陳新來

(海軍蚌埠士官學(xué)校，安徽蚌埠 233012)

0 引言

戰(zhàn)爭條件下，目標(biāo)屬性信息的獲取具有很大的不確定性，更使得海戰(zhàn)場目標(biāo)的識別面臨很大的困難。能否對目標(biāo)進(jìn)行準(zhǔn)確快速識別關(guān)系到戰(zhàn)場的勝負(fù)，各國都致力于目標(biāo)識別技術(shù)的研究。目前采用的目標(biāo)識別方法主要有基于隸屬度和D-S理論的目標(biāo)識別［1－3］、基于貝葉斯網(wǎng)絡(luò)的目標(biāo)識別［4］、模糊聚類和模糊模式識別［5］、圖像融合的目標(biāo)識別［6］和一些智能方法［7－8］等。這些方法綜合運用目標(biāo)的物理特征和戰(zhàn)術(shù)特征對目標(biāo)進(jìn)行識別將可以提高對目標(biāo)類型識別的準(zhǔn)確性和科學(xué)性，但同時也增加了指標(biāo)的復(fù)雜性和綜合分析的難度。隨著傳感器技術(shù)的發(fā)展使海戰(zhàn)場可以獲得的目標(biāo)信息空前廣泛，涉及運動特征、電磁特征、聲響特征、影像特征等各個方面，將傳感器得到的信息全部用于對目標(biāo)的識別，冗余信息的加入使得識別復(fù)雜性增加，識別速度大大減慢，無關(guān)信息的加入甚至?xí)鼓繕?biāo)識別中出現(xiàn)較多的誤判。而海戰(zhàn)場態(tài)勢分析對目標(biāo)的識別速度與準(zhǔn)確度要求是很高的。

可以將統(tǒng)計分析與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，首先運用多元統(tǒng)計分析中的主成分分析法對海上目標(biāo)的多項指標(biāo)進(jìn)行綜合聚集，將海上目標(biāo)繁雜的高維價值指標(biāo)濃縮為互不相關(guān)的低維指標(biāo)來處理，借助神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)，而且有一定的泛化能力的特點，能夠?qū)ξ丛跇颖局谐霈F(xiàn)的目標(biāo)進(jìn)行正確識別。提高識別速度和準(zhǔn)確度。

1 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標(biāo)識別

1.1 主成分分析用于屬性聚集

主成分分析(principal component analysis，PCA)是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分(即綜合變量)的統(tǒng)計分析方法。這些主成分能夠反映原始變量的絕大部分信息，它們通常表示為原始變量的某種線性組合。主成分分析的一般目的是變量的降維和主成分的解釋。海戰(zhàn)場目標(biāo)識別中采用主成分分析法進(jìn)行屬性聚集的步驟如下:

Step 1: 計算相關(guān)系數(shù)矩陣

式中:R 為實對稱矩陣;rij(i，j=1，2，…，p)為原變量xi與xj之間的相關(guān)系數(shù)。

Step 2: 計算特征值與特征向量

Step 3: 計算主成分貢獻(xiàn)率及累計貢獻(xiàn)率

主成分zi的貢獻(xiàn)率為

累計貢獻(xiàn)率為

一般累計貢獻(xiàn)率達(dá)85% ～95%的特征值λ1，λ2，…，λm所對應(yīng)的第一、第二，…，第 m(m≤p)個主成分。

1．2 基于BP神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標(biāo)識別

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)在神經(jīng)解剖學(xué)、神經(jīng)生理學(xué)以及神經(jīng)元的電生理過程等研究基礎(chǔ)上，借助數(shù)學(xué)和物理方法從信息處理的角度對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，建立簡化模型［9－10］。在模式識別/分類中BP網(wǎng)絡(luò)應(yīng)用最廣泛，是前饋網(wǎng)絡(luò)的核心。用于海上目標(biāo)識別的BP神經(jīng)網(wǎng)絡(luò)設(shè)計方法如下。

Step 1: 確定網(wǎng)絡(luò)層數(shù)

BP神經(jīng)網(wǎng)絡(luò)可以包含不同的隱層，理論上已經(jīng)證明，在模式樣本相對較少的情況下，較少的隱層節(jié)點，可以實現(xiàn)模式樣本空間的超平面劃分，此時選擇兩層BP網(wǎng)絡(luò)就可以了;當(dāng)模式樣本數(shù)很多時，減小網(wǎng)絡(luò)規(guī)模增加一個隱層是必要的，但BP網(wǎng)絡(luò)隱層數(shù)一般不超過兩層。采用主成分分析法與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別時采用兩層BP網(wǎng)絡(luò)。

Step 2: 確定輸入層與輸出層節(jié)點數(shù)

輸入層節(jié)點數(shù)等于輸入矢量的維數(shù)即主成分?jǐn)?shù)。輸出層節(jié)點數(shù)為待分類模式總數(shù)，此時對應(yīng)第j個待分類模式的輸出為

即第j個節(jié)點輸出為1，其余輸出均為0。而以輸出全為0表示拒識，即所輸入的模式不屬于待分類模式中任何一種模式。

Step 3: 隱層節(jié)點數(shù)

對于一個具有無限隱層節(jié)點的兩層BP網(wǎng)絡(luò)可以實現(xiàn)任意從輸入到輸出的非線性映射。但對于有限個輸入模式到輸出模式的映射，并不需要無限個隱層節(jié)點。對于模式識別/分類的BP網(wǎng)絡(luò)，根據(jù)經(jīng)驗可以參照如下公式進(jìn)行設(shè)計:

式中:n為隱層節(jié)點數(shù);ni為輸入節(jié)點數(shù);n0為輸出節(jié)點數(shù);a為1～10之間的常數(shù)。

Step 4: 傳輸函數(shù)

BP網(wǎng)絡(luò)中傳輸函數(shù)通常采用S(sigmoid)型函數(shù):

采用BP網(wǎng)絡(luò)進(jìn)行模式識別，一般采用S型函數(shù)。因此在進(jìn)行海戰(zhàn)目標(biāo)識別時，采用S型函數(shù)作為神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。

Step 5: 訓(xùn)練方法

BP網(wǎng)絡(luò)學(xué)習(xí)方法很多，這些方法具有自己的特點。理論和實踐證明將彈性BP算法(resilient back－PROPagation，RPROP)進(jìn)行訓(xùn)練應(yīng)用于模式識別時，其速度是最快的［11－12］。同時，為了提高 BP 網(wǎng)絡(luò)的泛化能力，采用提高BP網(wǎng)絡(luò)泛化能力的策略。進(jìn)行海上目標(biāo)識別采用RPROP算法進(jìn)行訓(xùn)練以提高網(wǎng)絡(luò)收斂速度和識別效率，同時采用提前終止法提高網(wǎng)絡(luò)的泛化能力。

將各主成分的得分作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，各種優(yōu)化策略的采用使得算法具有較高的收斂速度和泛化能力。然后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對已知樣本和未知樣本進(jìn)行識別來測試算法的有效性。

2 海戰(zhàn)場識別屬性的確定及目標(biāo)類型的劃分

海戰(zhàn)場用于目標(biāo)識別的技術(shù)手段主要有雷達(dá)、ESM、光電傳感器和雷達(dá)成像技術(shù)［11］。綜合利用這些傳感器可以得到關(guān)于戰(zhàn)場目標(biāo)的多種信息。由這些傳感器得到的海戰(zhàn)場目標(biāo)的屬性主要包括:巡航速度、雷達(dá)反射面積、編隊數(shù)量、電磁特性、發(fā)現(xiàn)距離、航跡類型等。選取這些特性作為識別屬性，將這些屬性標(biāo)準(zhǔn)化后用于海上目標(biāo)的識別。

通過對海戰(zhàn)場目標(biāo)的特性分析，將海戰(zhàn)場目標(biāo)分為以下四類:

I類:該類目標(biāo)為航母、巡洋艦。屬于大型目標(biāo)。

II類:該類目標(biāo)為驅(qū)逐艦、護(hù)衛(wèi)艦。是各國海軍主要作戰(zhàn)艦艇。

III類:該類目標(biāo)為巡邏艇、快艇。這類目標(biāo)大都運動速度快，機(jī)動性強(qiáng)。

IV類:該類目標(biāo)為偵察船、測量船、商船、漁船等。這類目標(biāo)對我威脅度較小，一般運動較慢，航跡較固定。

3 算例仿真

根據(jù)以往的資料積累可以得到一些目標(biāo)屬性及目標(biāo)識別結(jié)果，如表1所示。

將樣本數(shù)據(jù)標(biāo)準(zhǔn)化(歸一法)后采用主成分分析法計算相關(guān)系數(shù)矩陣的特征值與貢獻(xiàn)率，如表2所示。

表1 目標(biāo)識別樣本Table 1 Sample of target recognition

表2 相關(guān)系數(shù)矩陣的特征值及貢獻(xiàn)率Table 2 Eigenvalue of the correlation coefficient matrix

將各屬性貢獻(xiàn)率與累計貢獻(xiàn)率表示為圖1，2。

若取累計貢獻(xiàn)率閾值δ=0.85，則有3個主成分，得分矩陣為S。

用得分矩陣訓(xùn)練建立好的BP神經(jīng)網(wǎng)絡(luò)，得到誤差下降曲線和目標(biāo)識別結(jié)果如圖3，4。

對訓(xùn)練結(jié)束后的網(wǎng)絡(luò)進(jìn)行測試，可以對樣本進(jìn)行100%準(zhǔn)確率的識別。對新發(fā)現(xiàn)的目標(biāo)進(jìn)行識別結(jié)果如表3所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差下降曲線Fig.3 Curve of error descending

圖4 測試樣本識別正確度Fig.4 Testing of the arithmetic

將基于主成分分析法和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法與沒有經(jīng)過屬性聚集后作為輸入的神經(jīng)網(wǎng)絡(luò)識別算法進(jìn)行對比。神經(jīng)網(wǎng)絡(luò)在相同訓(xùn)練算法和優(yōu)化策略下，2種網(wǎng)絡(luò)同時訓(xùn)練50次。沒有經(jīng)過屬性聚集的神經(jīng)網(wǎng)誤差下降曲線和目標(biāo)識別結(jié)果分別如圖5，6 所示。

表3 目標(biāo)識別測試Table 3 Target recognition testing

雖然對樣本經(jīng)過了主成分分析法和神經(jīng)網(wǎng)絡(luò)的2次計算，但由于主成分分析法去除了對識別貢獻(xiàn)率小的屬性，使識別維度大大降低，加快了神經(jīng)網(wǎng)絡(luò)的收斂速度，而主成分分析法的算法相對簡單。仿真結(jié)果表明，經(jīng)過2次運算，計算時間度并無大的改變。同時由于這些時間僅在神經(jīng)網(wǎng)絡(luò)訓(xùn)練期間產(chǎn)生，而不會影響到識別階段，因此，該方法在時間復(fù)雜度上具有一定的優(yōu)勢。

4 結(jié)束語

采用基于主成分分析和神經(jīng)網(wǎng)絡(luò)的海戰(zhàn)場目標(biāo)識別方法能夠?qū)⒍囗椬R別屬性進(jìn)行綜合聚集，各種優(yōu)化策略的使用使神經(jīng)網(wǎng)絡(luò)具有較快的收斂速度和很高泛化能力。主成分分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合既能減少識別屬性，有效利用多項識別指標(biāo)又能具有較快的識別速度和很強(qiáng)的自學(xué)能力，并具有一定的泛化能力。這種識別方法非常適合戰(zhàn)場條件下目標(biāo)屬性不易獲取或獲取不完全的情況，可以有效的對海戰(zhàn)場目標(biāo)進(jìn)行識別。最后通過對比仿真試驗證明了該方法的有效性。

［1］ 牛鵬飛，王晟達(dá)，馬?。陔`屬度和D－S理論的雷達(dá)目標(biāo)識別方法［J］．微計算機(jī)信息，2007，23(11):218－220．

［2］ 姚欽，肖明清．基于證據(jù)理論的交互式目標(biāo)識別算法［J］．系統(tǒng)工程與電子技術(shù)，2005，27(27):592－596．

［3］ 李玉榕，蔣靜坪，楊富文．基于神經(jīng)網(wǎng)絡(luò)的D－S證據(jù)理論應(yīng)用于多傳感器目標(biāo)識別［J］．儀器儀表學(xué)報，2001，22(6):652－655．

［4］ 肖秦琨．基于貝葉斯網(wǎng)絡(luò)的海上目標(biāo)識別［J］．微機(jī)發(fā)展，2005，15(10):152－154．

［5］ 眭志方，張冰，朱志宇，等．模糊聚類和模糊模式識別在目標(biāo)識別中的應(yīng)用［J］．電光與控制，2007，14(4):35－38．

［6］ 劉松濤，周曉東，楊紹清．圖像融合系統(tǒng)研究現(xiàn)狀［J］．電光與控制，2007，14(5):14－18．

［7］ BRYANT A，BRYANT J．Recognizing Shapes in Planar Binary Imagers Pattern Recognition［C］∥ Proc．Int．Comput．Symp．，1989:155－164．

［8］ 李飚，李吉成，沈振康．一種基于神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識別方法［J］．系統(tǒng)工程與電子技術(shù)，1999，21(2):39－47．

［9］ 朱大奇，史慧．人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用［M］．北京:科學(xué)出版社，2006．

［10］ MAGALI R，MEIRELES G，PAULO E，et al．Comprehensive Review for Industrial Applicability of Artificial Neural Networks［J］．IEEE Trans on Industrial Electronics，2003，50(3):585－601．

［11］ GEVREY M，DIMOPOULOS I，LEK S，et al．Review and Comparison of Methods to Study the Contribution of Variables in Artificial Neural Network models［J］．Ecological Modelling，2003，160(1):249－264．

［12］ 王強(qiáng)，胡維平，胡建平，等．基于幾何不變性和BP網(wǎng)絡(luò)的二維目標(biāo)識別算法［J］．北京航空航天大學(xué)學(xué)報，2001，27(4):413－416．