Elman神经网络在雷达信号检测中的研究应用
学习能力等特点，然后基于MATLAB的神经网络工具箱进行程序编写，设计建立一种具有三层网络的Elman人工神经网络雷达信号检测系统模型，通过学习和训练，不断的对信号检测网络自由参数进行调整使其最优化，最终使所建立的雷达信号检测网络输出逼近所需要的目标信号[3]～[6]。
1 Elman人工神经网络
Elman神经网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。在这种网络中，除了普通的隐含层外，还有一个特别的隐含层，称为关联层（或联系单元层）;该层从隐含层接收反馈信号，每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数为某种非线性函数，输出层为线性函数，关联层也为线性函数[7]。
2 基于Elman神经网络雷达信号检测模型
2.1 模型建立
Elman 神经网络作为典型局部递归内时延反馈型神经网络，除了输入层、输出层和隐层节点外，还有与隐层节点数相同的反馈层节点，其输入是隐层节点输出的一步延迟。建立一三层多节点、单输出的Elman网络，设网络外部雷达输入信号时间序列为u（t），反馈层输出xc（t），最终输出的目标信号为y（t），则该信号检测网络模型描述为：
照上述，所建立的雷达信号检测网络模型如图2所示。
2.2 训练与仿真测试
为保证建立的信号检测网络可以恰当地描述输入信号与输出目标信号的函数关系，需要对模型网络的输入一系列回波信号样本，使网络样本输出信号与辨识输出信号的均方误差达到最小。网络采用动态反向传播学习算法[8]，对模型网络进行训练。
训练的误差性能曲线如图3所示，当到达最大训练步长500时，其均方误差mse=0.0186686。
2.2.1 简单信号测试
上文已经对建立好的网络进行了简单训练，为了检验模型网络训练情况，选用干净、不含任何干扰的三角波、正弦波和矩形波3种调制信号形成的已调波形作为雷达输入测试信号，对所设计的雷达信号检测网络进行仿真，结果如图4所示。
从图4中实线表示模型网络输出信号，虚线表示输入的简单调制的雷达信号。从仿真结果看，输出信号和调制信号基本吻合，所以建立设计的网络可以很好地完成不同调制信号、不同调幅度的峰值检波，输出波形中的纹波可以通过低通滤波器滤除。
2.2.2 复杂信号测试
选取需要检测的目标信号幅度为1和2的正弦信号交替变化构成，在MATLAB里可以通过如下语句生成：
然后利用这一输入信号对网络进行仿真，并绘出测试信号、目标输出和网络仿真输出曲线。结果如图5所示。
图5中的虚线表示输入的雷达测试信号、短画线表示所希望达到的曲线和实线表示模型网络实际检测输出的信号曲线。从图中定额以看出模型网络对复杂测试信号的检测性能不及简单信号，但可以较成功地实现信号检测。出现图5这种结果一是由于信号检测网络模型能存在需要改进之处;二是由于样本训练程度需要提高，训练成功的网络可以对任何一个在训练域内的未曾见过的非样本数据有正确的响应。
3 结束语
本文选用Elman神经网络，应用MATLAB的神经网络工具箱进行程序编写，实现了基于Elman神经网络的雷达信号检测网络模型的设计仿真。仿真结果表明，在不事先不考虑噪声干扰对系统影响的前提下，得到的網络模型可以很好的检测出一些简单信号，在对复杂输入信号进行检测时，虽然其效果还是不能都达到期望值，但依然可以检测出目标信号。
参考文献：
[1]丁鹭飞，耿富录，陈建春.雷达原理[M].北京：电子工业出版社，2009.
[2]荣辉，张济世.人工神经网络及其现状与展望[J].电子技术应用，1995，10：24-27.
[3]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1996.
[4]Elman J L.Finding structure in time[J].Cognitive Science，1990（14）.
[5]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.
[6]Pham D T， Karaboga D.Training Elman and Jordan Networks for System Identification Using Genetic Algorithms[J]. Artificial Intelligence in Engineering， 1999，13：107-117.
[7]朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006.
[8]张德丰.神经网络仿真与应用[M].北京：电子工业出版社，2009.