基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)點跡分類技術(shù)研究

齊永梅，劉正成，余承智，戴 霄

(中國船舶重工集團公司第七二三研究所，江蘇 揚州 225101)

0 引 言

在雷達(dá)目標(biāo)環(huán)境中，目標(biāo)以外的其他散射體的回波會使雷達(dá)顯示器上的圖像變得雜亂，妨礙對目標(biāo)回波的檢測，這類回波被稱為雷達(dá)雜波。雷達(dá)目標(biāo)和雜波的含義具有相對性，視雷達(dá)的用途而定。例如，地面回波對于防空雷達(dá)而言是雜波，而對地形測繪雷達(dá)則是目標(biāo)；云雨回波對于氣象雷達(dá)來說是目標(biāo)，而對防空雷達(dá)則是雜波。對本文研究的艦載搜索雷達(dá)來說，艦船、飛機、導(dǎo)彈的回波為目標(biāo)，而地物、海浪、云雨、島嶼的回波則為雜波。雷達(dá)在搜索和跟蹤過程中不可避免地會受到地物雜波、氣象雜波等影響，在信號處理檢測時會產(chǎn)生雜波點跡，尤其是在雜波密集區(qū)，此類雜波點跡數(shù)量會更多，從而會建立大量的虛假航跡。在作戰(zhàn)指揮時，如果態(tài)勢中存在大量的虛假航跡必然會給指揮員的作戰(zhàn)決策帶來嚴(yán)重的干擾。由于雜波是不可避免的，信號處理和數(shù)據(jù)處理的一個重要任務(wù)就是盡可能地對雜波和雜波產(chǎn)生的疑似點跡進(jìn)行過濾。

法國泰利斯公司研制的Master系列雷達(dá)自動化和智能化水平較高，能夠?qū)崿F(xiàn)對目標(biāo)的全自動檢測與跟蹤，該雷達(dá)可實時監(jiān)測背景環(huán)境，采用環(huán)境匹配技術(shù)(地形、海雜波、云雨雜波及干擾)自動調(diào)整雷達(dá)參數(shù)，并利用點跡多種特征信息對點跡質(zhì)量進(jìn)行綜合評估，采用點跡過濾技術(shù)濾除雜波及干擾，提高雷達(dá)處理能力。目前國內(nèi)雷達(dá)數(shù)據(jù)處理的自動化和智能化水平與國外相比還有一定差距，以深度學(xué)習(xí)為代表的機器學(xué)習(xí)技術(shù)并沒有在數(shù)據(jù)處理領(lǐng)域得到充分的研究及應(yīng)用。

深度學(xué)習(xí)概念是由Hinton等人于2006年初次提出，近些年它在各個領(lǐng)域大放異彩，成為人工智能(AI)領(lǐng)域中一個較為熱門的話題。伴隨深度學(xué)習(xí)技術(shù)的高速發(fā)展，不同分支的深度神經(jīng)網(wǎng)絡(luò)也得以在越來越多的領(lǐng)域進(jìn)行應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)作為其中之一，這些年不僅在架構(gòu)性能上不斷創(chuàng)新提升，而且應(yīng)用領(lǐng)域也越來越廣泛。卷積神經(jīng)網(wǎng)絡(luò)改變傳統(tǒng)神經(jīng)網(wǎng)絡(luò)全連接的形式，通過引入局部感受野和共享參數(shù)的概念，大幅度減小了參數(shù)，并且提高了模型的性能。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常有5個主要層次：輸入層、卷積層、激勵層、池化層和全連接層。

Tensorflow 是Google的深度學(xué)習(xí)框架，是利用人工智能神經(jīng)網(wǎng)絡(luò)來分析和處理復(fù)雜數(shù)據(jù)結(jié)構(gòu)的系統(tǒng)，是一種支持深度學(xué)習(xí)的開源軟件庫，目前支持眾多編程語言、操作系統(tǒng)環(huán)境和硬件架構(gòu)(CPU和GPU)，可以實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)等經(jīng)典算法。

本文提出用深度學(xué)習(xí)方法研究雷達(dá)點跡分類問題，以TensorFlow作為深度學(xué)習(xí)的基礎(chǔ)框架，針對信號處理輸出的點跡數(shù)據(jù)中混入的雜波數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)判斷該數(shù)據(jù)是更可能來自真實目標(biāo)還是雜波，相當(dāng)于對點跡質(zhì)量進(jìn)行評估，分類結(jié)果將為后續(xù)的數(shù)據(jù)處理提供技術(shù)支撐，減少雜波環(huán)境下虛假航跡數(shù)量，提高機動目標(biāo)跟蹤能力。

1 雷達(dá)點跡多維特征信息提取

在機器學(xué)習(xí)中,所有用于描述實體的數(shù)字的組合就是一個實體的特征向量，邏輯回歸算法可以從訓(xùn)練數(shù)據(jù)中計算出每個特征和預(yù)測結(jié)果的相關(guān)度。特征向量的提取對機器學(xué)習(xí)的效果至關(guān)重要。如果每個特征和任務(wù)之間的關(guān)聯(lián)不大，邏輯回歸算法無法從數(shù)據(jù)中習(xí)得更好的特征表達(dá)。

目前，雷達(dá)點跡數(shù)據(jù)中最常用的信息為距離、方位、仰角等位置信息。其實，目標(biāo)回波除了攜帶目標(biāo)的距離方位仰角信息外，其波形還攜帶了與目標(biāo)密切相關(guān)的信息。這些信息主要表現(xiàn)為隨時間和作用距離遠(yuǎn)近呈現(xiàn)出漸變或者相對穩(wěn)定的狀態(tài)變化，我們稱之為“特性信息”，主要包括目標(biāo)在徑向距離單元的跨度(或稱之為距離寬度)、目標(biāo)方位碼跨度(或稱之為方位寬度)、最大幅度、平均幅度、規(guī)整度等。

在大數(shù)據(jù)分析中，數(shù)據(jù)參數(shù)種類越多，所帶來的信息就越多，就越有可能挖掘出更為有用的知識。當(dāng)然，上述描述并不是嚴(yán)格成立的，前提是其參數(shù)必須是對解決問題有幫助的。因此，必須對于當(dāng)前點跡信息中的所有參數(shù)進(jìn)行分析研究，提取出對點跡分類有用的參數(shù)。通過整理，針對點跡數(shù)據(jù)，本文提取如下幾種信息(包括位置信息、特征信息)，具體如表1所示。

表1 點跡特征信息

(1) 距離和仰角

相對來說，雷達(dá)波束的仰角越低，數(shù)據(jù)中的雜波就越多，這是因為絕大多數(shù)的雜波均是由地物或海浪而引起的。另外，由于地球曲率的影響，艦載或陸基雷達(dá)視距大約40 km左右。因此對于距離小于40 km的點跡，其仰角越低，來自于雜波的可能性就越高。因此距離和仰角可作為評估點跡真假的特征值。由于雜波與目標(biāo)點跡有可能來自任何方位，無法依據(jù)方位值判斷點跡的真假程度，所以方位不作為點跡特征參數(shù)使用。

(2) 距離寬度和方位寬度

目標(biāo)距離寬度和方位寬度從某個側(cè)面反映了目標(biāo)的尺寸大小。由于雷達(dá)所關(guān)注的目標(biāo)多種多樣，既有大尺寸的艦船，也有小尺寸的無人機。但相對于地物雜波來說，目標(biāo)尺寸還是相對較小(如圖1所示)。以距離寬度為例，在相同回波幅度條件下，點目標(biāo)尺寸小、擴展少，地物雜波尺寸大、擴展多，方位寬度差異的產(chǎn)生原因與距離擴展類似。

圖1 目標(biāo)和雜波的回波距離展寬原理示例

(3) 規(guī)整度

對于雷達(dá)所關(guān)注的常見目標(biāo)(艦船、固定翼飛機、直升機、導(dǎo)彈)來說，其在距離、方位上通常呈現(xiàn)一定的規(guī)律，即相對規(guī)則的長方形，如圖2所示。而對于雜波來說，常常并不是非常規(guī)則，如圖3所示。

圖2 民航飛機的回波視頻

圖3 雜波視頻

為了能夠更加直觀地表述點跡視頻的規(guī)則程度，現(xiàn)采用示意圖的方式給出，圖中每個“格子”為分辨單元，其中灰色為參與凝聚的過門限(該門限為信號處理恒虛警門限)視頻數(shù)據(jù)，白色說明該分辨單元的視頻數(shù)據(jù)沒有過門限。

如圖4所示，目標(biāo)方位左右沿、距離前后沿可圍成一個矩形，然后通過方位寬度(

A

，單位°)、距離寬度(

D

，單位m)、雷達(dá)掃描周期(

T

，單位s)、重頻(

f

，單位Hz)、信號采樣帶寬(

B

，單位MHz)即可計算出該矩形內(nèi)所有分辨單元的數(shù)量(

N

):

圖4 真實目標(biāo)點跡視頻示意圖

N

=(

A

×

T

×

f

/

360)×(

D

×

B/

150)

(1)

這時，可以引入一個概念“規(guī)整度”，即表示該點跡的規(guī)則程度

R

，具體公式如下：

R

=

N

/N

(2)

式中：

N

為參與點跡凝聚的單元數(shù)量。

顯然，規(guī)則度越高則點跡來自真實目標(biāo)的可能性就越高，反之可能來自雜波。圖5是雜波點跡視頻示意圖。

圖5 雜波點跡視頻示意圖

2 基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)分類

2.1 數(shù)據(jù)說明

本文中使用的數(shù)據(jù)全部采用雷達(dá)實測點跡數(shù)據(jù)，根據(jù)劇情對數(shù)據(jù)中的每個點跡進(jìn)行標(biāo)注，雜波標(biāo)簽為0，目標(biāo)標(biāo)簽為1。利用其中大部分?jǐn)?shù)據(jù)對模型進(jìn)行訓(xùn)練，再留一部分?jǐn)?shù)據(jù)用于驗證模型。本文中用于模型訓(xùn)練的數(shù)據(jù)集稱為訓(xùn)練集數(shù)據(jù)，用于模型驗證的數(shù)據(jù)稱為測試集數(shù)據(jù)。

2.2 損失函數(shù)優(yōu)化

判斷一個分類器對所有樣本的分類能力或者在不同的應(yīng)用場合時，需要有不同的指標(biāo)。在本文雷達(dá)雜波和真實目標(biāo)分類問題研究中，漏警可能造成很嚴(yán)重的損失，也就是說將目標(biāo)判為雜波的代價要遠(yuǎn)高于將雜波判為目標(biāo)的代價。因此需要進(jìn)行損失函數(shù)優(yōu)化，對經(jīng)典交叉熵?fù)p失函數(shù)進(jìn)行加權(quán)。當(dāng)目標(biāo)被判為雜波時，代價權(quán)重為0.9；雜波判為目標(biāo)時，代價權(quán)重為0.1。加權(quán)交叉熵?fù)p失函數(shù)為：

(3)

2.3 模型效果評估指標(biāo)

本文綜合利用準(zhǔn)確率、目標(biāo)損失率和雜波濾除率評估卷積神經(jīng)網(wǎng)絡(luò)模型效果。經(jīng)過前述分析，針對本文應(yīng)用場景，在降低目標(biāo)損失率的前提下，盡量提高準(zhǔn)確率或者說是雜波濾除率。為了對這3個模型效果評估指標(biāo)進(jìn)行說明，作出如下定義：“目標(biāo)”是正類別，“雜波”是負(fù)類別。

可以使用表2來概括“雜波預(yù)測”模型，里面描述了所有可能出現(xiàn)的結(jié)果(共4種)。

表2 “雜波預(yù)測”模型結(jié)果

準(zhǔn)確率是一個用于評估分類模型的指標(biāo)，是指模型預(yù)測正確的結(jié)果所占的比例，公式如下：

(4)

在本文場景中，目標(biāo)損失率是一個重要指標(biāo)，優(yōu)化損失函數(shù)目的也是為了盡量降低目標(biāo)損失率，公式如下：

(5)

在降低目標(biāo)損失率的同時，要盡量濾除雜波，其公式如下：

(6)

2.4 訓(xùn)練過程

本文中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式為輸入層→卷積層(

C

)→卷積層(

C

)→池化層→卷積層(

C

)→卷積層(

C

)→池化層→全連接層→輸出層。表3是卷積層所用的卷積核個數(shù)、卷積核寬、步長以及填充情況。

表3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

作為神經(jīng)網(wǎng)絡(luò)輸入的特征向量直接從點跡文件中獲取，激活函數(shù)為ReLU函數(shù)，最大池化方法，損失函數(shù)則為期望輸出與真實輸出的加權(quán)交叉熵。用于網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集有6 400個數(shù)據(jù)，驗證集為2 000個數(shù)據(jù)。訓(xùn)練流程如圖6所示。

圖6 訓(xùn)練流程圖

步驟如下：

(1) 初始化。初始化訓(xùn)練次數(shù)為0，將網(wǎng)絡(luò)的連接權(quán)值和偏置量均初始化為隨機值，初始學(xué)習(xí)速率為0.001，每訓(xùn)練10輪后學(xué)習(xí)率乘以衰減系數(shù)0.99。

(2) 前向傳播。從訓(xùn)練數(shù)據(jù)集中隨機抽取128個特征數(shù)據(jù)輸入網(wǎng)絡(luò)，逐層計算各層網(wǎng)絡(luò)的輸出，獲得預(yù)測值。

(3) 反向傳播。得到輸出層的真實值后，根據(jù)優(yōu)化損失函數(shù)計算真實值與數(shù)據(jù)標(biāo)簽的誤差，更新網(wǎng)絡(luò)連接權(quán)值和偏置量。

(4) 迭代訓(xùn)練。當(dāng)訓(xùn)練集中所有數(shù)據(jù)都被抽取訓(xùn)練，完成一次迭代訓(xùn)練，訓(xùn)練數(shù)加1。然后使用當(dāng)前狀態(tài)的網(wǎng)絡(luò)對測試數(shù)據(jù)集進(jìn)行分類，得到分類準(zhǔn)確率、目標(biāo)損失率和雜波濾除率。80次迭代訓(xùn)練后，停止訓(xùn)練。

3 訓(xùn)練結(jié)果

每次迭代后打印結(jié)果，訓(xùn)練集和驗證集數(shù)據(jù)準(zhǔn)確率、損失函數(shù)以及學(xué)習(xí)率隨迭代次數(shù)變化如圖7所示。

圖7 訓(xùn)練集數(shù)據(jù)準(zhǔn)確率、損失函數(shù)和學(xué)習(xí)率變化圖

圖8是最后幾組迭代結(jié)果截圖，圖9和圖10是目標(biāo)損失率和雜波濾除率隨迭代次數(shù)變化圖。

圖8 最后幾組迭代結(jié)果圖

圖9 目標(biāo)損失率變化圖

圖10 雜波濾除率變化圖

優(yōu)化損失函數(shù)后，經(jīng)過多次迭代，目標(biāo)損失率只有0.04左右，雜波濾除率為0.93左右，準(zhǔn)確率也達(dá)到0.94左右，表明提取的雷達(dá)點跡多維特征信息以及用卷積神經(jīng)網(wǎng)絡(luò)的方法能夠?qū)走_(dá)點跡進(jìn)行分類。

4 結(jié)束語

本文利用卷積神經(jīng)網(wǎng)絡(luò)研究雷達(dá)點跡分類問題，對雷達(dá)點跡質(zhì)量進(jìn)行評估。根據(jù)工程經(jīng)驗提取雷達(dá)點跡多維特征信息作為輸入，針對性地優(yōu)化損失函數(shù)，通過測試集數(shù)據(jù)驗證模型效果，在高準(zhǔn)確率的同時使目標(biāo)損失率下降到可接受范圍。

當(dāng)有點跡數(shù)據(jù)時，利用本文保存的卷積神經(jīng)網(wǎng)絡(luò)模型對點跡進(jìn)行分類，分類結(jié)果可以為后續(xù)的航跡起始以及虛假航跡剔除提供技術(shù)支撐，最終達(dá)到減少雜波環(huán)境下虛假航跡數(shù)量的目的。