一種窄帶雷達艦船目標(biāo)分類的決策方法?

王曙光,田西蘭

(

1.中國電子科技集團公司第三十八研究所,安徽合肥230088;2.孔徑陣列與空間探測安徽省重點實驗室,安徽合肥230088;3.智能情報處理重點實驗室,安徽合肥230088)

0 引言

從20世紀(jì)初誕生至今,雷達在導(dǎo)航、氣象探測、定位和跟蹤等領(lǐng)域都已獲得了廣泛的應(yīng)用[1-3]。在軍事應(yīng)用方面,雷達更是具有不可替代的重要價值?，F(xiàn)代雷達的一個重要發(fā)展方向是雷達目標(biāo)識別,該技術(shù)對于提升雷達的情報提取與分析能力具有至關(guān)重要的支撐作用。

我國現(xiàn)役雷達多為窄帶體制,自身分辨率較低,無法提供足夠的信息以實現(xiàn)對目標(biāo)種類的準(zhǔn)確判決,從而制約了目標(biāo)識別技術(shù)在這類平臺上的應(yīng)用[4-5]。提升窄帶雷達的目標(biāo)判決能力,推進目標(biāo)識別技術(shù)在窄帶平臺上的應(yīng)用,可有效增強現(xiàn)役雷達的情報支撐力度,迅速提升我國雷達組網(wǎng)的作戰(zhàn)能力。

本文以某型機載窄帶雷達的實際觀測數(shù)據(jù)為基礎(chǔ),提出了一種面向艦船目標(biāo)分類的決策方法。該方法充分利用歷史判決信息,所獲得的判決信息準(zhǔn)確率更高、穩(wěn)定性更好。

1 目標(biāo)特征提取

文中所用的數(shù)據(jù)為某型雷達對不同艦船目標(biāo)采集的多次觀測數(shù)據(jù)。依據(jù)艦船的尺寸及噸位信息,將其分為大、中、小三類目標(biāo)。3類目標(biāo)的劃分依據(jù)如下:

1)大型目標(biāo):艦船長度大于220 m,萬噸以上;

2)中型目標(biāo):艦船長度為80～180 m,千噸以上;

3)小型目標(biāo):艦船長度為20～70 m,千噸以下。

目標(biāo)反射的回波經(jīng)過恒虛警監(jiān)測后獲得原始點,進而經(jīng)過點跡凝聚形成對應(yīng)的凝聚點。在此過程中,原始點的個數(shù)及分布情況體現(xiàn)了目標(biāo)的尺寸、布局等結(jié)構(gòu)信息。因此,在特征提取時,針對原始點到凝聚點的匯集過程,本文提取了對應(yīng)的統(tǒng)計數(shù)據(jù)作為凝聚特征。同時,考慮到不同目標(biāo)的運動形式及回波強度之間的差異性,提取了相應(yīng)的速度特征及回波強度特征。這些特征匯總起來形成了六維特征向量。對于航跡中的每個點,均有一個六維特征向量與之對應(yīng)。為便于后續(xù)描述,在此定義對應(yīng)航跡中的單個點為一幀。

對特征值進行歸一化,選取不同的特征進行組合,并將其在三維特征空間中作圖,得到3類目標(biāo)在不同特征空間中的樣本分布情況,如圖1所示。

圖1 3類目標(biāo)在不同特征空間中的分布

圖1中,不同形狀的圖標(biāo)表示不同種類的樣本,每個圖標(biāo)代表該類樣本的一幀數(shù)據(jù)。從圖中可以看出,3類目標(biāo)在特征空間中的分布存在重疊與交叉,說明在該三維度的特征空間中不同類別目標(biāo)間的可分性較弱。

可分性弱的原因在于窄帶雷達的探測性能有限[6]。如前文所述,較窄的工作頻帶致使雷達分辨率較低,無法有效地獲取目標(biāo)的細節(jié)信息。本文中所用雷達的工作帶寬為2.5 MHz,對應(yīng)的距離分辨率約為60 m。帶寬不足導(dǎo)致其回波數(shù)據(jù)中僅包含目標(biāo)的粗略情況,進而導(dǎo)致提取的特征無法準(zhǔn)確描述目標(biāo)的精確信息。

2 分類器設(shè)計與決策機制

2.1 分類器設(shè)計

除分類性能外,計算復(fù)雜度也是分類器設(shè)計中需要考慮的因素。過于龐大的運算量在占據(jù)大量計算資源和內(nèi)存資源的同時,也會顯著降低系統(tǒng)的運算速度,進而影響系統(tǒng)的實時性。與常規(guī)分類器相比,K-近鄰分類器的運算量和計算復(fù)雜度較低,且其分類性能滿足分類識別需求[7-8]。綜合考慮以上因素,本文采用K-近鄰分類器(K=10)。對于特定的測試數(shù)據(jù)X=(x1,x2,x3,x4,x5),首先通過下式計算其與模板數(shù)據(jù)Y=(y1,y2,y3,y4,y5)之間的距離:

以距離為依據(jù),尋找與當(dāng)前對象距離最近的K個模板樣本,統(tǒng)計該K個樣本中不同種類標(biāo)簽出現(xiàn)的次數(shù),取得票數(shù)最多的結(jié)果作為該測試數(shù)據(jù)的分類結(jié)果。

2.2 決策機制

本文提出的決策算法流程如圖2所示。

圖2 決策算法

特征向量首先進行分類器判決,得到對應(yīng)的判決結(jié)果;然后,對各幀判決結(jié)果進行多幀融合,本文中融合的幀數(shù)設(shè)為3。實際操作中,將連續(xù)的3幀數(shù)據(jù)看作一個數(shù)據(jù)片段,統(tǒng)計該段數(shù)據(jù)中各判決結(jié)果出現(xiàn)的次數(shù),將頻次最高的結(jié)果作為該數(shù)據(jù)段的判決結(jié)果。與此同時,記下該結(jié)果出現(xiàn)的頻次,作為后續(xù)綜合判決的參考。最后,在綜合判決中,統(tǒng)計各歷史數(shù)據(jù)段的判決結(jié)果及對應(yīng)頻次,取綜合頻次最高的結(jié)果作為判決結(jié)果。判決結(jié)果的置信度通過求取決策結(jié)果頻次C與其他結(jié)果頻次R的比值θ實現(xiàn):

根據(jù)θ值的大小,給出對應(yīng)的置信度等級:

式中:σ=1表示低置信等級;σ=2表示中置信等級;σ=3表示高置信等級。

多幀融合降低了分類器誤判帶來的判決結(jié)果跳變,從而提高判決結(jié)果的穩(wěn)定性。綜合判決中各歷史結(jié)果的引入則是為了充分挖掘數(shù)據(jù)中的有效信息,提高判決結(jié)果的可靠性。

3 實測數(shù)據(jù)驗證

本節(jié)基于某型窄帶雷達在不同日期下所采集的實測數(shù)據(jù)為例進行分析。采集到的艦船數(shù)據(jù)通過自動識別系統(tǒng)(Automatic Identification System,AIS)進行類別的標(biāo)定,對應(yīng)的類型包含捕魚船、雜貨船、化學(xué)品運輸船、散裝船和大型集裝箱船。其中,捕魚船包含兩種尺寸,對應(yīng)目標(biāo)種類為小型目標(biāo);雜貨船和化學(xué)品運輸船屬于中型目標(biāo);散裝船和大型集裝箱船為大型目標(biāo)。

分類器對不同艦船的判決結(jié)果如表1所示。

表1 分類器判決結(jié)果

表1中,判決結(jié)果中的1,2和3分別代表小型、中型和大型目標(biāo)。由結(jié)果可知,分類器對3類目標(biāo)的平均分類準(zhǔn)確率為70.17%。經(jīng)過多幀融合之后各數(shù)據(jù)段的結(jié)果如表2所示。

表2 多幀融合后的判決結(jié)果

由2表可知,多幀融合后判決結(jié)果出現(xiàn)小幅提升,平均分類準(zhǔn)確率上升到74.43%。

綜合判決在多幀融合后的判決結(jié)果上進行,結(jié)果如表3所示。

表3 綜合判決后的判決結(jié)果

由表3可知,經(jīng)綜合判決后,各類型目標(biāo)的判決效果均得到大幅提升,其分類準(zhǔn)確率達到90%以上,平均分類準(zhǔn)確率提高到96.35%。

為了更直觀地展現(xiàn)決策機制對判決效果的提升,對各類目標(biāo)主要判決步驟的分類準(zhǔn)確率進行了統(tǒng)計,其結(jié)果如圖3所示。

圖3 各類目標(biāo)的分類準(zhǔn)確率統(tǒng)計

從圖中結(jié)果可以看出,隨著決策機制的逐級推進,各目標(biāo)的分類準(zhǔn)確率均有不同程度的提升。與單幀的分類器判決結(jié)果相比,分類準(zhǔn)確率提升作用顯著。

置信度判定方面,隨著歷史判決信息的累積,置信度等級也呈現(xiàn)逐漸攀升。本節(jié)以集裝箱船為例,對其置信度判決結(jié)果進行作圖,所得結(jié)果如圖4所示。

圖4 置信度判決案例

圖4中,橫坐標(biāo)為參與判決的歷史數(shù)據(jù)段的個數(shù),縱坐標(biāo)為對應(yīng)的頻次比值θ,虛線為置信度判決時的閾值。從圖中結(jié)果可以看出,當(dāng)參與判決的歷史信息較少時,θ值隨著分類器判決結(jié)果呈現(xiàn)出一定的波動。當(dāng)歷史判決信息開始累積,θ值呈現(xiàn)出上升的趨勢。隨著歷史信息的增多,目標(biāo)種類的判決結(jié)果趨于穩(wěn)定,且置信度等級逐漸升高,最終達到高置信度水平。

4 結(jié)束語

針對窄帶雷達所提供的目標(biāo)特征信息有限的問題,本文提出了一種充分考慮歷史信息的綜合決策方法。該方法在分類器判決的基礎(chǔ)上,通過多幀融合提高判決結(jié)果的穩(wěn)定性,并進一步綜合歷史判決信息提高判決結(jié)果的可靠性?；谀承驼瓗Ю走_的實測數(shù)據(jù)對所提判決方法進行數(shù)據(jù)驗證。結(jié)果表明,所提方法能夠較大幅度地提高各目標(biāo)的分類準(zhǔn)確率、穩(wěn)定性與可靠性。由于決策過程未利用任何的先驗知識與假設(shè)條件,因此,該方法具有良好的通用性。

[1]黎湘,范梅梅.認知雷達及其關(guān)鍵技術(shù)研究進展[J].電子學(xué)報,2012,40(9):1863-1870.

[2]李程,王偉,施龍飛,等.基于多源信息融合的有源雷達組網(wǎng)方式序貫識別方法[J].電子與信息學(xué)報,2014,36(10):2456-2463.

[3]王福友,羅釘,劉宏偉.低分辨機載雷達飛機目標(biāo)分類識別技術(shù)研究[J].雷達學(xué)報,2014,3(4):444-449.

[4]戴幻堯,來慶福,趙晶,等.雷達目標(biāo)特征數(shù)據(jù)采集及應(yīng)用[J].艦船電子對抗,2008,31(5):44-50.

[5]INGGS M R,ROBINSON A D.Ship Target Recognition Using Low Resolution Radar and Neural Networks[J].IEEE Trans on Aerospace and Electronic Systems,1999,35(2):386-393.

[6]張海成,楊江平,王晗中.反導(dǎo)預(yù)警雷達目標(biāo)特征識別方法[J].雷達科學(xué)與技術(shù),2012,10(2):156-160.ZHANG Haicheng,YANG Jiangping,WANG Hanzhong.An Overview of Target Recognition Methods in Ballistic Missile Early Warning Radar[J].Radar Science and Technology,2012,10(2):156-160.(in Chinese)

[7]甄蜀春,馮有前,卜雪妮.基于距離分類準(zhǔn)則的雷達目標(biāo)識別方法[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版),2004,5(6):18-20.

[8]關(guān)欣,孫祥威,曹昕瑩.改進的K-Means算法在特征關(guān)聯(lián)中的應(yīng)用[J].雷達科學(xué)與技術(shù),2014,12(1):81-85.GUAN Xin,SUN Xiangwei,CAO Xinying.A Novel Algorithm for Feature Association Based on Gray Correlation Cluster[J].Radar Science and Technology,2014,12(1):81-85.(in Chinese)