一种应用于水声目标识别的隐层结构自适应网络

　　船舶辐射噪声是一种具有复杂特征的宽频带随机信号,其主要噪声源包括螺旋桨空化噪声与唱音、船壳低频辐射噪声、活塞冲击与齿轮传动等机械噪声以及水动力噪声等[1].不同种类的船只由于其大小、结构、动力、螺旋桨转速及叶片数等的差别,使其产生的辐射噪声存在差异,通过对这些噪声信号的合理处理可以完成对水声目标的有效分类.径向基函数(RBF)神经网络为核分类器的一种[2,3],其隐节点核函数形成一系列部分覆盖的接收区,由它们构成复杂的决策域,再由输出层进行分类判决.网络结构有与船舶噪声特征空间分布相近的形式,适合于水声目标的分类处理.在一般训练方法中,隐节点数是个定值,与核函数的初始中心一起常凭经验给出,对不同类别的特征掌握较少时,经验数据往往会出现大的偏差,使网络训练朝局部最优的方向发展,使各隐节点核函数所形成的判决区不能正确覆盖不同类别的特征空间,影响网络的分类性能.文献[4]提出了一种改进训练方法,该方法设置初始隐节点数等于训练样本数,并将每个样本作为初始权值,然后将特征相近的节点合并并修正权值,较好地解决了确定隐节点个数及权值初始化的难题.但当训练样本很多时,网络结构变大,所需存贮空间和计算量也随之增大,增加了实现难度.

　　本文提出的训练方法则采用自适应学习解决隐节点数的确定难题.开始时根据样本的模式设置较少的初始隐节点数,训练时则通过输入样本与隐层各同类节点的匹配程度及与异类节点的可分离性自动调整隐节点数,既避免了不同模式间核的相互覆盖,同时又保证每一模式的训练样本能在相应的节点上得到最大输出,增强了隐层的模式划分能力.在训练过程中,还根据一定规则对每个节点作取舍处理,从而避免了隐节点的膨胀.另外,由于一开始只用少量的隐节点数,网络的处理结构简单,因此也就克服了文献[3]的缺陷,提高了实用性.

　　1 径向基函数网络结构

　　RBF网一般由1个隐层和1个输出层构成二层前馈网络,对任一输入样本,每个隐节点都计算一个核函数,网络的输出是这些核函数的加权求和.只有当输入样本落入与某隐节点相连的输入权矢量(核)的一定区域内(核宽度距离内)才能使该隐节点的核函数产生较大输出.核和宽度则可通过对样本的训练获得.图1所示为其网络结构.

　　隐层输入为样本的特征矢量?x,隐节点的核函数输出常用径向对称的高斯函数,表达式为

　　式中,u(j)是第j个隐节点输出;w1,j(i)是输入节点i到隐节点j的连接权;σ²j是节点j的核函数宽度;N1是隐节点数;N为输入样本的数据长度.输出层节点k的输出为