泛读：基于粗糙集与RBF神经网络的雷达辐射源信号识别研究

基本思路

用粗糙集理论对雷达辐射源信号进行离散化 、属性约简、规则提取, 达到分类的目的。用粗糙 K-均值聚类方法计算径向基神经网络 (RBFNN)的聚类中心, 然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。粗糙集理论能够通过约简减少冗余属性, 获得识别规则, 这些识别规则可以简化径向基神经网络;并且能改进 K-均值的聚类方法, 通过上近似和下近似得到新的聚类中心 。

思路详细

雷达辐射源信号经过分选和特征提取后, 就可以得到描述雷达辐射源信号的脉冲描述字, 在此基础上进行参数分析, 可以得到更多的信号特征 。运用粗糙集的理论, 建立雷达辐射源信号的信息表, 然后通过属性离散化、属性约简 、属性值约简和规则提取, 就可以通过这些规则确定RBF神经网络结构了。RBF神经网络的结构中的重要参数除了聚类中心 ti、方差 σ2i、权值 ωij外, 还有就是网络中神经元个数的确定, 而用粗糙集属性值约简则可以很好地解决这个问题 。属性值约简的结果中可以看出雷达辐射源类型和雷达辐射源信号的哪些特征参数有关, 然后根据规则可以确定隐含神经元的个数。

重点

粗糙集

其主要思想是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。从人工智能的角度来看，粗糙集研究的是决策表。

论域：也就是数学里面的集合，我们感兴趣的对象组成的集合。（非空）

知识：论域的任何一个子集（包括空集）称为知识，是对论域进行分类的能力。一般由特征属性进行分类。

---

知识对论域进行分类

---

知识库：是论域中的一个个知识族组成。

不可分辨关系：如果在只是表达中，由于缺乏一定的知识，不能将已知信息系统中的某些对象区分开，那么这些对象之间就是不可分辨关系（等价关系），比如：若在动物中，以黑白为知识区分，那么黑色的狗和黑色的猫就是不可分辨关系，也就是等价关系。

基本集：论语中互相不可分表的对象组成的集合。

精确集和粗糙集：在某一个知识下，如果论域可以由知识中的一个或者多个子集组合而成，那么就成为精确集，否则就成为粗糙集。

上近似和下近似：上近似是指包含于定集合 X 元素的最小可定义集。下近似则是包含于X的最大可定义集。

正域、负域与边界域：论域可以被上下近似划分为三个不相交的区域

知识粒度：论域的划分构成粗糙集的一个近似空间，划分中的每一个分开成为一个知识粒度。在粗糙集中，等价类的力度越细，其划分能力就越强，近似集越精确。否则划分能力就弱，近似集越粗糙。

（链接中有例子）

---

观例：

病人	头疼	肌肉疼	体温	流感
e1	是	是	正常	否
e2	是	是	高	是
e3	是	是	很高	是
e4	否	是	正常	否
e5	否	否	高	否
e6	否	是	很高	是

 

病人	体温
e1	正常
e2	高
e3	很高
e4	正常
e5	高
e6	很高

 

---

径向基神经网络（RBF）

径向基函数：径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖x-c‖)。任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离（也叫做欧式径向基函数），最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中x_c为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。

用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。

总结

文中使用了约简得到的规则作为RBF神经网络隐含层神经元个数的依据, 并用粗糙K-均值的方法获取RBF神经网络的聚类中心, 改善了网络的结构。