改進(jìn)AHM-TOPSIS 的智能化雷達(dá)信息處理性能評估方法 *

施端陽，林強(qiáng) ，胡冰 ，陳佳君

（1.空軍預(yù)警學(xué)院，湖北 武漢 430019；2.中國人民解放軍95174 部隊，湖北 武漢 430040）

0 引言

隨著科技的發(fā)展，新式空戰(zhàn)武器和復(fù)雜電磁對抗手段層出不窮，擔(dān)負(fù)防空預(yù)警任務(wù)的雷達(dá)裝備面臨著更加嚴(yán)峻的考驗。傳統(tǒng)體制的雷達(dá)難以滿足信息化、智能化戰(zhàn)爭的需求，急需發(fā)展新的雷達(dá)技術(shù)。當(dāng)前，人工智能技術(shù)逐漸成熟，在武器裝備領(lǐng)域的應(yīng)用愈發(fā)廣泛。國內(nèi)外學(xué)者也對人工智能技術(shù)與雷達(dá)技術(shù)深度融合產(chǎn)生了濃厚的興趣，智能化雷達(dá)技術(shù)已成為雷達(dá)領(lǐng)域的研究熱點。

雖然行業(yè)內(nèi)對智能化雷達(dá)的概念比較模糊，暫時還沒有統(tǒng)一的定義，但可將智能化雷達(dá)大致理解為人工智能技術(shù)與雷達(dá)技術(shù)相融合的新型雷達(dá)系統(tǒng)。根據(jù)目前的研究成果，可將智能化雷達(dá)分為廣義和狹義2 種。廣義的智能化雷達(dá)是采用部分人工智能技術(shù)的雷達(dá)，狹義的智能化雷達(dá)是廣泛采用人工智能技術(shù)的強(qiáng)智能雷達(dá)［1-2］。前者為智能化雷達(dá)的初級階段，后者為高級階段。由于智能化雷達(dá)的研究尚處于起步階段，本文的智能化雷達(dá)指的是廣義的智能化雷達(dá)，為智能化雷達(dá)的初級階段。文獻(xiàn)［3］指出智能化雷達(dá)由初級向高級演進(jìn)的關(guān)鍵技術(shù)之一是智能信息處理技術(shù)，包含了目標(biāo)檢測、識別和雜波抑制等內(nèi)容。因此，本文從智能化檢測技術(shù)、智能化識別技術(shù)和智能化剩余雜波抑制技術(shù)3個方面入手，對不同方案的智能化雷達(dá)信息處理性能進(jìn)行評估，以便篩選出最優(yōu)的智能化雷達(dá)技術(shù)方案。

目前，公開資料中對智能化雷達(dá)性能進(jìn)行評估的研究不多，彭志剛等［4］設(shè)計了雷達(dá)智能抗干擾評估仿真系統(tǒng)，從干擾信號感知能力和抗干擾擬制能力2 個方面構(gòu)建評估指標(biāo)體系，對智能雷達(dá)抗干擾性能進(jìn)行了評估。本文通過構(gòu)建智能化雷達(dá)信息處理性能評估指標(biāo)體系，使用改進(jìn)的屬性層次模型（attribute hierarchical model，AHM）對 指 標(biāo) 進(jìn) 行 賦權(quán)，通過改進(jìn)的逼近理想解排序法（technique for order preference by similarity to ideal solution method，TOPSIS）進(jìn)行評估，為智能化雷達(dá)信息處理性能評估提供了一種思路。

1 智能化雷達(dá)信息處理性能評估指標(biāo)體系構(gòu)建

當(dāng)前，傳統(tǒng)雷達(dá)主要由天饋、發(fā)射、接收、信號處理和終端顯示等分系統(tǒng)組成［5］，其工作過程如圖1所示。傳統(tǒng)雷達(dá)的整個工作鏈路呈現(xiàn)開環(huán)的狀態(tài)；目標(biāo)檢測、跟蹤和識別分別獨立進(jìn)行；信息處理對歷史信息應(yīng)用能力弱，未將歷史信息和當(dāng)前信息進(jìn)行關(guān)聯(lián)，提取特征量有限，導(dǎo)致對回波信號的感知能力弱。另外，傳統(tǒng)雷達(dá)的信號處理主要采用脈沖壓縮、動目標(biāo)顯示、滑窗和視頻積累檢測、恒虛警檢測以及動目標(biāo)檢測等方法抑制雜波、檢測目標(biāo)。但由于雷達(dá)工作環(huán)境中地物雜波、氣象雜波、類目標(biāo)雜波和噪聲的影響，傳統(tǒng)雷達(dá)信號處理方法無法完全濾除雜波，仍然會留下一定數(shù)量的剩余雜波點跡，給后續(xù)的數(shù)據(jù)處理帶來困難。

圖1 傳統(tǒng)雷達(dá)工作過程示意圖Fig.1 Working process of conventional radar

智能化雷達(dá)在傳統(tǒng)雷達(dá)的基礎(chǔ)上增加數(shù)據(jù)庫和評估反饋模塊，數(shù)據(jù)庫可存儲歷史信息和當(dāng)前信息，對信息進(jìn)行充分利用；評估反饋模塊形成了感知-智能處理-推理預(yù)測-控制-感知的閉環(huán)鏈路。智能化雷達(dá)工作過程如圖2 所示。智能化雷達(dá)信息處理與傳統(tǒng)雷達(dá)信號處理和數(shù)據(jù)處理不同，在采用傳統(tǒng)雷達(dá)信號處理方法基礎(chǔ)上，對脈沖壓縮后形成的雷達(dá)原始圖像從圖像層面采用人工智能技術(shù)對目標(biāo)進(jìn)行檢測和識別，然后對檢測后形成的雷達(dá)點跡從點跡分類角度出發(fā)，通過人工智能技術(shù)構(gòu)建雷達(dá)點跡分類器模型來區(qū)分目標(biāo)點跡和雜波點跡，保留分類為目標(biāo)的點跡，濾除分類為雜波的點跡，從而實現(xiàn)剩余雜波抑制。因此，傳統(tǒng)雷達(dá)的信號處理過程為雜波抑制-目標(biāo)檢測-目標(biāo)識別，智能化雷達(dá)信息處理過程為目標(biāo)檢測-目標(biāo)識別-剩余雜波抑制。

圖2 智能化雷達(dá)工作過程示意圖Fig.2 Working process of intelligent radar

雷達(dá)信息處理系統(tǒng)是采用先進(jìn)的信號處理技術(shù)，實現(xiàn)對環(huán)境特性的感知、對感興趣信號的提取和識別、對干擾和雜波的抑制，完成雷達(dá)信號處理和數(shù)據(jù)處理功能的系統(tǒng)［6］。智能化雷達(dá)信息處理主要是利用深度學(xué)習(xí)等人工智能技術(shù)實現(xiàn)雷達(dá)智能目標(biāo)檢測、智能目標(biāo)識別和智能雜波抑制等功能［7］。因此，智能化雷達(dá)信息處理性能評估指標(biāo)體系可分為智能化檢測技術(shù)指標(biāo)、智能化識別技術(shù)指標(biāo)和智能化剩余雜波抑制技術(shù)指標(biāo)3 部分。各指標(biāo)的含義如下：

（1） 智能化檢測技術(shù)指標(biāo)，由構(gòu)建的深度學(xué)習(xí)目標(biāo)檢測模型的性能引出，包含檢測率［8］（%）、虛警率［9］（%）、檢測模型訓(xùn)練耗時（s）和模型檢測耗時（s）等。

檢測率為目標(biāo)檢測模型在測試集中正確檢測出位置的目標(biāo)數(shù)量與雷達(dá)目標(biāo)總數(shù)之比，計算公式為

式中：TP為被正確檢測出的雷達(dá)目標(biāo)數(shù)量；T為測試集中雷達(dá)目標(biāo)總數(shù)。

虛警率為目標(biāo)檢測模型在測試集中將背景誤判為目標(biāo)的數(shù)量與雷達(dá)目標(biāo)總數(shù)之比，計算公式為

式中：FP為將背景誤檢為雷達(dá)目標(biāo)的數(shù)量；T為測試集中雷達(dá)目標(biāo)總數(shù)。

檢測模型訓(xùn)練耗時為目標(biāo)檢測模型在訓(xùn)練集上訓(xùn)練完畢所消耗的時間。

模型檢測耗時為訓(xùn)練好的目標(biāo)檢測模型檢測單張圖像需要的時間。

（2） 智能化識別技術(shù)指標(biāo)，由構(gòu)建的深度學(xué)習(xí)目標(biāo)識別模型的性能引出，包含平均識別率［10］（%）、識別模型訓(xùn)練耗時（s）和模型識別耗時（s）等。

平均識別率為目標(biāo)識別模型正確識別出的各類目標(biāo)數(shù)量與各類目標(biāo)總數(shù)之比的均值，計算公式為

式中：Ni為第i類識別正確的目標(biāo)樣本數(shù)；Mi為第i類目標(biāo)樣本總數(shù)；L為測試集中目標(biāo)種類數(shù)。

識別模型訓(xùn)練耗時為目標(biāo)識別模型在訓(xùn)練集上訓(xùn)練完畢所消耗的時間。

模型識別耗時為訓(xùn)練好的目標(biāo)識別模型識別單張圖像需要的時間。

（3） 智能化剩余雜波抑制技術(shù)指標(biāo)，由構(gòu)建的機(jī)器學(xué)習(xí)點跡分類器模型的性能引出，包含召回率（%）、準(zhǔn)確率［11］（%）、雜波殘余率［12］（%）、雜波抑制模型訓(xùn)練耗時（s）和模型抑制雜波耗時（s）等。

召回率為點跡分類器模型正確分類的目標(biāo)點跡與目標(biāo)點跡總數(shù)之比，計算公式為

式中：nTP為被正確分類的目標(biāo)點跡數(shù)量；nFN為被錯分為雜波點跡的目標(biāo)點跡數(shù)量。

準(zhǔn)確率為點跡分類器模型正確分類的目標(biāo)點跡和雜波點跡與點跡總數(shù)之比，計算公式為

式中：nTP為被正確分類的目標(biāo)點跡數(shù)量；nTN為被正確分類的雜波點跡數(shù)量；nTOTAL為點跡總數(shù)。

雜波殘余率為點跡分類器模型錯分為目標(biāo)點跡的雜波點跡數(shù)量與雜波點跡總數(shù)之比，計算公式為

式中：nFP為被錯分為目標(biāo)點跡的雜波點跡數(shù)量；nTN為被正確分類的雜波點跡數(shù)量。

雜波抑制模型訓(xùn)練耗時為點跡分類器模型在訓(xùn)練集上訓(xùn)練完畢所消耗的時間。

模型抑制雜波耗時為訓(xùn)練好的點跡分類器模型在測試集上判別點跡類別需要的時間。

根據(jù)智能化雷達(dá)信息處理包含的主要技術(shù)，構(gòu)建如圖3 的智能化雷達(dá)信息處理性能評估指標(biāo)體系。

圖3 智能化雷達(dá)信息處理性能評估指標(biāo)體系Fig.3 Evaluation index system of intelligent radar information processing performance

2 改進(jìn)AHM 賦權(quán)法

圖3 中的評估指標(biāo)體系是對智能化雷達(dá)信息處理性能進(jìn)行評估的基礎(chǔ)，每一個指標(biāo)都從不同的角度反映了信息處理的某種特性。但是各指標(biāo)對智能化雷達(dá)信息處理性能的影響程度并不完全相同，因此需要對各指標(biāo)賦予相應(yīng)的權(quán)重，以反映各指標(biāo)的相對重要程度。

2.1 AHM 賦權(quán)法原理

AHM 是一種通過相對屬性求解得到指標(biāo)權(quán)重的 賦 權(quán) 方 法［13］。AHM 由 層 次 分 析 法（analytic hierarchy process，AHP）［14］改 進(jìn) 而 來，不 僅 繼 承 了AHP 簡便、高效的特點，還具有無需計算特征向量和一致性檢驗的優(yōu)點，在評估領(lǐng)域得到了廣泛應(yīng)用。

AHM 對指標(biāo)賦權(quán)時，假設(shè)評估對象A有n個指標(biāo)(a1，a2，…，an)，專家按照表1 中的比例標(biāo)度分別給出2 個指標(biāo)ai和aj相比較得出的重要度bij，從而得到兩兩比較判斷矩陣(bij)n×n。比較判斷矩陣中的元素bij具有以下性質(zhì)：bij＞0，bii= 1，bij= 1/bji。為了比較不同指標(biāo)ai和aj對評估對象的影響程度大小，將ai和aj對評估對象A的相對重要性分別記為aij和aji。由相對重要性aij組成屬性判斷矩陣(aij)n×n。根據(jù)屬性測度的要求［15］，相對重要性aij和aji應(yīng)滿足：aij＞0，aji＞0，aii= 0，aij+aji= 1。

表1 比例標(biāo)度的含義Table 1 Meaning of proportion scale

相對重要性aij可根據(jù)標(biāo)度bij計算得出

式中：K為大于等于2 的正整數(shù)；β≥1。

根據(jù)AHM 賦權(quán)法，各相對屬性的權(quán)重為

式中：m為某指標(biāo)所屬下一級指標(biāo)的個數(shù)。

最底層指標(biāo)相對于評估對象A的合成權(quán)重為

式中：WBk為各一級指標(biāo)Bk(k= 1，2，…，s)相對于評估對象A的權(quán)重；WCkp為一級指標(biāo)Bk所屬的二級指標(biāo)Ckp(p= 1，2，…，q)相對于一級指標(biāo)Bk的權(quán)重。

2.2 AHM 賦權(quán)法的改進(jìn)

在研究中，發(fā)現(xiàn)式（7）中參數(shù)β的取值比較隨意，文獻(xiàn)［16］中β取值為1，文獻(xiàn)［17］中β取值為2，均未說明相應(yīng)的取值依據(jù)。且β取不同值時會得到不同的屬性判斷矩陣，從而得到不同的指標(biāo)權(quán)重。針對此問題，本文在AHM 法中引入評分標(biāo)度，將比例標(biāo)度bij轉(zhuǎn)化為具有可加性的評分標(biāo)度，避免因參數(shù)取值不同導(dǎo)致的權(quán)重差異。

評分標(biāo)度uij表示指標(biāo)ai和指標(biāo)aj在對評估對象A進(jìn)行相對重要度比較時，指標(biāo)ai的重要性得分；相應(yīng)地，uji則表示指標(biāo)aj的重要性得分。評分標(biāo)度uij可由比例標(biāo)度bij根據(jù)式（10）轉(zhuǎn)化得到：

因此通過專家打分得到兩兩比較判斷矩陣(bij)n×n后，可 通 過 式（10）得 到 評 分 標(biāo) 度 判 斷 矩 陣(uij)n×n。

根據(jù)評分標(biāo)度uij的可加性，經(jīng)過n次比較后，指標(biāo)ai獲得的重要性得分之和為

在進(jìn)行n2次比較后，除了n次與自身比較得分為0 外，指標(biāo)ai與指標(biāo)aj以及指標(biāo)aj與指標(biāo)ai各比較了n(n- 1)/2 次，最終指標(biāo)ai的重要度得分率，即權(quán)重為

3 改進(jìn)TOPSIS 的智能化雷達(dá)信息處理性能評估模型

TOPSIS 法是一種多指標(biāo)評估方法，構(gòu)造智能化雷達(dá)信息處理方案的正、負(fù)理想解作為評估各方案的基準(zhǔn)，通過計算待評估方案到正、負(fù)理想解的接近程度來評判方案的優(yōu)劣［18］。

3.1 TOPSIS 法原理

假設(shè)智能化雷達(dá)信息處理有m個備選方案，即方案集合為X={x1，x2，…，xm}，評價方案優(yōu)劣的指標(biāo)有n個。在TOPSIS 評估模型中，這n個評估指標(biāo)的數(shù)值構(gòu)成屬性向量Y={y1，y2，…，yn}。此時某一方案xi(i= 1，2，…，m)的n個屬性值構(gòu)成屬性向量Yi={yi1，yi2，…，yin}，所有方案的屬性向量可構(gòu)成決策 矩 陣Y= (yij)m×n。在n維 空 間 中，向 量Yi可 視 為空間中的一個點，該點能夠唯一地表示一個方案xi。在該空間中假設(shè)存在2 個點，其中一個點的每個屬性值都是決策矩陣中該屬性的最優(yōu)值，另一個點的每個屬性值都是決策矩陣中該屬性的最劣值，前者記為正理想解x*，后者記為負(fù)理想解x0。在n維空間中，對每個待評價方案xi到正理想解x*和負(fù)理想解x0的距離進(jìn)行比較，其中與正理想解距離最近且與負(fù)理想解距離最遠(yuǎn)的方案為最優(yōu)方案。按照此方法依次對方案集合中所有方案的優(yōu)劣性進(jìn)行排序。

TOPSIS 法的計算步驟如下［19］：

step 1：計算規(guī)范化決策矩陣。已知決策矩陣Y= (yij)m×n，則 規(guī) 范 化 決 策 矩 陣Z= (zij)m×n可 通 過式（13）得到：

step 2：計算加權(quán)規(guī)范矩陣X= (xij)m×n。若各屬性的權(quán)重向量為W= (w1，w2，…，wn)T，則加權(quán)規(guī)范矩陣中的元素為

step 3：計算正理想解x*和負(fù)理想解x0。假設(shè)正理想解x*和負(fù)理想解x0的第j個屬性值分別為和，則

step 4：計算各方案到正理想解的歐式距離。方案xi到正理想解的距離為

方案xi到負(fù)理想解的距離

step 5：計算各方案的綜合評 數(shù)?？筛鶕?jù)方案xi的綜合評估指數(shù)ci的大小來判定各方案的優(yōu)劣次序：

TOPSIS 法計算方便，結(jié)果客觀。但也有不足之處［20］：可能存在某種方案與正理想解歐式距離近的同時與負(fù)理想解歐氏距離也近的情況，導(dǎo)致無法判斷方案的優(yōu)劣性。

3.2 改進(jìn)TOPSIS 法

針對TOPSIS 法存在的不足，將其與灰色關(guān)聯(lián)分析法結(jié)合，構(gòu)造改進(jìn)的灰色理想值逼近模型。該模型將歐式距離改為灰色關(guān)聯(lián)度，根據(jù)各方案的灰色關(guān)聯(lián)貼近度判斷優(yōu)劣。

改進(jìn)的TOPSIS 法舍棄step 2，由step 1 得到規(guī)范 化 決 策 矩 陣Z= (zij)m×n后，直 接 在step 3 中 通 過規(guī)范化決策矩陣得出正理想解z*和負(fù)理想解z0。此時，式（15），（16）應(yīng)改為

將step 4 中的歐式距離改為灰色關(guān)聯(lián)系數(shù)，計算各方案與正、負(fù)理想解關(guān)于第j個屬性的灰色關(guān)聯(lián)系數(shù)：

最后計算各方案的灰色關(guān)聯(lián)貼近度：

4 實例分析

某型雷達(dá)智能化信息處理主要涉及智能化目標(biāo)檢測、智能化目標(biāo)識別和智能化剩余雜波抑制3個方面。其中，智能化目標(biāo)檢測有Faster R-CNN 和YOLO 2 種基于深度學(xué)習(xí)的目標(biāo)檢測模型；智能化目標(biāo)識別有AlexNet 和VGGNet-16 2 種基于深度學(xué)習(xí)的目標(biāo)識別模型；智能化剩余雜波抑制有改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)［21］、競爭神經(jīng)網(wǎng)絡(luò)［22］、GA-BP 神經(jīng)網(wǎng)絡(luò)［23］和LVQ 神經(jīng)網(wǎng)絡(luò)4 種基于機(jī)器學(xué)習(xí)的點跡分類模型。智能化剩余雜波抑制中的競爭神經(jīng)網(wǎng)絡(luò)為無監(jiān)督學(xué)習(xí)方法，適用于機(jī)動雷達(dá)初次架設(shè)時無法獲得大量帶標(biāo)簽的訓(xùn)練樣本的情形，其余3 種方法均為有監(jiān)督學(xué)習(xí)方法，適用于固定雷達(dá)日常戰(zhàn)備值班的情形。因此，智能化雷達(dá)信息處理共有16 種方案組合，其中適用于機(jī)動雷達(dá)初次架設(shè)的有4 種組合，適用于固定雷達(dá)日常戰(zhàn)備值班的有12 種組合，各方案組合情況見表2。

表2 智能化雷達(dá)信息處理方案Table 2 Intelligent radar information processing schemes

通過民航、軍航檢飛的方式對智能化雷達(dá)信息處理性能進(jìn)行評估。具體步驟為采集實際工作中民航和軍航的雷達(dá)回波數(shù)據(jù)，通過智能化雷達(dá)信息處理技術(shù)對雷達(dá)回波數(shù)據(jù)進(jìn)行智能檢測、智能識別和剩余雜波智能抑制，再根據(jù)檢測、識別和雜波抑制的效果，采用改進(jìn)AHM-TOPSIS 法對該型雷達(dá)智能化信息處理16 種方案的性能進(jìn)行評估，得到最優(yōu)的方案組合。經(jīng)過前期的研究，該型雷達(dá)智能化信息處理性能評估各指標(biāo)的指標(biāo)值如表3 所示。

表3 智能化雷達(dá)信息處理性能評估指標(biāo)值Table 3 Evaluation index value of intelligent radar information processing performance

4.1 改進(jìn)AHM 法計算指標(biāo)權(quán)重

邀請專家根據(jù)表1 所示的比例標(biāo)度，對圖3 中的一級指標(biāo)B1，B2，B3分別進(jìn)行兩兩比較，得到判斷

矩陣：

同理，得出B1所屬的4 個二級指標(biāo)的判斷矩陣B1，B2所屬的3 個二級指標(biāo)的判斷矩陣B2，B3所屬的5 個二級指標(biāo)的判斷矩陣B3：

由式（10）可得到評分標(biāo)度判斷矩陣

由式（12）可得到各指標(biāo)的相對權(quán)重：組合向量WBi=（0.400 0，0.333 3，0.266 7）；

組 合 向 量WC1j=（0.341 7，0.300 0，0.091 7，0.266 6）；

組合向量WC2j=（0.500 0，0.116 7，0.383 3）；

組 合 向 量WC3j=（0.280 0，0.215 0，0.245 0，0.075 0，0.185 0）；

由式（9）可得到各指標(biāo)相對于智能化雷達(dá)信息處理性能的權(quán)重

WAHM=（0.136 7，0.120 0，0.036 7，0.106 6，0.166 7，0.038 9，0.127 8，0.074 7，0.057 3，0.065 3，0.020 0，0.049 3）。

4.2 改進(jìn)TOPSIS 法評估智能化雷達(dá)信息處理性能

表3 中各方案的指標(biāo)值即為決策矩陣Y=(yij)m×n中各元素的值。由式（13）消除量綱影響，得到規(guī)范化決策矩陣

在圖3 中，指標(biāo)C11，C21，C31和C32為效益型指標(biāo)，指 標(biāo)C12，C13，C14，C22，C23，C33，C34和C35為 成 本 型 指標(biāo)，由式（20）～（21）可計算出正理想解z*和負(fù)理想解z0：

z*=（0.262 6，0.228 4，0.136 9，0.077 2，0.267 6，0.044 0，0.200 7，0.267 1，0.253 0，0.226 6，0.000 1，0.210 9），

z0=（0.236 7，0.269 8，0.326 0，0.345 0，0.231 1，0.350 8，0.291 0，0.241 9，0.247 9，0.303 1，0.409 5，0.294 3）.

由式（24）～（25）得到各方案與正、負(fù)理想解的灰色關(guān)聯(lián)度

R*=（0.833 6，0.734 4，0.929 9，0.827 2，0.867 0，0.859 1，0.865 9，0.771 5，0.764 5，0.778 2，0.960 1，0.949 3，0.944 2，0.864 2，0.857 3，0.856 6），

R0=（0.844 7，0.933 3，0.752 0，0.845 5，0.847 3，0.850 6，0.853 2，0.935 0，0.938 3，0.947 0，0.769 0，0.772 3，0.760 5，0.856 7，0.860 0，0.855 3）.

由式（26）得到各方案的灰色關(guān)聯(lián)貼近度：

Qi=（0.496 7，0.440 4，0.552 9，0.494 5，0.505 7，0.502 5，0.503 7，0.452 1，0.449 0，0.451 1，0.555 3，0.551 4，0.553 9，0.502 2，0.499 2，0.500 4）.

由式（13）～（19）可得出原TOPSIS 法中各方案的綜合評估指數(shù)：

ci=（0.389 4，0.181 2，0.763 7，0.587 7，0.425 8，0.423 5，0.389 9，0.268 5，0.263 1，0.192 6，0.833 6，0.832 0，0.747 3，0.619 2，0.617 9，0.582 8）.

方案1～4 中剩余雜波抑制方法為無監(jiān)督學(xué)習(xí)，適用于初次架設(shè)，方案5～16 中剩余雜波抑制方法為有監(jiān)督學(xué)習(xí)，適用于固定值班，2 類方案沒有可比性。因此，2 類方案需要分開排序。根據(jù)改進(jìn)后TOPSIS 法灰色關(guān)聯(lián)貼近度Qi的大小，判定各方案的優(yōu)劣性。適用于初次架設(shè)的方案排序為：方案3＞方案1＞方案4＞方案2。適用于固定值班的方案排序為：方案11＞方案13＞方案12＞方案5＞方案7＞方案6＞方案14＞方案16＞方案15＞方案8＞方案10＞方案9。由原TOPSIS 法綜合評估指數(shù)ci的大小，得到改進(jìn)前的TOPSIS 評估方法判定各方案的優(yōu)劣性。適用于初次架設(shè)的方案排序為：方案3＞方案4＞方案1＞方案2。適用于固定值班的方案排序為：方案11＞方案12＞方案13＞方案14＞方案15＞方案16＞方案5＞方案6＞方案7＞方案8＞方案9＞方案10。

改進(jìn)前后TOPSIS 法的評估結(jié)果中，適用于初次架設(shè)和固定值班的最優(yōu)方案相同，均分別為方案3 和方案11。因此可認(rèn)為，該型雷達(dá)智能化信息處理方案中，適用于初次架設(shè)的最優(yōu)方案為方案3，即智能化檢測技術(shù)采用YOLO 目標(biāo)檢測模型，智能化識別技術(shù)采用AlexNet 目標(biāo)識別模型，智能化剩余雜波抑制技術(shù)采用競爭神經(jīng)網(wǎng)絡(luò)點跡分類模型。適用于固定值班的最優(yōu)方案為方案11，即智能化檢測技術(shù)采用YOLO 目標(biāo)檢測模型，智能化識別技術(shù)采用AlexNet 目標(biāo)識別模型，智能化剩余雜波抑制技術(shù)采用BP 神經(jīng)網(wǎng)絡(luò)點跡分類模型。但原TOPSIS 法的評估結(jié)果中各方案的綜合評估指數(shù)ci差異較大，例如最優(yōu)方案11 的綜合評估指數(shù)為0.833 6，最劣方案10 的綜合評估指數(shù)為0.192 6，該評估結(jié)果與表3 中各方案評估指標(biāo)值相近的現(xiàn)象明顯不符。而改進(jìn)TOPSIS 法的評估結(jié)果中各方案的灰色關(guān)聯(lián)貼近度Qi差異較小，例如最優(yōu)方案11 的灰色關(guān)聯(lián)貼近度為0.555 3，最劣方案9 的灰色關(guān)聯(lián)貼近度為0.449 0，該評估結(jié)果與表3 中各方案評估指標(biāo)值相近的現(xiàn)象相符。因此，可認(rèn)為改進(jìn)TOPSIS 法的評估結(jié)果更符合實際情況。

5 結(jié)束語

本文的智能化雷達(dá)信息處理技術(shù)通過某型航管一次雷達(dá)在寬帶工作模式下的雷達(dá)原始圖像構(gòu)建雷達(dá)圖像數(shù)據(jù)集，開展基于YOLO 和Faster RCNN 的智能化目標(biāo)檢測研究；經(jīng)過智能化雷達(dá)目標(biāo)檢測后，根據(jù)檢測結(jié)果剔除雷達(dá)圖像數(shù)據(jù)集中的雜波圖像，將目標(biāo)圖像予以保留構(gòu)建空中目標(biāo)數(shù)據(jù)集，開展基于AlexNet 和VGGNet 的智能化目標(biāo)識別研究；選取回波點跡的多普勒速度、回波原始幅度、回波背景幅度、濾波標(biāo)志、恒虛警類型、雜噪比等級、濾波器組類型和EP 質(zhì)量8 個特征構(gòu)建雷達(dá)回波點跡數(shù)據(jù)集，開展基于競爭神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)、GA-BP 神經(jīng)網(wǎng)絡(luò)和LVQ 神經(jīng)網(wǎng)絡(luò)的智能化剩余雜波抑制研究。文中的最優(yōu)方案與目標(biāo)特性并非完全沒有關(guān)系，需要從目標(biāo)回波數(shù)據(jù)中提取有效特征才能進(jìn)行智能化信息處理。本文的智能化算法研究僅針對某型航管一次雷達(dá)探測軍航和民航等空中目標(biāo)的場景展開，具有一定的適用范圍，對海面或地面目標(biāo)是否適用還有待進(jìn)一步研究。

本文根據(jù)智能信息處理包含的技術(shù)內(nèi)容和影響因素，構(gòu)建了智能化雷達(dá)信息處理性能評估指標(biāo)體系，通過改進(jìn)AHM 賦權(quán)法得到各評估指標(biāo)權(quán)重，利用改進(jìn)的TOPSIS 法對不同設(shè)計方案的智能化雷達(dá)信息處理性能進(jìn)行評估，從而比較出最優(yōu)的設(shè)計方案。該方法思路清晰、計算簡單能夠為智能化雷達(dá)的設(shè)計提供決策依據(jù)，具有一定的現(xiàn)實意義。