一種并行在線算法在彈道目標識別中的應(yīng)用研究

田西蘭++郭法濱

摘要：本文針對非合作性彈道目標識別樣本規(guī)模小、計算實時性需求高的特點，提出一種并行在線識別算法。該算法基于多核學(xué)習(xí)的不同核矩陣權(quán)重的自適應(yīng)學(xué)習(xí)實現(xiàn)對不同飛行階段目標特征的自選擇，并進一步利用增量學(xué)習(xí)實現(xiàn)算法的在線化應(yīng)用。進一步地，針對不同的飛行階段人工干預(yù)參與學(xué)習(xí)的目標特征選擇。仿真試驗結(jié)果表明，該算法可用于彈道目標的頭體分辨，計算效率高，準確率滿足工程需求。

關(guān)鍵詞：彈道目標識別 并行計算 多核學(xué)習(xí)

中圖分類號：V271.4 文獻標識碼：A 文章編號：1007-9416（2016）10-0138-01

1 引言

彈道導(dǎo)彈為現(xiàn)代戰(zhàn)爭中最具威脅的攻擊性武器之一，具有速度快、破壞力強、打擊精度高、突防能力強等特點。對應(yīng)地，彈道導(dǎo)彈攻防之間的博弈，便決定了導(dǎo)彈防御系統(tǒng)具有非合作性、決策時間短、資源效率有限的問題。作為彈道導(dǎo)彈防御系統(tǒng)的關(guān)鍵支撐技術(shù)，反導(dǎo)目標識別則面臨樣本規(guī)模極為有限、實時計算效率必須滿足工程需求的特點。

由于反導(dǎo)目標識別的樣本匱乏，多方面綜合攫取彈道導(dǎo)彈的雷達目標測量特性便顯得極為重要。多核機器學(xué)習(xí)能夠同時完成多個特征空間的自學(xué)習(xí)，且各權(quán)重為學(xué)習(xí)過程中自動生成，滿足多特征聯(lián)合挖掘彈道導(dǎo)彈雷達特性的需求。同時，為滿足實時進行目標屬性決策并上報的需求，本文引入一種在線多核學(xué)習(xí)作為反導(dǎo)目標識別的決策器，仿真結(jié)果表明了該方法的有效性。

2 彈道導(dǎo)彈目標特性分析

彈道導(dǎo)彈主要飛行軌跡在大氣層外，利用火箭到達預(yù)定的飛行軌道并達到預(yù)定的速度后，火箭熄火，頭體分離。不同類型的彈道導(dǎo)彈的飛行軌跡、速度和加速度等信息差距較大，本文主要針對中近程彈道導(dǎo)彈。此類導(dǎo)彈全程飛行時間往往僅持續(xù)近十分鐘，助推段時間不足兩分鐘，中段主要指導(dǎo)彈在大氣層外飛行的時間，在整個飛行過程中持續(xù)時間最長，也為目標識別的最佳時機。該階段往往已完成頭體分離，進一步地，戰(zhàn)術(shù)彈道導(dǎo)彈在頭體分離時通常會釋放多個目標構(gòu)成彈頭群以實現(xiàn)自身突防。各級彈體殘骸、級間分離碎片等則形成彈體群目標。彈頭目標往往具有姿態(tài)控制裝置，因此，其RCS序列等往往表現(xiàn)出周期性特征，而彈體目標則不具備。再入段又稱末段，為頭體等目標進入大氣層向打擊目標飛行的階段。該階段由于大氣過濾的作用，會將輕誘餌、箔條等目標過濾掉，僅剩彈頭目標與重誘餌。

3 目標特性提取

折中考慮現(xiàn)役裝備的帶寬與識別任務(wù)，本文以窄帶特征為主要手段，綜合利用彈道導(dǎo)彈的基本運動特征、軌道特征、RCS序列特征實現(xiàn)對彈道導(dǎo)彈的頭體分辨。

3.1 基本運動特征

彈道目標的運動特性與其軌道特性直接相關(guān)。導(dǎo)彈目標的“宏運動”特征涵蓋速度、高度、加速度、距離等，“微運動”特征即微動特征，涵蓋彈頭目標的自旋周期、進動周期等。多數(shù)情況下，彈頭目標的飛行高度要高于彈體目標，也在彈體目標的前方。

3.2 軌道特征

彈道導(dǎo)彈為軌道目標，發(fā)射后無推力作用時，其運動過程是可預(yù)測的，通常軌道特征可用于彈道目標的落發(fā)點預(yù)測。最為常用的軌道特征為軌道六根數(shù)，即軌道長半軸、偏心率、軌道傾角、升交點赤經(jīng)口、近地點幅角和過近地點的時刻。

3.3 RCS序列統(tǒng)計特征

彈頭目標在中段具有高速、自旋等特點，其動態(tài)RCS的規(guī)律性較強。而彈體目標則通常表現(xiàn)為翻滾等隨機運動，并且這種隨機性往往體現(xiàn)在量測得到的RCS時間序列上。本節(jié)采用RCS序列的均值、方差、變異系數(shù)來綜合衡量RCS的起伏特性。其中，變異系數(shù)的定義如下：

式中，為標準差，為均值。目標運動趨勢越穩(wěn)定，其值越小。

3.4 質(zhì)阻比

質(zhì)阻比表征彈道目標質(zhì)量與沿速度矢量上的有效阻力面積之比，表達式為

式中，為目標受到的空氣阻力系數(shù)，為目標在速度方向上的投影面積，為彈道目標的質(zhì)量（單位為千克/平方米）。通常情況下，再入戰(zhàn)術(shù)彈頭的質(zhì)阻比約為5000～8000，誘餌則更輕。該特征在再入段最為有效。

4 基于在線多核學(xué)習(xí)的頭體分辨

如前所述，不同特征在不同飛行階段的有效性不同。常規(guī)算法中，所有特征往往組成一個特征向量，難以實現(xiàn)對不同特征的分類處理。在多核機器學(xué)習(xí)框架下，不同種類特征空間的學(xué)習(xí)可用不同的核函數(shù)執(zhí)行。本文采用Rakotomamonjy等提出的SimpleMKL完成多核學(xué)習(xí)，其優(yōu)化問題表述如下：

為第個核函數(shù)的權(quán)重，其大小代表了當前核函數(shù)表征的分布假設(shè)在最終決策中所占的比重。取值越大，該假設(shè)便越重要。本文啟用三個核矩陣分別對應(yīng)運動特征（含軌道特征）、RCS序列統(tǒng)計特征、質(zhì)阻比的特征空間學(xué)習(xí)。決策函數(shù)表征如下：

與經(jīng)典SimpleMKL算法不同的是，本文采用增量式學(xué)習(xí)實現(xiàn)算法在線化。同時學(xué)習(xí)過程中，針對質(zhì)阻比特征增加對飛行段的指示標志。其作用為飛行中段禁用質(zhì)阻比特征，而再入段僅使用質(zhì)阻比以實現(xiàn)彈頭與誘餌的分類識別。

本節(jié)以仿真數(shù)據(jù)為例驗證所提算法的有效性。其中，彈頭目標有50個樣本，彈體目標有50個樣本。三個基本核矩陣的類型均采用“gaussian”型核函數(shù)，對應(yīng)地，核參數(shù)設(shè)置為“0.5”、“1”和“2”。其中50%作為訓(xùn)練數(shù)據(jù)，50%作為測試數(shù)據(jù)，并且，將中段的測試數(shù)據(jù)與再入段的測試數(shù)據(jù)分開。驗證過程中，設(shè)置彈道目標飛行階段的標志，中段將質(zhì)阻比特征對應(yīng)的核矩陣置零，再入段則自動僅啟用該劇鎮(zhèn)。所得結(jié)果見表1。進一步地，在該數(shù)據(jù)上利用常規(guī)SVM算法進行驗證，所獲得的最優(yōu)分類準確率為89.29%。

5 結(jié)語

本文基于多核學(xué)習(xí)提出一種并行在線分類算法，由干預(yù)不同核矩陣的權(quán)重實現(xiàn)對不同飛行階段目標特征的自選則。仿真結(jié)果證明了所提算法的有效性。

參考文獻

[1]A.Rakotomamonjy，F(xiàn).Bach，S.Canu，Y.Grandvalet，SimpleMKL，Journal of Machine Learning Research，vol.9，2491-2521，2008.

[2]馮德軍，王博，王偉，彈道中段雷達目標識別研究進展綜述.中國電子科學(xué)研究院學(xué)報，142-148，vol.8，2013.

收稿日期：2016-07-25

作者簡介：田西蘭（1981—），女，山東泰安人， 高級工程師，博士，雷達目標識別設(shè)計師，中國電子科技集團公司第三十八研究所，研究方向為雷

達目標識別，機器學(xué)習(xí)；郭法濱（1979—），男，山東泰安人，高級工程師，博士，雷達總體設(shè)計師，中國電子科技集團公司第三十八研究所，研

究方向為雷達總體設(shè)計，架構(gòu)設(shè)計。