[发明专利]基于混沌神经网络的雷达协同信息共享分发路径优化方法

说明书

技术领域

本发明为雷达协同探测系统，特别涉及一种雷达协同信息共享分发优化技术。

背景技术

在无中心节点雷达协同探测过程中存在雷达协同信息共享分发路径规划问题，即在已组好的雷达协同网络中，针对某一信息包，将每部雷达视作一个节点v_i，边表示存在互连、互通关系，雷达网络计有n个节点，则最少需要n条边分发共享信息。若任意选取一条能到达各节点的通路，这样随机性过大，有时会选择回路，最坏情况下可能路径有(n-1)！/2条，易造成信息时延过大、信息冗余失控等问题。传统的依靠数理统计选取使用频率高的分发共享路径，易造成信息拥塞，而依靠固定时隙分发共享信息，易造成低效等问题。

为获得信息分发共享能力的最优，如何从信息源头出发寻求一条总时间最短的路径把协同信息快速共享分发到所有节点并将分发结束信息回告源头节点，以实现协同信息强实时互连、互通是当前面临的一大问题。

本发明针对无中心节点雷达协同探测过程中存在雷达协同信息共享分发路径规划问题，通过指数函数自反馈混沌神经网络优化方法，实现雷达协同信息共享分发路径优化。

发明内容

本发明的目的在于提供一种解决无中心节点雷达协同探测过程中雷达协同信息共享分发路径优化方法。通过本发明，能够在无中心节点雷达协同探测系统中实现从信息源头出发寻求一条总时间最短的路径将雷达协同信息快速共享分发到所有节点并将分发结束信息回告源头节点的分发共享优化。

实现本发明的技术解决方案为：

首先根据雷达协同信息共享分发路径优化问题的要求，构造带有约束条件的目标优化函数；利用Lagrange函数，构造雷达协同信息共享分发路径优化问题的能量函数；基于Chen-Aihara混沌神经元模型，将指数函数作为神经元的自反馈项，构造指数函数混沌神经元模型；基于指数函数混沌神经元模型，构造指数函数自反馈混沌神经网络；利用指数函数自反馈混沌神经网络进行雷达协同信息共享分发路径优化问题的能量函数优化。

本发明与现有技术相比，其显著优点为：

采用指数函数自反馈混沌神经网络进行雷达协同信息共享分发路径优化的方法，能够快速、准确、有效地寻找一条雷达协同信息共享分发最优路径，该方法具有混沌搜索特性，易于跳出搜索过程局部极小值干扰的特点。本发明的提出和方法实现在雷达协同探测领域具有很高的推广应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的数据流程图。

图2是指数函数混沌神经元模型混沌特性示意图。

具体实施方式

本发明基于混沌神经网络的雷达协同信息共享分发优化方法具体实施步骤为，参见附图1。

(1)构造带有约束条件的目标优化函数，方法如下：

无中心节点的雷达协同信息共享分发路径优化问题用神经元数为N×N的连续网络表述，N×N个神经元对应于一个N×N置换矩阵x，每个置换矩阵对应一条雷达协同信息共享分发路径，其中x_ij＝1表示第i个节点在第j次序上被访问，t_ij表示第i个节点到第j个节点的时间开销。雷达协同信息共享分发路径优化问题的目标优化函数为：

其中J₁表示置换矩阵中在每行中只有至多一个元素的值为1，即每个节点最多被访问一次；J₂表示置换矩阵每列至多只有一个元素为1，即每个节点只访问一次；J₃表示置换矩阵的每行每列均有且仅有一个元素为1。

(2)构造雷达协同信息共享分发路径优化问题的能量函数，方法如下：

引入Lagrange函数，利用Lagrange函数将约束化问题转为无约束化问题的特性，构造雷达协同信息共享分发路径优化问题的能量函数为

E＝E₁+E₂

其中：

其中x_i0＝x_in和x_i,n+1＝x_i1，表示第N个节点和第1个节点在路径上相邻，t_ik为节点i、k之间的时间开销。一个全局最小的E值代表一条雷达协同信息共享分发最优路径。

(3)构造混沌神经元模型，方法如下：

基于Chen-Aihara混沌神经元模型，将指数函数作为神经元的自反馈项，构造指数函数混沌神经元模型为：