孟文涵 林強(qiáng)
(空軍預(yù)警學(xué)院 湖北省武漢市 430019)
雷達(dá)設(shè)備通過雷達(dá)終端向雷達(dá)用戶提供經(jīng)過目標(biāo)檢測處理后的視頻信號,其中除了有用的目標(biāo)信號點(diǎn)跡外,還包括了大量由強(qiáng)低雜波、強(qiáng)氣象雜波和仙波處理后的剩余雜波點(diǎn)跡。這些剩余雜波點(diǎn)跡嚴(yán)重影響了雜波環(huán)境下雷達(dá)正常的探測和跟蹤性能[1]。主要影響體現(xiàn)在以下兩個(gè)方面:一是剩余雜波點(diǎn)跡容易造成目標(biāo)屬性誤判,影響雷達(dá)探測效果;二是剩余雜波點(diǎn)跡誤判成“偽目標(biāo)”與目標(biāo)回波摻雜在一起,容易造成目標(biāo)混淆,干擾了雷達(dá)“航跡關(guān)聯(lián)”過程,影響雷達(dá)跟蹤效能[2]。
目前,一些國內(nèi)外的專家學(xué)者利用雷達(dá)回波特征,針對此問題做了一系列相應(yīng)的研究。文獻(xiàn)[3]提出了一種智能化恒虛警率檢測器,通過支持向量機(jī)(SVM) 技術(shù)使得檢測器可以選擇適合當(dāng)前環(huán)境的門限,以提高不同背景下的雷達(dá)目標(biāo)檢測性能;文獻(xiàn)[4]中,刑遠(yuǎn)見等人對強(qiáng)雜波環(huán)境下,信號處理后殘留大量虛警的問題,通過提取目標(biāo)和雜波的分類特征,將主成分分析法和支撐向量機(jī)兩種算法結(jié)合起來濾除虛假點(diǎn)跡,抑制了大量的剩余雜波點(diǎn)跡。文獻(xiàn)[5]提出的基于SVM 的多雷達(dá)數(shù)據(jù)機(jī)器識別方法實(shí)現(xiàn)了對雷達(dá)探測數(shù)據(jù)的自動分類處理。文獻(xiàn)[6]提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的雷達(dá)點(diǎn)跡分類器。這些研究方法為雷達(dá)目標(biāo)點(diǎn)跡和剩余雜波點(diǎn)跡的區(qū)分提供了技術(shù)參考,但都存在一些難點(diǎn)問題。例如文獻(xiàn)[3]和文獻(xiàn)[5]對雷達(dá)點(diǎn)跡分類精度較低,文獻(xiàn)[4]在雜波抑制中,目標(biāo)損失較大。文獻(xiàn)[6]的訓(xùn)練過程較繁瑣,且受數(shù)據(jù)影響性較大的缺點(diǎn)。
本文針對目標(biāo)檢測后的剩余雜波過多干擾雷達(dá)效能發(fā)揮的問題,提出了一種基于袋裝決策樹的雷達(dá)點(diǎn)跡真?zhèn)舞b別模型。該方法可以對雷達(dá)終端中經(jīng)過目標(biāo)檢測后進(jìn)一步區(qū)分目標(biāo)點(diǎn)和雜波點(diǎn),提高目標(biāo)鑒別的質(zhì)量。該方法利用了裝袋決策樹強(qiáng)大的學(xué)習(xí)能力,為雷達(dá)點(diǎn)跡訓(xùn)練分類模型,實(shí)現(xiàn)了對目標(biāo)點(diǎn)跡和雜波點(diǎn)跡的較高精度的自動識別處理。雷達(dá)點(diǎn)跡數(shù)據(jù)中包含多普勒速度、原始幅度、背景幅度、濾波標(biāo)志、恒虛警類型、雜噪比、濾波器組選擇和EP 質(zhì)量等特征信息,使用袋裝決策樹開展點(diǎn)跡特征信息分類訓(xùn)練,測試了在不同特征組合下的目標(biāo)點(diǎn)和雜波點(diǎn)的鑒別精度和裝袋決策樹在點(diǎn)跡鑒別中泛化能力,并與K 最近鄰域法(Knn)、支持向量機(jī)(SVM)和BP 神經(jīng)網(wǎng)絡(luò)(BPNN)作了對比分析。最后,本文給出了3 個(gè)結(jié)論。
決策樹是一種的變量分類方法,決策樹的核心思想是在一個(gè)數(shù)據(jù)集中找到一個(gè)最優(yōu)特征,然后從這個(gè)特征的選值中找一個(gè)最優(yōu)候選值,根據(jù)這個(gè)最優(yōu)候選值將數(shù)據(jù)集分為兩個(gè)子數(shù)據(jù)集,然后遞歸上述操作,直到滿足指定條件為止。裝袋決策樹實(shí)質(zhì)是自助抽樣法,該方法多次放回抽樣,便于減小方差,是一種比較常用決策樹分類法。假定Z1、Z1、Z1、Z1為n 個(gè)獨(dú)立的觀測值,方差為σ2,平均值Z 的方差,因此,為減小方差,從總體樣本集用自助法選擇多個(gè)數(shù)據(jù)集作為訓(xùn)練集,進(jìn)行模型擬合及預(yù)測,求出多個(gè)模型預(yù)測結(jié)果的平均值,如B 個(gè)訓(xùn)練集預(yù)測分別為求其平均為[7]:
裝袋法算法具體步驟如下[8]:
(1)假設(shè)k 為樣本集的數(shù)目;
(2)生成k 個(gè)大小為n 的數(shù)據(jù)集,每個(gè)自助樣本集都和原數(shù)據(jù)集一樣大;
(3)在k 個(gè)樣本集上訓(xùn)練分類器;
(4)投票決定分類結(jié)果。
本文采用的雷達(dá)點(diǎn)跡數(shù)據(jù)為從某型雷達(dá)終端上采集的報(bào)文數(shù)據(jù)。經(jīng)過規(guī)定的格式解析,得到包括多普勒速度、點(diǎn)跡原始幅度、點(diǎn)跡背景幅度、濾波標(biāo)志、恒虛警類型、雜噪比等級、濾波器組選擇和EP質(zhì)量共計(jì)8個(gè)特征屬性的點(diǎn)跡信息。八種特征屬性解釋如下:
(1)多普勒速度反映了目標(biāo)相對雷達(dá)的徑向速度。通常運(yùn)動目標(biāo)相對雷達(dá)有一定的多普勒速度,而雜波的多普勒速度一般較小,甚至為零,這樣運(yùn)動目標(biāo)和雜波就能從多普勒速度上進(jìn)行區(qū)分。
(2)點(diǎn)跡原始幅度表示的含義為雷達(dá)原始回波信號經(jīng)過信號處理后的每個(gè)處理單元的原始幅度值。
(3)點(diǎn)跡背景幅度表示的含義為根據(jù)多次掃描估計(jì)的方位-距離單元的雜波背景強(qiáng)度,即雜波圖幅度。雜波回波點(diǎn)跡相對集中的區(qū)域雜波背景強(qiáng)度比較強(qiáng);而目標(biāo)回波點(diǎn)跡相對集中的區(qū)域雜波背景強(qiáng)度略低。
(4)濾波標(biāo)志代表該雷達(dá)在信號處理過程中,根據(jù)雜波背景環(huán)境的不同將濾波分為清潔區(qū)濾波、弱雜波區(qū)濾波、中等雜波區(qū)濾波和強(qiáng)雜波區(qū)濾波。
(5)恒虛警類型主要有噪聲恒虛警、單元平均恒虛警、單元平均選大恒虛警、和雜波圖恒虛警。根據(jù)目標(biāo)、雜波環(huán)境的不同,選用不同的恒虛警類型。
(6)雜噪比所表示的含義為雜波與噪聲功率的比值,可以反映出回波點(diǎn)跡背景環(huán)境的復(fù)雜度。
(7)濾波器組選擇指的是面對不同的目標(biāo)、雜波背景環(huán)境,根據(jù)雷達(dá)信號處理中MTD 濾波器組的選擇,將濾波器組分為超強(qiáng)濾波器組、強(qiáng)濾波器組、中等濾波器組和弱濾波器組。
(8)EP 質(zhì)量是對雷達(dá)點(diǎn)跡的EP 數(shù)量、方位展寬、距離展寬和信噪比等特征參數(shù)進(jìn)行加權(quán)求和得到的。
這些解析出的雷達(dá)點(diǎn)跡信息有一些明顯異常的值。為了降低計(jì)算量并提高點(diǎn)跡的鑒別精度,首先需要對異常值進(jìn)行剔除。為探究裝袋決策樹模型在不同目標(biāo)和雜波分布環(huán)境中的鑒別效果,選取雷達(dá)工作區(qū)域中三個(gè)扇區(qū),其點(diǎn)跡數(shù)目構(gòu)成見表1,其雜波與目標(biāo)數(shù)目比值分別約為1:4、1:1、2:1。
表1:三個(gè)扇區(qū)點(diǎn)跡數(shù)目構(gòu)成
本文實(shí)驗(yàn)在Win10 操作系統(tǒng)和Matlab2020b 環(huán)境下,采用Classication Learner 工具箱,開展訓(xùn)練,并使用并行運(yùn)算加快訓(xùn)練速度。
我們分別將三個(gè)扇區(qū)的點(diǎn)跡信息按照3:1 劃分訓(xùn)練集與測試集。使用工具箱對點(diǎn)跡信息的不同特征屬性組合開展分類訓(xùn)練,訓(xùn)練與測試效果如表2、3、4 所示。
表2:扇區(qū)1 不同屬性組合的鑒別識別率
表3:扇區(qū)2 不同屬性組合的鑒別識別率
表4:不同屬性組合下PSO-PNN 鑒別識別率
從表2、3、4 中,我們可以看出,在袋裝決策樹對三個(gè)扇區(qū)的雷達(dá)點(diǎn)跡鑒別中,復(fù)雜組合的鑒別效果均優(yōu)于簡單組合,在復(fù)雜組合中,8 屬性組合的鑒別效果均優(yōu)于6 屬性組合。三個(gè)扇區(qū)整體識別率識別率分別達(dá)到94.5%、92.5%和89.1%。因此,可以得出:當(dāng)屬性組合數(shù)越多時(shí),裝袋決策樹網(wǎng)絡(luò)識別效果越好。這就意味著模型獲得的樣本有效屬性維度越多,信息質(zhì)量越好,對目標(biāo)點(diǎn)跡和雜波點(diǎn)跡的區(qū)分將會愈加有效。同時(shí),三種不同目標(biāo)雜波分布的扇區(qū)的點(diǎn)跡鑒別效果不同,整體鑒別率隨著目標(biāo)比例的提高也隨之提高,說明裝袋決策樹對目標(biāo)的識別更敏感。三個(gè)扇區(qū)的雷達(dá)點(diǎn)跡8特征屬性鑒別混淆矩陣如表5、6、7 所示。
表5:扇區(qū)1 鑒別效果混淆矩陣
表6:扇區(qū)2 鑒別效果混淆矩陣
表7:扇區(qū)3 鑒別效果混淆矩陣
為研究裝袋決策樹對雷達(dá)點(diǎn)跡分類的泛化效果,這里分別采用裝袋決策樹對雜波目標(biāo)數(shù)目比1:4.、1:1、2:1(“弱雜波”、“正常雜波”和“強(qiáng)雜波”)的三個(gè)扇區(qū)的點(diǎn)跡信息分別進(jìn)行8 屬性組合的夸數(shù)據(jù)集訓(xùn)練與測試,研究結(jié)果見表8。
表8:泛化效果測試
從表8中,我們可以看出,通過三種不同目標(biāo)雜波分布的扇區(qū)互相訓(xùn)練和測試的結(jié)果,我們可以看出即使訓(xùn)練集與測試集分類分布不統(tǒng)一,裝袋決策樹依然可以取得不錯鑒別效果,說明裝袋決策樹對雷達(dá)點(diǎn)跡鑒別具有良好的泛化能力。
由于雷達(dá)的點(diǎn)跡鑒別的實(shí)質(zhì)是一個(gè)二分類問題,所以其他二分類方法都可以用作嘗試。作為比較,本文還利用K 最近鄰域法(Knn)[9]、支持向量機(jī)(SVM)[10]和BP 神經(jīng)網(wǎng)絡(luò)(BPNN)[6](五層)來對雷達(dá)點(diǎn)跡進(jìn)行鑒別檢測。為了簡化研究過程,本文采取扇區(qū)二(目標(biāo)雜波分布相對均勻的情況)的雷達(dá)點(diǎn)跡的8 特征信息組合作為鑒別數(shù)據(jù),鑒別效果如表9所示。
表9:其他鑒別方法實(shí)驗(yàn)效果
經(jīng)實(shí)驗(yàn)發(fā)現(xiàn),SVM 最近鄰域法的鑒別精度達(dá)84.7%,位居三種對比實(shí)驗(yàn)效果中的最后一名。Knn 的鑒別精度略高于SVM 達(dá)85.7%,五層BP 神經(jīng)網(wǎng)絡(luò)在三種對比實(shí)驗(yàn)中效果最佳達(dá)87.5%。因此,三種對比實(shí)驗(yàn)效果均低于裝袋決策樹。由此可以看出:裝袋決策樹在雷達(dá)點(diǎn)跡鑒別上具有一定的優(yōu)越性。
本文利用袋裝決策樹,搭建了一種雷達(dá)點(diǎn)跡真?zhèn)舞b別模型。同時(shí),測試了不同屬性組合和不同分布的數(shù)據(jù)集對優(yōu)化后模型鑒別效果的影響及泛化效果。最后,將裝袋決策樹的雷達(dá)點(diǎn)跡鑒別模型鑒別效果與其他方法進(jìn)行比較??傻玫揭韵陆Y(jié)論:
(1)復(fù)雜特征組合的鑒別效果由于簡單特征組合的鑒別效果。
(2)袋裝決策樹對雷達(dá)點(diǎn)跡鑒別效果會受數(shù)據(jù)集內(nèi)部分布情況影響,整體識別率會隨集內(nèi)目標(biāo)數(shù)目比例增大產(chǎn)生一定幅度的上升。
(3)基于裝袋決策樹的雷達(dá)點(diǎn)跡鑒別模型具有良好的泛化能力。
(4)基于裝袋決策樹的雷達(dá)點(diǎn)跡鑒別方法能夠有效對雷達(dá)點(diǎn)跡進(jìn)行鑒別。相比于BP 神經(jīng)網(wǎng)絡(luò)、SVM 和Knn 的識別率更高,這種算法可以為雷達(dá)的點(diǎn)跡鑒別等實(shí)際工程應(yīng)用問題提供了新思路。