术的不断改善和发展，基于神经网络的电离辐射遥感探测技术将继续发挥巨大的作用。

神经网络在辐射电磁干扰预测分析中的应用

神经网络在辐射电磁干扰预测分析中的应用刘金凤1王旭东1刘梁11)哈尔滨理工大学电气语电子工程学院，黑龙江1500801) Email：ljf78118@摘要孔缝泄露电磁场是一种典型的辐射电磁干扰，同时又涉及到复杂的电磁理论问题，很难用解析的方法来精确描述场的分布，由此产生的电磁干扰（Electromagnetic Interference，EMI）的分析也成为电磁兼容（Electromagnetic Compatibility，EMC）领域中的难点，本文以电动车用直流电机控制器为实验电路板，提出了采用蚁群神经网络算法来建立缝隙泄露场频率与输出端电压变化之间的关系模型，相比传统的前馈（Back Propagation，BP）神经网络算法而言，基于蚁群算法的泄露场EMI预测分析，具有收敛速度快，全局优化和启发式寻优特点，具有较高的搜索效率，可提高EMI预测分析的准确性。

关键词蚁群算法，神经网络，EMI，泄露电磁场1．引言目前，对于各种电子产品，不论复杂与否，都是将外壳、印制电路板以及各种对应接口线（信号线、电源线、天线等）进行组装，由此得到完整设备。

在电子产品进入市场以前，需要通过电磁兼容（EMC）测试才可上市，这就需要考虑产品的电磁兼容问题，最好是在产品详细设计阶段就对其EMC问题进行考虑，才能保证产品的EMC性能[1]。

本文以电动车用直流电机控制器电路板为研究对象，对其封装壳体的孔缝泄露场的频率和电路板输出端电压变化之间的关系模型进行基于蚁群算法的建模仿真，尝试将蚁群算法引入到BP神经网络的优化训练中来，用蚁群算法来学习BP神经网络的权系，建立了基于该算法的BP神经网络训练模型，因而兼有了神经网络的广泛映射能力和蚁群算法的快速全局收敛以及启发式学习等特点，在某种程度上避免了BP 神经网络收敛速度慢，易于陷入局部极小点的问题。

再把训练后的神经网络用于电机控制器电路板的孔缝泄露场EMI的预测分析，并与BP算法进行了比较。

同济大学历届校级优秀博士学位论文名单

息工程及控制环境工程环境工程生物化学与分子生物学管理科学与工程应用数学应用数学光学凝聚态物理物理化学机械设计及理论材料物理与化学材料物理与化学控制理论与控制工程控制理论与控制工程城市规划与设计城市规划与设计城市规划与设计地质工程结构工程结构工程岩土工程桥梁与隧道工程桥梁与隧道工程隧道及地下建筑工程道路与铁道工程道路与铁道工程交通运输规划与管理环境工程环境工程生物医学工程管理理论与工业工程
2010
8 9 10 11 12 13 14 15
总序号 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132
2011
5 6 7 8
总序号 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
年份
分序号 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 1 2 3 4 5 6 7
2005-2013 年同济大学优秀博士学位论文名单
总序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 2013 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 2012 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 年份分序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 姓名郭中子李芳菲柴守宁曹扬王跃张舒翟双闵峻英祖梅杜永邓磊李大威张毅超李庆丽刘涤宇张超王彦博谭园黄栩李立青单伽锃张圆圆吴一楠郑雄吴文汇赵红丹罗素梅赵璋张振华王志国申丽娟徐小明武超二级学科外国语言学及应用语言学应用数学物理化学凝聚态物理海洋地质力学车辆工程机械制造及其自动化材料学信息功能材料与器件计算机应用技术控制理论与控制工程计算机应用技术建筑设计及其理论建筑历史与理论结构工程结构工程结构工程隧道及地下建筑工程岩土工程结构工程交通运输规划与管理环境科学环境工程心血管内科企业管理金融工程与管理管理理论与工业工程外国哲学思想政治教育应用数学基础数学凝聚态物理指导教师马秋武孙继涛赵国华李宏强翦知湣徐鉴周苏林建平王国建蔡克峰关佶红徐立鸿关佶红李斌常青李国强李国强薛伟辰黄宏伟蒋明镜施卫星陈小鸿李风亭陈银广荆志成彭正龙陈伟忠马为民孙周兴周敏凯孙继涛方小春李宏强论文题目汉语普通话自然独白话语韵律研究——论结构因素与韵律结构的交互性基因调控系统的分析与控制光电催化活性与选择性的调控及降解应用研究平面特异材料中的高品质因子表面模式相关问题研究瞬变太阳辐射驱动的亚洲-太平洋气候演化因特网拥塞控制中时滞诱发的振荡及其抑制质子交换膜燃料电池仿真方法及若干现象研究金属板材热辅助塑性成形理论研究碳纳米管纤维的力学性能及其应用研究导电聚合物-无机纳米结构复合热电材料的制备及其性能研究基于机器学习的蛋白质相互作用与功能预测智能视频监控系统中的目标检测与跟踪算法研究加权网络的建模与随机扩散养老设施的环境行为与空间结构研究中国古代市井图像的时空特征：历代《清明上河图》比较研究实际火灾下膨胀型防火涂料保护钢柱的可靠度研究 Q460 高强钢焊接截面柱极限承载力试验与理论研究预应力 FRP 增强混凝土梁计算理论软土基坑工程开挖对下卧已建都够隧道的影响研究砂土非共轴微观机制的试验研究及离散元数值分析建筑结构混合健康监测与控制研究道路网络结构的交通安全分析方法具有多层次结构环境功能材料的制备及性能研究氧化物纳米材料对污水生物脱氮除磷的影响及其机理研究中国肺动脉高压患者社会经济地位与其疾病严重程度和生存的相关性分析中国背景下企业员工的强制性组织公民行为研究：结构、测量、动因与结果外汇储蓄的多次层次动态决定及资产优化配置研究三类政府补贴对闭环供应链成员利益的影响研究斗争与和谐——海德格尔对早期希腊思想的阐释国家认同视域下的爱国主义教育研究——以新疆地区为例随机脉冲微分系统的分析与研究算子的格性质与 C*-代数的 Cuntz 半群金属螺旋线特异材料电磁输运行为研究

基于神经网络的未知雷达辐射源智能识别技术

２．ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｉｆｎｇＩｎｓｔｉｔｕｔｅ，Ｈｅｆｅｉ２３００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒ，ａｎｉｎｔｅｌｌｉｇｅｎｔｒｅｃｏｇｎｉｔｉｏｎｏｆｍｅｔｈｏｄｂａｓｅｄｏｎ
ＬＩＵＫａｉ一．ＷＡＮＧＪｉｅ．ｇｕｉ
（１．ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＣｏｎｔｒｏｌＬａｂｏｒａｔｏｒｙ，Ｃｈｅｎｇｄｕ６１００３６，Ｃｈｉｎａ；
ｎｉｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｕｎｋｎｏｗｎｒａｄｒａｅｍｉｔｔｅｒ；ｎｅｕｒａｌｎｅｗｏｔｒｋ；ｒｅｃｏｎｉｇｔｉｏｎｏｆｔｈｅｗｏｒｋｉｎｇｓｔａｔｅ；ｔｒｅｈａｔｊｕｄｇｍｅｎｔ
ｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒｉｓｐｒｏｐｏｓｅｄ．Ｔｏｔｒａｉｎｔｈｅｎｅｗｏｔｒｋｂｓｅａｄｏｎｔｈｅｒａｄｒａｓｉｎａｇｌ

一种基于优化BP神经网络的雷达辐射源威胁评估方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010799517.7(22)申请日 2020.08.11(71)申请人中国人民解放军海军工程大学地址 430033 湖北省武汉市硚口区解放大道717号(72)发明人应涛　许博　王雪宝　吴荣华　徐佳　陈佳俊　周达华　(74)专利代理机构武汉楚天专利事务所 42113代理人孔敏(51)Int.Cl.G01S 7/38(2006.01)G01S 7/41(2006.01)G06N 3/00(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于优化BP神经网络的雷达辐射源威胁评估方法(57)摘要本发明公开了一种基于优化BP神经网络的雷达辐射源威胁评估方法，其实现步骤是：1.利用n组样本数据对网络进行训练，获得训练好的BP神经网络；2.将训练误差作为适应度值，将神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；3.将雷达辐射源的各项指标数据作为输入，通过优化后的神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。

本发明充分考虑BP神经网络由于初始权值和阈值的不确定性对整个神经网络预测的精度和收敛速度的影响，实现神经网络初始权值和阈值的最优化，提升了雷达辐射源威胁评估的准确性。

权利要求书1页说明书6页附图2页CN 112068088 A 2020.12.11C N 112068088A1.一种基于优化BP神经网络的雷达辐射源威胁评估方法，其特征包括：步骤一、利用n组样本数据对BP神经网络进行训练，获得训练好的BP神经网络，所述样本数据包括雷达辐射源威胁指标的数据以及所对应雷达辐射源的威胁值；步骤二、将训练误差作为适应度值，将BP神经网络的权值和阈值作为粒子，用位置、速度和适应度值三项指标表示粒子特征，在可行解空间中快速搜索全局最优粒子，即神经网络最优的权值和阈值；步骤三、将m组雷达辐射源的各项指标数据作为输入，通过优化后的BP神经网络进行预测，得到的输出即为优化后的雷达辐射源威胁值。

基于等价型模糊神经网络电子对抗辐射源识别方法[发明专利]

专利名称：基于等价型模糊神经网络电子对抗辐射源识别方法专利类型：发明专利
发明人：陆渊章
申请号：CN201610136614.1
申请日：20160310
公开号：CN105631484A
公开日：
20160601
专利内容由知识产权出版社提供
摘要：本申请公开了一种基于等价型模糊神经网络电子对抗辐射源识别方法，包括：步骤1，计算聚类中心c，j等于j＝1,2,…；步骤2，计算基函数参数σ；步骤3，调整连接权值w；步骤4，符合终止的条件结束，否则返回步骤2。

本发明算法提高了战场电子对抗辐射源识别的正确率和可靠性，大大地改善电子对抗系统中敌我设备电子性能。

申请人：江苏信息职业技术学院
地址：214153 江苏省无锡市惠山区钱藕路1号
国籍：CN
代理机构：无锡万里知识产权代理事务所(特殊普通合伙)
代理人：李翀
更多信息请下载全文后查看。

219515743_辐射源个体识别的一种可解释性测试架构

第 21 卷第 6 期2023 年 6 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.21，No.6Jun.，2023辐射源个体识别的一种可解释性测试架构刘文斌a，范平志a，李雨锴b，王钰浩b，孟华*b(西南交通大学 a.信息科学与技术学院；b.数学学院，四川成都611756)摘要：由于射频信号种类多，电磁环境复杂，特征提取难度大，现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。

数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式，但深度学习方法自身可解释性差，而且缺乏通用测试模式来评价一个深度学习方法的优劣。

本文在电磁大数据非凡挑战赛目标个体数据集的基础上，探索了基于该数据集的深度学习模型测试方法，提出面向辐射源个体识别神经网络模型的通用测试系统架构。

该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本，并把测试样本与原样本数据导入深度模型进行识别结果对比测试。

基于测试结果分析了深度模型聚焦的信号关键特征位置，分析模型的鲁棒性，揭示信道环境对识别性能的影响，从而解释了深度学习网络模型的性能。

关键词：辐射源个体识别；可解释性；生成对抗网络；无线信号欺骗中图分类号：TN92 文献标志码：A doi：10.11805/TKYDA2022243An interpretable testing architecture for specificemitter identificationLIU Wenbin a，FAN Pingzhi a，LI Yukai b，WANG Yuhao b，MENG Hua*b(a.School of Information Science & Technology; b.School of Mathematics, Southwest Jiaotong University, Chengdu Sichuan 611756, China)AbstractAbstract：：Due to the diversity of RF signals, the complexity of the electromagnetic environment, and the difficulty of feature extraction, the robustness and applicability of the existing artificial features-based RF-specific emitter identification methods cannot meet the application requirements. Althoughthe data-driven deep learning methods can provide a more flexible mode of specific emitteridentification, they are less interpretable and lack a general test mode to evaluate their advantages anddisadvantages. An evaluation method is explored for the deep learning model on the target individualdataset of the Electromagnetic Big Data Super Contest, and a general testing system architecture isproposed for the specific emitter identification model based on deep neural networks. The frameworkconstructs the simulation test samples through signal feature masking, Generative Adversarial Network(GAN), deception signal collection, channel simulation and other methods, and imports the test samplesand original data into the deep model to compare the recognition results. The test results are employed tojudge the location of the signal key features extracted by the deep model, to analyze the robustness of themodel, and to reveal the impact of the channel environment on the recognition performance, thus theperformance of the deep learning model can be interpretable.KeywordsKeywords：：specific emitter identification；interpretability；Generative Adversarial Network(GAN)；wireless signal spoofing信号识别包括信号检测、信号类型识别、辐射源个体识别(Specific Emitter Identification，SEI)3个层次[1]。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

2-’&#%3&： &9@ D5D@E 68FEG?:>@H F9@ A@F9G? GI E5?5E F9E@5F 5HH@HHA@8F J5H@? G8 F9@ 8@:E5< 8@FKGEL M -F ， I6EHF， F9@ D5D@E N:GF@H 5 8@K I:8>F6G8 F95F >58 >G8=@EF F9@ I6EHF 5HH@HHA@8F =5<:@ FG［ % !， !］ 58? F9@8 J:6<?H F9@ AG?@< GI F9E@5F 5HH@HHA@8F J5H@? G8 F9@ 8@:E5< 8@FKGEL， 5F <5HF， :H@H F96H A@F9G? FG 5HH@HH F9@ F9E@5F IEGA A:<F6.E5?5E M 4$5 0*#,’： -EF6I6>65< 8@:E5< 8@FKGEL； 7II@>F6=@8@HH I:8>F6G8； &9E@5F 5HH@HHA@8F 法已不能满足日益复杂的电磁环境的需要，对一种新的辐射源威胁评估方法的研究势在必行。神经网络在近期得到了飞跃的发展，在实际中的应用也有很大的突破。神经网络在多指标评估的成功应用，使得其在辐射源威胁评估中的应用成为可能。利用神经网络在模式空间内形成各种复杂的判决表面，并且能自适应地学习和调整网络规模的大小。这样就使得原来的评价过程变得简单明了。评估者不必考虑评估对象各因素间的关系及相互影响，只需要利用本文的效用函数将数据归一化，然后选择合适的训练方式对其进行训练，就可以得到满意的结果。
从上述转换可以看出，此方法和一般的归一化方法不同。以效益型指标为例，当原始值 !"# 大于平均值! 经转换后其效用函数值大于 !。原始值 $ # 时，越大，效用函数值越大；当原始值是 " 倍以上平均值时，效用函数值接近饱和。这样处理的好处是为了防止某一分指标效用函数值过大，从而左右整个综合指标。同样，当原始值小于平均值，该项分指标效用函数值不仅不能加分，相反还要扣分，因此，其效用函数值取负值，以体现 “奖优罚劣” 的原则。
显然，是一条 , 型曲线，其曲线形状如图 /&’ ! （ 0 ,&’ ） " 所示。注意到 ,&’ 反映了原始数据 %&’ 偏离平均值 " 则 ,&’ & %，且 /&’ 随 ,&’ 的增长 # ’ 的程度。当 %&’ ! " #’ ，表 # 分别给出了几个典型情况非线性递增。表 "、下的 %&’ 和 ,&’ 及 /&’ 之间的关系。
8
基于神经网络的辐射源威胁评估实例应用
选取 4! 个辐射源并根据文献［"］列出其各项参
数如表 5。
表! (.9’ ! 辐射源代图" %&’ " 用于辐射源威胁评估的 #$ 神经网络 6 4 5 " 9 J L I K 6! 66 64 65 6" 69 6J 6L 6I 6K 4! 号辐射源各项实际参数 ()* -*./ :.-.7*0*-6 24 -.5.方位变化 !"4 !*I 6*! !*9 !*9 !*9 !*I !*9 6*! !*9 6*! !*9 6*! 6*! !*9 !*9 !*I 6*! !*9 !*9 6*! 脉宽 !"5 )! 8 !*9 !*4 !*I I*! I*! !*4 6! * ! !*J 4*! !*9 6*! 64 * ! !*5 !*" !*I !*I 6*! !*L !*L !*4 载频 !"" ) H3G 6! * ! 6J * ! K*! J*! 5*! 6J * I !*6 64 * ! J*! I*9 I*! !*4 69 * ! K*! I*9 66 * ! J*! K*9 K*! 6L * !
（#）对成本型指标，记中间变量 ,&’ !
（$）对区间型指标， %&’ ’ ； ( -( . ’ %&’ 当 %&’ % . ，则 ,&’ ! ； (.( 则 ,&’ ! ) ，当 . % %&’ % - ，当 %&’ $ - ，则 ,&’ ! 则将中： -， . 分别为区间型指标的最佳上下界，原始指标值 %&’ 按以下公式转化到［ ’ "，区间上的 "］效用函数： /&’ ! " ’ * ’ ,&’ ， " + * ’ ,&’
*##* 年 0 月第 ,# 卷第 * 期
!
基于人工神经网络的辐射源威胁评估方法研究 "
牛海，谢田华
!!"#!$）（海军大连舰艇学院，辽宁大连
摘
要：介绍了一种基于神经网络的辐射源威胁评估方法。首先引用了一种新的归一化效用
函数，把不同类型、不同量纲的原始评估数值转换到［ % !，区间，该效用函数较好地体现了 “奖优 !］罚劣” 的原则，同时对于神经网络又更容易学习和训练；其次建立了基于神经网络的辐射源威胁评估模型；最后介绍了应用该方法对多个辐射源进行威胁评估的实际应用。关键词：人工神经网络；效用函数；威胁评估
图" $%&’ "
# 型转换曲线
" # ’ ! ( # %&’ ) * " ，
&!"
"
…， ’ ! "， #， $ +
(23’ "
()* # +,-.*/0%-& +1/.*
表 " 几个典型输入下的效益型指标之间的关系 ()* /*420%,- ,5 6*.*/24 078%+24 3*-*5%0 %-9*:*6 ’ #" #’ ’$ ’ % + /%. ’" #’ ’# ’ % + 1)# % ’" ’ % + -)#
!
［"］效用函数
（"）对效益型指标，记中间变量 ,&’ ! %&’ ’ #’ + ( #’ ( #’ ’ %&’ + ( #’ (
设 ! ! ｛! " ， …，是被评估对象集， !# ， !" ｝ …，是综合评估指标体系中的 $ 个 # ! ｛#" ， ##， #$ ｝分指标，它们具有不同的类型和量纲。评价指标矩阵 ! 如下： %"" %"# … %" $ %#" %## … %# $ ， !! ! ! ! %"" %"# … %"$ 式中： %&’ 代表第 & 个被评估对象的第 ’ 个分指标值。不失一般性，将 # ! ｛#"， …，分为 $ 种类型， ##， #$ ｝即效益型、成本型和区间型。效益型指标其值越大越好；成本型指标其值越小越好；区间型指标以其值落在某一特定区域为最佳。由于各分指标具有不同的量纲且类型不同，故指标间具有不可共度性，难以进行直接比较，因此，在综合评价前必须把这些分指标按某种效用函数归一化到某一无量纲区间。显然，构造不同的效用函数将直接影响最终的评价结果，因此效用函数的构造是十分重要的。目前，功效函数大多区间方法。这种转换方法存在 $ 个问题：采用［%， "］一是有效转换区间为［ (，，且 " & ) & ( & %；二是当 )］实际有效转换 %&’ 中出现次最小值远大于最小值时，区间将进一步大大缩短，严重影响转换精度；三是［%，方法在评价中不能体现 “奖优罚劣” 原则。为此，本 "］文引用如下基于平均水平上的效用函数：记第 ’ 个分指标 #’ 的平均值为
*##!.#(.!! ! 收稿日期：作者简介：牛海（!()0% ），男，辽宁沈阳人，硕士生，专业方向是海军水面舰艇电子对抗作战指挥。通信地址：（#0!!） !!"#!$ 海军大连舰艇学院研究生 !1 队电话： 1$110*)
牛海等：基于人工神经网络的辐射源威胁评估方法研究・ -. ・ & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & &
重复频率 !"6 ) &3G 9 * !! J * !! 4 * !! 6 * 49 ! * 5! 9 * !! ! * 4! " * 9! ! * I! 6 * 9! ! * I! ! * "! L * !! 6 * 49 ! * L! " * !! 6 * !! 5 * !! ! * L9 9 * 9!
!
基于神经网络的辐射源威胁评估模型
本文采用了反向传播网络（ #$%&’()*+$,$-.*/