CNN分类 | 基于WOA-CNN鲸鱼算法优化卷积神经网络数据分类预测附MATLAB

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

雷达辐射源识别是电子对抗信号处理中的关键环节,是电子侦察和威胁告警系统的重要组成部分。但随着雷达技术的迅猛发展、新体制雷达的大量应用,雷达信号的密度和复杂程度都大幅升高,给复杂体制的雷达辐射源信号识别带来很大的困难,导致传统基于脉冲描述字五维特征识别的方法已经逐渐失效。而雷达辐射源信号的脉内调制作为信号的重要特征,能够减轻参数空间的混叠、提高辐射源识别率,可作为第六维特征重点研究。考虑现代雷达信号具有密度高、形式多样、非平稳等特点,本文研究基于时频预处理与卷积神经网络(CNN)的雷达辐射源识别方法。针对CNN在雷达辐射源识别中所存在的问题,重点提出基于WOA-CNN的雷达辐射源识别算法。通过大量对比实验、仿真表明,该算法具有识别率高、训练时间较短、泛化性能强等优点,更符合现代复杂电磁环境的需求。

⛄ 部分代码

function [Leader_pos,Leader_score, curve]=WOA(popsize,maxgen,dim,lb,ub,fitness)

%初始化位置向量和领导者得分

Leader_pos=zeros(1,dim);

Leader_score=10^20;   

%% 初始化种群

for i=1:dim

    ub_i=ub(i);

    lb_i=lb(i);

   Positions(:,i)=rand(popsize,1).*(ub_i-lb_i)+lb_i;

end

curve=zeros(maxgen,1);%初始化收敛曲线

%% 循环开始

h0=waitbar(0,'WOA optimization...');

for t=1:maxgen

    for i=1:size(Positions,1)%对每个个体一个一个检查是否越界

        %对每个个体一个一个检查是否越界

        % 返回超出搜索空间边界的搜索代理

        Flag4ub=Positions(i,:)>ub;

        Flag4lb=Positions(i,:)<lb;

        Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;%超过最大值的设置成最大值，超过最小值的设置成最小值

        %目标函数值的计算

        fit(i)=fitness( Positions(i,:));

        

        % 更新领导者位置

        if fit(i)<Leader_score

            Leader_score=fit(i);

            Leader_pos=Positions(i,:);

        end

    end

    

    a=2-t*((2)/maxgen);

    a2=-1+t*((-1)/maxgen);

    %参数更新

    for i=1:size(Positions,1)

        r1=rand();r2=rand();

        A=2*a*r1-a;

        C=2*r2;

       

        b=1;

        l=(a2-1)*rand+1;

        

        p = rand();

        

        for j=1:size(Positions,2)%对每一个个体地多维度进行循环运算

            %收缩包围机制

            if p<0.5

                if abs(A)>=1

                    rand_leader_index = floor(popsize*rand()+1);%floor将 X 的每个元素四舍五入到小于或等于该元素的最接近整数

                    X_rand = Positions(rand_leader_index, :);

                    D_X_rand=abs(C*X_rand(j)-Positions(i,j));

                    Positions(i,j)=X_rand(j)-A*D_X_rand;

                elseif abs(A)<1

                    D_Leader=abs(C*Leader_pos(j)-Positions(i,j));

                    Positions(i,j)=Leader_pos(j)-A*D_Leader;

                end

                %螺旋更新位置

            elseif p>=0.5

                distance2Leader=abs(Leader_pos(j)-Positions(i,j));

                Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Leader_pos(j);

            end

        end

    end

    curve(t)=Leader_score;

    waitbar(t/maxgen,h0)

end

close(h0)

setdemorandstream(pi);

⛄ 运行结果

​⛄ 参考文献

[1] 陈飞. 基于多通道卷积神经网络的预应力筋混凝土梁声发射信号损伤识别研究[D]. 江苏大学.

[2] 李旭东, 李艳军, 曹愈远,等. 基于CNN-SVM的飞机EHA故障诊断算法研究[J]. 西北工业大学学报, 2023, 41(1):11.

[3] 吴琼. 基于改进CNN的雷达辐射源识别算法研究[D]. 西安电子科技大学, 2020.

[4] 王瑜, 朱婷, 张娜,等. 基于多通路卷积神经网络的图像分类方法及系统:, CN201710633647.1[P]. 2021.

[5] 卢增全, 赵清玄, 孙磊,等. 基于深度卷积神经网络的大规模鲸鱼叫声识别[C]// 中国声学学会水声学分会2019年学术会议. 0.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料