基于人工神经网络的辐射源威胁评估方法研究＂

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。

(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。

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。

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]。

基于深度学习的辐射源个体识别研究基于深度学习的辐射源个体识别研究随着现代社会科学技术的不断发展，辐射源在核能、医学、工业等领域中的应用越来越广泛。

然而，辐射源的个体识别对于辐射安全控制和应急响应至关重要。

由于传统的个体识别方法存在着很大的缺陷，近年来，基于深度学习的辐射源个体识别逐渐受到研究者们的关注。

深度学习是一种模拟人脑神经网络的机器学习方法，通过构建多个神经网络层次结构来实现对复杂数据的建模和学习。

与传统方法相比，深度学习可自动从原始数据中提取高层次的特征表示，能够更好地捕捉复杂数据中的潜在规律和关联信息。

因此，基于深度学习的辐射源个体识别具有很大的潜力和优势。

在基于深度学习的辐射源个体识别研究中，主要涉及到两个关键问题：数据预处理和深度学习模型设计。

数据预处理是深度学习中至关重要的一步，它可以对原始数据进行重采样、降噪、标准化等处理，有效提高后续数据的可处理性和模型的训练效果。

对于辐射源个体识别任务，数据预处理的目标是降低噪声数据和非辐射源数据对模型准确性的影响，提高模型对于辐射源数据的识别率。

而深度学习模型的设计则需要考虑到数据维度、样本数量、网络结构等因素，并通过合适的激活函数、损失函数和优化算法进行模型的训练和优化。

针对数据预处理问题，研究者可以结合不同的降噪算法，如小波降噪、自适应降噪等方法，对原始数据进行处理。

在特征提取方面，可以利用卷积神经网络（CNN）来提取辐射源的各种特征。

由于CNN具有卷积层和池化层的结构，在多个层次上对数据进行处理，使得模型可以自动从不同尺度和位置的特征中学习。

此外，为了进一步提高模型的识别准确性，可以引入循环神经网络（RNN）等结构。

在深度学习模型设计方面，可以根据数据的特点和任务的要求，采用不同的网络结构。

例如，对于低维数据，可以选择较浅的网络结构，如全连接网络；而对于高维数据，则可以选择深层网络结构，如堆叠自编码器、深度信念网络等。

此外，还可以通过引入注意力机制等方法来提高模型对于重要特征的关注和学习能力。

基于遗传算法优化BP神经网络的辐射源威胁等级评估方法陈金炜;柴恒
【期刊名称】《舰船电子对抗》
【年(卷),期】2022(45)2
【摘要】辐射源威胁等级评估是认知电子战中的一个重要环节。

首先引出辐射源威胁等级评估问题,然后介绍了2种常用的辐射源威胁分析方法。

接着通过遗传算法对反向传播(BP)神经网络进行优化,使用优化后的网络去解决辐射源威胁等级判定问题,提出了基于遗传算法优化BP神经网络的辐射源威胁等级判定方法,将BP算法的后向反馈部分替换为遗传进化。

以此算法为基础进行实验,对优化后的算法和普通的BP算法的性能进行比较。

实验结果表明,使用遗传算法优化后的神经网络算法比传统的BP神经网络算法更具优势。

【总页数】7页(P46-51)
【作者】陈金炜;柴恒
【作者单位】中国船舶集团有限公司第八研究院
【正文语种】中文
【中图分类】TN971;TP183
【相关文献】
1.基于BP神经网络的美军空基ISR系统威胁等级评估
2.基于贝叶斯网络的辐射源威胁等级评估算法
3.基于层次分析法的辐射源威胁等级评估
4.基于AHP模糊综合
评价法的辐射源威胁等级评估5.基于改进的遗传算法优化BP神经网络并用于红酒质量等级分类
因版权原因，仅展示原文概要，查看原文内容请购买。