李 龍 劉 崢

?

基于訓(xùn)練特征空間分布的雷達(dá)地面目標(biāo)鑒別器設(shè)計(jì)

李 龍 劉 崢*

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

該文對(duì)雷達(dá)地面目標(biāo)高分辨1維距離像目標(biāo)識(shí)別中的庫(kù)外目標(biāo)鑒別問(wèn)題，提出一種基于訓(xùn)練特征空間分布的雷達(dá)地面目標(biāo)鑒別器。在訓(xùn)練階段利用基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)方法對(duì)庫(kù)內(nèi)目標(biāo)樣本特征空間進(jìn)行區(qū)域劃分，并采用基于空間分布的支撐向量域描述方法確定樣本特征空間的邊界與支撐向量，利用樣本特征空間邊界與加權(quán)K近鄰原則對(duì)目標(biāo)類(lèi)別進(jìn)行判決。該方法解決了庫(kù)內(nèi)目標(biāo)與庫(kù)外目標(biāo)的鑒別問(wèn)題，提高了目標(biāo)識(shí)別系統(tǒng)的總體性能。針對(duì)多種不同姿態(tài)下目標(biāo)特征空間非均勻聚合的特點(diǎn)，對(duì)訓(xùn)練樣本特征空間進(jìn)行區(qū)域劃分，減小模板匹配搜索運(yùn)算規(guī)模，保證目標(biāo)鑒別所需的實(shí)時(shí)性工作要求。最后通過(guò)仿真和實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該方法具備優(yōu)良的鑒別性能與良好的實(shí)時(shí)處理能力。

目標(biāo)鑒別；高分辨距離像；K-Means聚類(lèi)；支撐向量域描述；K近鄰分類(lèi)器

1 引言

彈載雷達(dá)地面目標(biāo)識(shí)別系統(tǒng)主要面臨的問(wèn)題是復(fù)雜環(huán)境下對(duì)特定目標(biāo)的實(shí)時(shí)鑒別。針對(duì)彈載雷達(dá)應(yīng)用背景，采用合成寬帶雷達(dá)體制生成雷達(dá)地面目標(biāo)1維高分辨距離像(High Resolution Range Profile, HRRP)用于檢測(cè)與識(shí)別。目標(biāo)HRRP反映了目標(biāo)散射點(diǎn)在雷達(dá)視線(xiàn)方向的幾何結(jié)構(gòu)信息，相對(duì)于2維雷達(dá)成像，其易于工程實(shí)現(xiàn)且實(shí)時(shí)性強(qiáng)，因此在雷達(dá)目標(biāo)識(shí)別系統(tǒng)中得到了廣泛的應(yīng)用[1]。

彈載雷達(dá)系統(tǒng)對(duì)地面場(chǎng)景進(jìn)行探測(cè)時(shí)，場(chǎng)景中包括待攻擊目標(biāo)與假目標(biāo)干擾(如鐵塔、民用車(chē)輛、路牌等)，該類(lèi)假目標(biāo)散射特性與待攻擊目標(biāo)類(lèi)似，利用目標(biāo)檢測(cè)技術(shù)無(wú)法進(jìn)行區(qū)分，需采用目標(biāo)鑒別技術(shù)進(jìn)行辨別與剔除。在實(shí)際應(yīng)用中，由于假目標(biāo)種類(lèi)繁多，幾何尺寸與物理形狀各異，無(wú)法通過(guò)實(shí)際測(cè)量與建模仿真的方式建立相應(yīng)的模板庫(kù)。針對(duì)該訓(xùn)練樣本集非完備問(wèn)題，常規(guī)最大相關(guān)系數(shù)分類(lèi)器與支撐向量機(jī)分類(lèi)器均基于二分類(lèi)構(gòu)架設(shè)計(jì)，由于嚴(yán)重的樣本規(guī)模不均衡，生成的分類(lèi)邊界無(wú)法準(zhǔn)確對(duì)樣本空間進(jìn)行劃分[2]。模式識(shí)別理論中，針對(duì)僅有部分訓(xùn)練樣本的不完備樣本庫(kù)的目標(biāo)分類(lèi)問(wèn)題，常采用單類(lèi)分類(lèi)器(One-Class Classification, OCC)[3]，如支撐向量域描述(Support Vector Domain Description, SVDD)分類(lèi)器與K近鄰(K Nearest Neighbors, KNN)分類(lèi)器。SVDD是一種典型的OCC分類(lèi)器，通過(guò)尋找支撐向量確定樣本特征區(qū)域邊界，利用邊界與待測(cè)樣本距離進(jìn)行類(lèi)別判決[4]。當(dāng)樣本特征空間分布為中心聚合時(shí)，該分類(lèi)器具有良好的性能[5]。但彈載雷達(dá)地面目標(biāo)鑒別問(wèn)題中，通過(guò)建模仿真或?qū)嶋H測(cè)量獲得目標(biāo)樣本特征空間，由于目標(biāo)HRRP的方位敏感性，造成不同角域下樣本特征空間分布的非均勻多區(qū)域聚合性，在這種情況下SVDD算法所確定的分類(lèi)邊界將包含大片非樣本目標(biāo)特征空間區(qū)域，導(dǎo)致性能的嚴(yán)重下降[6]。而針對(duì)KNN分類(lèi)器，由于訓(xùn)練樣本分布復(fù)雜，無(wú)法確定準(zhǔn)確的距離邊界閾值，且該分類(lèi)器基于模板匹配構(gòu)架，需要遍歷所有庫(kù)內(nèi)樣本，計(jì)算復(fù)雜度高，無(wú)法保證實(shí)時(shí)處理[7]。

為解決以上存在的問(wèn)題，本文首先對(duì)庫(kù)內(nèi)目標(biāo)樣本特征空間分布特性進(jìn)行分析，在此基礎(chǔ)上綜合考慮鑒別器性能指標(biāo)與彈載雷達(dá)背景下的工程可實(shí)現(xiàn)性，提出一種改進(jìn)的雷達(dá)地面目標(biāo)鑒別器。在訓(xùn)練階段利用基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)方法對(duì)庫(kù)內(nèi)目標(biāo)樣本特征空間進(jìn)行區(qū)域劃分，并采用基于空間分布的支撐向量域描述方法確定樣本特征空間的邊界與支撐向量，利用樣本特征空間邊界進(jìn)行第1次判決，并利用加權(quán)K近鄰原則，計(jì)算測(cè)試樣本與各個(gè)特征分布區(qū)域支撐向量的距離，從而得到最終判決結(jié)果。最后利用實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，通過(guò)接收機(jī)特性(Receiver Operating Characteristic, ROC)曲線(xiàn)與訓(xùn)練樣本數(shù)-時(shí)間曲線(xiàn)[7]，驗(yàn)證了本文所提出的鑒別器應(yīng)用于雷達(dá)地面目標(biāo)鑒別時(shí)，相較于現(xiàn)有鑒別器性能上有明顯優(yōu)勢(shì)，且通過(guò)特征區(qū)域預(yù)劃分，有效地減小運(yùn)算量，使得實(shí)時(shí)處理的能力得到保證。

2 特征空間分布特性分析

針對(duì)彈載雷達(dá)目標(biāo)識(shí)別系統(tǒng)存儲(chǔ)空間與時(shí)間資源有限的特點(diǎn)，采用合成寬帶雷達(dá)體制生成目標(biāo)HRRP作為識(shí)別對(duì)象。在實(shí)際應(yīng)用中，非合作目標(biāo)的類(lèi)型、距離具有不確定性，且目標(biāo)雷達(dá)散射截面積(Radar Cross Section, RCS)受雷達(dá)發(fā)射功率、目標(biāo)與雷達(dá)徑向距離、氣象環(huán)境衰減等因素的影響，體現(xiàn)在目標(biāo)HRRP上為姿態(tài)敏感性、平移敏感性與幅度敏感性[8]。目標(biāo)HRRP的3類(lèi)敏感性對(duì)目標(biāo)識(shí)別系統(tǒng)性能影響較大，需對(duì)目標(biāo)HRRP進(jìn)行平移校準(zhǔn)與幅度歸一化等預(yù)處理。

目標(biāo)特征提取是指從雷達(dá)采集到的數(shù)據(jù)中獲得表征目標(biāo)本質(zhì)特性的數(shù)值或向量，并實(shí)現(xiàn)對(duì)原有數(shù)據(jù)的降維。目標(biāo)識(shí)別系統(tǒng)中的目標(biāo)鑒別問(wèn)題，需要實(shí)時(shí)對(duì)多個(gè)未知目標(biāo)進(jìn)行判斷，以確定該目標(biāo)為庫(kù)內(nèi)目標(biāo)或庫(kù)外目標(biāo)。針對(duì)該應(yīng)用背景進(jìn)行特征選擇時(shí)，在保證庫(kù)內(nèi)目標(biāo)特征與庫(kù)外目標(biāo)特征具有強(qiáng)可分性的基礎(chǔ)上，應(yīng)選取不同類(lèi)型庫(kù)內(nèi)目標(biāo)具有共性的特征，以保證庫(kù)內(nèi)目標(biāo)特征空間的穩(wěn)定性與聚合性；另外需要目標(biāo)特征易于提取且具有低維度的特點(diǎn)，以便應(yīng)用于工程實(shí)現(xiàn)。

通過(guò)對(duì)典型庫(kù)內(nèi)目標(biāo)(如坦克目標(biāo)與雷達(dá)站目標(biāo))與庫(kù)外目標(biāo)(如角反射器、鐵塔、民用車(chē)輛等)大量實(shí)測(cè)數(shù)據(jù)進(jìn)行特征可分性分析，針對(duì)目標(biāo)鑒別的特定問(wèn)題，本文選取目標(biāo)長(zhǎng)度特征、目標(biāo)波形熵特征與目標(biāo)去尺度結(jié)構(gòu)特征組成特征向量，3類(lèi)特征互不相關(guān)，且與庫(kù)外目標(biāo)具有較強(qiáng)的可分性。目標(biāo)長(zhǎng)度特征工程實(shí)現(xiàn)靈活且具有良好的可分性，但是易受到雜波與噪聲影響，需要與其不相關(guān)特征聯(lián)合構(gòu)成特征向量；目標(biāo)波形熵與目標(biāo)HRRP的概率分布有關(guān)，與單個(gè)散射點(diǎn)的具體取值無(wú)關(guān)，可有效地避免雜波與噪聲的干擾，具有較強(qiáng)的可分性且易于工程實(shí)現(xiàn)；目標(biāo)HRRP去尺度結(jié)構(gòu)特征只與波形內(nèi)部的結(jié)構(gòu)有關(guān)，而與目標(biāo)HRRP的尺度變化(俯仰角度變化)無(wú)關(guān)，當(dāng)目標(biāo)HRRP呈現(xiàn)單峰情況時(shí)值較小，呈現(xiàn)多峰情況時(shí)值較大，該特征在較低信雜比下可以保持識(shí)別性能穩(wěn)定，具有良好的可分性并易于工程實(shí)現(xiàn)。

在建立訓(xùn)練樣本庫(kù)時(shí)，需要不同類(lèi)型的庫(kù)內(nèi)目標(biāo)特征具有空間聚合性，即具有近似的均值與較小的方差。但在保證庫(kù)內(nèi)目標(biāo)特征與庫(kù)外目標(biāo)特征具有較好可分性的基礎(chǔ)上，這種聚合性是不易達(dá)到的，本文利用多項(xiàng)式變換的方法對(duì)目標(biāo)特征進(jìn)行預(yù)處理，以這種處理后的目標(biāo)特征空間建立訓(xùn)練樣本庫(kù)。由于不同類(lèi)型庫(kù)內(nèi)目標(biāo)HRRP的姿態(tài)敏感性，變換后的目標(biāo)特征空間無(wú)法呈現(xiàn)理想的單一區(qū)域聚合特性，其體現(xiàn)出一種非均勻多區(qū)域聚合性的分布特性，如圖1所示。

圖1為坦克目標(biāo)與雷達(dá)站目標(biāo)實(shí)測(cè)數(shù)據(jù)的HRRP歸一化特征空間分布圖，由于目標(biāo)姿態(tài)角的變化，同類(lèi)目標(biāo)特征呈現(xiàn)出多區(qū)域分布特性，而不同類(lèi)型目標(biāo)特征會(huì)在區(qū)域中相互交錯(cuò)。針對(duì)目標(biāo)識(shí)別中的目標(biāo)鑒別問(wèn)題，僅需要區(qū)分庫(kù)內(nèi)目標(biāo)與庫(kù)外目標(biāo)，對(duì)不同類(lèi)型的目標(biāo)看作一個(gè)整體進(jìn)行邊界劃分。由于庫(kù)內(nèi)目標(biāo)的特征空間呈現(xiàn)多區(qū)域聚合性分

圖1 坦克目標(biāo)與雷達(dá)站目標(biāo)全角度特征空間分布

布，利用單一邊界確定的庫(kù)內(nèi)目標(biāo)特征區(qū)域會(huì)造成大量庫(kù)外目標(biāo)特征區(qū)域被包括，造成庫(kù)內(nèi)目標(biāo)特征空間擴(kuò)大，從而影響鑒別器性能。針對(duì)該問(wèn)題，本文利用基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)算法進(jìn)行特征空間區(qū)域劃分，并通過(guò)基于空間分布的SVDD算法確定特征空間中的各個(gè)子區(qū)域的邊界與支撐向量，得出準(zhǔn)確的目標(biāo)特征空間描述，以此為基礎(chǔ)進(jìn)行目標(biāo)類(lèi)別的判斷。

3 基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)算法

目標(biāo)特征空間呈現(xiàn)非均勻多區(qū)域聚合性分布，各個(gè)特征空間子區(qū)域呈現(xiàn)中心聚合性分布，采用聚類(lèi)算法對(duì)目標(biāo)特征空間進(jìn)行空間區(qū)域劃分。以各個(gè)特征空間子區(qū)域?yàn)橐粋€(gè)特征集合，鑒于其中心聚合性特點(diǎn)，利用聚類(lèi)中心作為其標(biāo)志特征。當(dāng)需要對(duì)樣本特征空間進(jìn)行遍歷搜索時(shí)，該層次結(jié)構(gòu)可以大大降低算法循環(huán)次數(shù)，加快運(yùn)算速度。

由于目標(biāo)特征空間呈現(xiàn)不定數(shù)目的多區(qū)域性分布，需要聚類(lèi)算法對(duì)初始類(lèi)中心選擇不敏感[13]，本文提出一種基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)算法，該算法的基本思想是首先進(jìn)行基于相關(guān)性的預(yù)處理以確定初始中心與類(lèi)別數(shù)目，然后運(yùn)用K-Means算法進(jìn)行細(xì)化，最后得到質(zhì)量較高的聚類(lèi)結(jié)果。

基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)算法的實(shí)現(xiàn)過(guò)程具體分為2個(gè)階段。在第1階段，通過(guò)相關(guān)系數(shù)預(yù)處理獲得初始中心與類(lèi)別數(shù)目，具體算法描述如下：

第2階段，通過(guò)K-Means聚類(lèi)算法細(xì)化初始結(jié)果，具體算法如下：

(4)對(duì)目標(biāo)特征空間中的特征向量進(jìn)行考察，計(jì)算該特征向量與各個(gè)特征區(qū)域的均值向量的距離，將該特征向量賦予其距離最小的特征區(qū)域。

(5)重新計(jì)算各個(gè)特征區(qū)域的均值向量和特征區(qū)域中特征向量的個(gè)數(shù)，更新特征區(qū)域的聚類(lèi)特征。

(6)重復(fù)步驟(4)和步驟(5)，直到特征區(qū)域中的特征向量不發(fā)生變化。

圖2為圖1中的特征向量進(jìn)行基于相關(guān)系數(shù)預(yù)處理的K-Means聚類(lèi)算法后的特征區(qū)域描述，可以看出通過(guò)聚類(lèi)算法處理，特征空間被分為3塊特征區(qū)域，各個(gè)區(qū)域呈現(xiàn)單一區(qū)域聚合特性。在算法具體實(shí)現(xiàn)中，需要對(duì)閾值進(jìn)行合理標(biāo)定，其主要功能是控制類(lèi)別數(shù)目，當(dāng)值過(guò)大時(shí)，造成特征區(qū)域過(guò)多，且各特征區(qū)域中樣本特征向量數(shù)目過(guò)少，無(wú)法體現(xiàn)特征空間的區(qū)域聚合性，且加大運(yùn)算量；當(dāng)值過(guò)小時(shí)，造成僅有一個(gè)特征區(qū)域，特征邊界中會(huì)包含大片庫(kù)外目標(biāo)區(qū)域，從而影響鑒別器性能。閾值的選取是一類(lèi)工程實(shí)踐問(wèn)題，經(jīng)過(guò)對(duì)實(shí)測(cè)數(shù)據(jù)的分析，針對(duì)目標(biāo)HRRP特征提取后對(duì)特征進(jìn)行歸一化處理后所得的特征空間，通過(guò)計(jì)算聚合區(qū)域樣本特征向量之間的相關(guān)性，本文中選取0.8作為閾值。

4 基于空間分布的SVDD算法

SVDD算法由TAX D和DUIN R最早提出，

圖2 坦克目標(biāo)與雷達(dá)站目標(biāo)特征向量聚類(lèi)后的特征區(qū)域劃分

隨后二人對(duì)SVDD算法進(jìn)行了詳細(xì)的論述，提出SVDD是一種典型的OCC分類(lèi)器，可實(shí)現(xiàn)對(duì)庫(kù)外目標(biāo)的有效鑒別。常規(guī)SVDD算法在訓(xùn)練階段僅考慮樣本間的距離關(guān)系，而未考慮樣本空間的分布情況[14]。文獻(xiàn)[15]中提出一種基于樣本密度的SVDD算法，但其僅考慮了樣本密度而未關(guān)注不同密度區(qū)域的樣本空間整體分布關(guān)系。在實(shí)際問(wèn)題中，樣本分布的密度與樣本偏離特征空間中心的程度對(duì)于描述數(shù)據(jù)同樣重要。本文根據(jù)樣本特征向量分布密度與樣本特征向量空間位置偏離設(shè)計(jì)權(quán)值，對(duì)傳統(tǒng)SVDD算法進(jìn)行改進(jìn)，使其可以更準(zhǔn)確地對(duì)訓(xùn)練樣本特征空間進(jìn)行描述。

目標(biāo)特征空間經(jīng)聚類(lèi)處理后，各個(gè)子區(qū)域呈現(xiàn)出中心聚合性分布的特點(diǎn)。針對(duì)每個(gè)特征子區(qū)域，根據(jù)其樣本空間分布情況尋找一個(gè)包含該特征區(qū)域全部樣本半徑為的超球體，同時(shí)使半徑最小，以期望獲取可以準(zhǔn)確描述特征區(qū)域全部樣本分布的一個(gè)緊湊的超球邊界。其數(shù)學(xué)表示形式為

其中，

利用拉格朗日算子求解式(1)的凸二次規(guī)劃問(wèn)題[12]：

利用對(duì)偶原理構(gòu)成新的等式：

利用各個(gè)特征區(qū)域邊界與支撐向量對(duì)測(cè)試樣本進(jìn)行判決，數(shù)學(xué)表達(dá)式為

圖3為圖2利用基于空間分布的SVDD算法后的結(jié)果，可以看出各個(gè)特征邊界緊密地包裹住特征向量區(qū)域。利用基于空間分布的SVDD算法對(duì)特征空間子區(qū)域進(jìn)行描述，特征子區(qū)域根據(jù)本身的分布特點(diǎn)進(jìn)行描述，各個(gè)特征子區(qū)域僅利用支撐向量、特征邊界與特征區(qū)域的統(tǒng)計(jì)均值向量即可表示，大大減小了實(shí)際工程實(shí)現(xiàn)中的存儲(chǔ)壓力。但由于對(duì)特征空間子區(qū)域進(jìn)行相對(duì)收緊的描述，造成部分支撐向量位于特征邊界之外，所以?xún)H用式(7)判別測(cè)試樣本是否為庫(kù)內(nèi)樣本存在較大的誤差，本文在此基礎(chǔ)上，利用改進(jìn)的加權(quán)KNN分類(lèi)器對(duì)位于特征邊界外的測(cè)試樣本進(jìn)行二次判決。

圖3 各特征區(qū)域的SVDD特征邊界與其對(duì)應(yīng)的支撐向量

5 改進(jìn)的加權(quán)KNN分類(lèi)器

目標(biāo)特征空間經(jīng)聚類(lèi)算法與SVDD算法后，特征空間已可簡(jiǎn)化由支撐向量、特征區(qū)域半徑與特征區(qū)域的統(tǒng)計(jì)均值向量表示。由于部分支撐向量為特征區(qū)域外的離群向量，僅利用SVDD邊界判決會(huì)造成靠近離群支撐向量的測(cè)試樣本特征向量被判定為庫(kù)外目標(biāo)，使得目標(biāo)鑒別系統(tǒng)性能下降。

本文采用KNN原則為基本框架，利用其高自由度的特點(diǎn)[16]，通過(guò)對(duì)測(cè)試向量與支撐向量之間的加權(quán)距離關(guān)系，得到基于測(cè)試樣本K近鄰的加權(quán)平均向量，利用其與測(cè)試樣本特征向量的L1范數(shù)距離，對(duì)樣本進(jìn)行判定。算法具體步驟如下：

(2)計(jì)算支撐向量與其對(duì)應(yīng)的特征區(qū)域的均值

該權(quán)值表示支撐向量與各個(gè)特征子區(qū)域的距離以及與測(cè)試樣本之間的距離，以此來(lái)確定支撐向量與測(cè)試樣本的相似性，權(quán)值越大越能代表其與測(cè)試樣本較相似。

(5)在此基礎(chǔ)上計(jì)算測(cè)試樣本的K近鄰特征向量的均值向量：

6 實(shí)驗(yàn)結(jié)果

為檢驗(yàn)本文所提出的鑒別器的有效性，利用課題組現(xiàn)有設(shè)備進(jìn)行外場(chǎng)實(shí)驗(yàn)獲取數(shù)據(jù)，利用實(shí)測(cè)數(shù)據(jù)與仿真數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，具體實(shí)驗(yàn)流程如圖4所示。結(jié)合現(xiàn)有設(shè)備參數(shù)進(jìn)行參數(shù)設(shè)置：采用步進(jìn)頻率體制雷達(dá)，跳頻步長(zhǎng)為步，跳頻頻率為，所得合成帶寬為，目標(biāo)HRRP距離分辨率為。

6.1 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

利用課題組現(xiàn)有實(shí)驗(yàn)設(shè)備進(jìn)行試驗(yàn)，獲得不同目標(biāo)不同狀態(tài)下的HRRP回波。通過(guò)對(duì)實(shí)測(cè)庫(kù)內(nèi)目標(biāo)電磁散射特性分析，利用高頻電磁散射計(jì)算方法生成坦克與雷達(dá)站的全角度HRRP數(shù)據(jù)作為目標(biāo)識(shí)別系統(tǒng)的訓(xùn)練樣本庫(kù)，訓(xùn)練樣本庫(kù)包含坦克與雷達(dá)站兩類(lèi)目標(biāo)各360個(gè)HRRP，該方法易于實(shí)現(xiàn)且與實(shí)測(cè)數(shù)據(jù)具有較高的相似性。庫(kù)內(nèi)測(cè)試數(shù)據(jù)采用靜止坦克數(shù)據(jù)、靜止雷達(dá)車(chē)數(shù)據(jù)、迎面運(yùn)動(dòng)坦克數(shù)據(jù)；庫(kù)外測(cè)試數(shù)據(jù)采用徑向距離1.5 m雙角反數(shù)據(jù)、靜止鐵塔數(shù)據(jù)與運(yùn)動(dòng)卡車(chē)數(shù)據(jù)。對(duì)各個(gè)目標(biāo)回波進(jìn)行IFFT與像拼接處理生成目標(biāo)HRRP，如圖5所示。

為檢驗(yàn)本文提出的鑒別器性能，選取坦克目標(biāo)(庫(kù)內(nèi)目標(biāo))與運(yùn)動(dòng)卡車(chē)目標(biāo)(庫(kù)外目標(biāo))數(shù)據(jù)進(jìn)行對(duì)

圖4 目標(biāo)鑒別實(shí)現(xiàn)流程圖

圖5 實(shí)測(cè)數(shù)據(jù)目標(biāo)HRRP

比試驗(yàn)。第1組實(shí)驗(yàn)測(cè)試數(shù)據(jù)為400組運(yùn)動(dòng)卡車(chē)HRRP，第2組實(shí)驗(yàn)測(cè)試數(shù)據(jù)為300組靜止坦克HRRP與100組運(yùn)動(dòng)坦克HRRP。圖6為對(duì)運(yùn)動(dòng)卡車(chē)(庫(kù)外目標(biāo))進(jìn)行鑒別的結(jié)果，圖中原點(diǎn)表示被拒判的庫(kù)外目標(biāo)，其拒判率為89.25%。圖7為對(duì)某次外場(chǎng)實(shí)驗(yàn)中的靜止坦克與運(yùn)動(dòng)坦克(庫(kù)內(nèi)目標(biāo))目標(biāo)進(jìn)行鑒別的結(jié)果，其正確判決率為83.25%。

彈載下視地面場(chǎng)景構(gòu)成復(fù)雜且干擾較多，鑒別器性能易受到地雜波影響，現(xiàn)討論本文所提出的鑒別器在不同信雜比下的性能變化。測(cè)試數(shù)據(jù)均采用實(shí)測(cè)數(shù)據(jù)，庫(kù)內(nèi)目標(biāo)測(cè)試數(shù)據(jù)包括400組坦克目標(biāo)數(shù)據(jù)(運(yùn)動(dòng)狀態(tài)與靜止?fàn)顟B(tài))與400組雷達(dá)車(chē)目標(biāo)數(shù)據(jù)(不同姿態(tài)靜止?fàn)顟B(tài))；庫(kù)外目標(biāo)測(cè)試數(shù)據(jù)包括400組運(yùn)動(dòng)卡車(chē)目標(biāo)數(shù)據(jù)，200組雙角反目標(biāo)數(shù)據(jù)，與200組靜止鐵塔目標(biāo)數(shù)據(jù)。對(duì)各組數(shù)據(jù)加入不同信雜比的韋布爾分布雜波，對(duì)不同信雜比下的回波數(shù)據(jù)進(jìn)行鑒別，得到的鑒別結(jié)果如圖8所示?？梢钥闯霎?dāng)信雜比大于15 dB時(shí)，鑒別器可達(dá)到80%以上的判決率，可以認(rèn)為在該信雜比下鑒別器具有可接受的性能，但隨著信雜比的下降，鑒別器性能迅速惡化，當(dāng)信雜比過(guò)小時(shí)鑒別器失效。經(jīng)分析在雜波條件下影響鑒別器性能的主要原因是特征提取階段中雜波與目標(biāo)的混疊，所以穩(wěn)健的特征提取以及信號(hào)處理階段的雜波抑制是解決雜波影響目標(biāo)鑒別器性能的關(guān)鍵。

圖6 對(duì)庫(kù)外目標(biāo)鑒別結(jié)果 圖7 對(duì)庫(kù)內(nèi)目標(biāo)鑒別結(jié)果 圖8 不同信雜比下鑒別器平均判決率

6.2 實(shí)驗(yàn)性能評(píng)估

鑒別器性能根據(jù)接收機(jī)工作特性(Receiver Operating Characteristic, ROC)曲線(xiàn)進(jìn)行評(píng)估。ROC曲線(xiàn)最初是用來(lái)評(píng)估接收機(jī)檢測(cè)性能的，其橫軸為虛警率，縱軸為檢測(cè)率。把庫(kù)內(nèi)樣本視為正樣本，把庫(kù)外樣本視為負(fù)樣本，則ROC曲線(xiàn)的橫軸表示負(fù)樣本被錯(cuò)分為正目標(biāo)的比率，用表示；縱軸表示正樣本被正確分為正目標(biāo)的比率，用表示[20]。

利用6.1節(jié)中的訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)生成各類(lèi)典型鑒別器的ROC曲線(xiàn)。圖9為常用多種目標(biāo)鑒別器ROC曲線(xiàn)比較。由圖中可得常規(guī)目標(biāo)鑒別器，如MCC鑒別器、K-NN鑒別器、SVDD鑒別器，在小于0.1時(shí)，均小于0.7，在實(shí)際應(yīng)用中會(huì)造成大量的漏警，極大地影響目標(biāo)鑒別器性能；改進(jìn)型的目標(biāo)鑒別器，如加權(quán)K-NN鑒別器、基于密度的SVDD鑒別器，在小于0.1時(shí)，迅速下降，說(shuō)明該鑒別器當(dāng)較低時(shí)性能穩(wěn)定性不足；本文所提出的改進(jìn)的地面目標(biāo)鑒別器，當(dāng)為0.1時(shí)，為0.9，且當(dāng)小于0.1時(shí)，仍能保持0.7以上，ROC曲線(xiàn)下面積大且曲線(xiàn)變化平緩，說(shuō)明識(shí)別器性能較對(duì)比的目標(biāo)鑒別器優(yōu)越且穩(wěn)定。

圖10顯示了本文所提出的鑒別器在實(shí)時(shí)性能上的優(yōu)勢(shì)，實(shí)際應(yīng)用中，由于戰(zhàn)場(chǎng)環(huán)境復(fù)雜，需要多類(lèi)目標(biāo)建立訓(xùn)練樣本庫(kù)，當(dāng)訓(xùn)練樣本庫(kù)具有較大規(guī)模時(shí)，MCC鑒別器與KNN類(lèi)鑒別器由于需要對(duì)各個(gè)樣本進(jìn)行遍歷，判決所用的時(shí)間將會(huì)大幅上升；本文所提出的鑒別器與SVDD類(lèi)鑒別器均利用支撐向量邊界進(jìn)行判決，均具有較好的實(shí)時(shí)性能。

7 結(jié)束語(yǔ)

本文提出一種改進(jìn)的雷達(dá)地面目標(biāo)鑒別器，其基于目標(biāo)特征空間分布進(jìn)行設(shè)計(jì)，利用K-Means聚類(lèi)，對(duì)目標(biāo)特征空間進(jìn)行區(qū)域劃分，在此基礎(chǔ)上采用SVDD算法進(jìn)行更為準(zhǔn)確的子區(qū)域的邊界描述，通過(guò)子區(qū)域邊界與支撐向量對(duì)測(cè)試特征向量進(jìn)行判決。通過(guò)實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)對(duì)比，本文所提出的鑒別器具有良好的性能，并且由于對(duì)目標(biāo)特征空間進(jìn)行劃分，有效地減少了訓(xùn)練樣本庫(kù)規(guī)模，同時(shí)采用二級(jí)處理的方式，逐層進(jìn)行判斷，有效地減少冗余的計(jì)算量，滿(mǎn)足彈載雷達(dá)要求的實(shí)時(shí)處理能力。在下一步工作研究中，將進(jìn)一步對(duì)鑒別器在低信雜比下的性能提高進(jìn)行研究。

圖9 不同類(lèi)別鑒別器ROC曲線(xiàn)對(duì)比 圖10 不同類(lèi)別鑒別器實(shí)時(shí)性能曲線(xiàn)對(duì)比

[1] KHAN N, KSANTINI R, AHMAD I,. Covariance- guided one-class support vector machine[J]., 2014, 47(6): 2165-2177.

[2] CABRAL G and OLIVEIRA A. One-class classification based on searching for the problem features limits[J]., 2014, 41(11): 7182-7199.

[3] HE X, MOUROT G, MAQUIN D,.Multi-task learning with one-class SVM[J]., 2014, 133(6): 416-426.

[4] ZHANG H, CAO L, and GAO S. A locality correlation preserving support vector machine[J]., 2014, 47(9): 3168-3178.

[5] DAGEFU F and SARABANDI K. High-resolution subsurface imaging of deeply submerged targets based on distributed near-ground sensors[J]., 2014, 52(2): 1089-1098.

[6] CHAI Jing, LIU Hongwei, CHEN Bo,.Large margin nearest local mean classifier[J]., 2010, 90(1): 236-248.

[7] TOHME M and LENGELLE R. Maximum margin one class support vector machines for multiclass problems[J]., 2011, 32(10): 1652-1658.

[8] 丁軍, 劉宏偉, 王英華. 基于非負(fù)稀疏表示的SAR圖像目標(biāo)識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2014, 36(9): 2194-2200. doi: 10.3724/SP.J.1146.2013.01451.

DING Jun, LIU Hongwei, and WANG Yinghua. SAR image target recognition based on non-negative sparse representation[J].&, 2014, 36(9): 2194-2200. doi: 10.3724/SP.J.1146. 2013.01451.

[9] 王軍, 趙宜楠, 喬曉林. 基于壓縮感知的雷達(dá)前視向稀疏目標(biāo)分辨[J]. 電子與信息學(xué)報(bào), 2014, 36(8): 1978-1984. doi: 10. 3724/SP.J.1146.2013.01936.

WANG Jun, ZHAO Yinan, and QIAO Xiaolin. A sparse target-scenario determination strategy based on compressive sensing for active radar in the line of sight[J].&, 2014, 36(8): 1978-1984. doi: 10.3724/SP.J.1146.2013.01936.

[10] 劉艷紅, 薛安榮, 史習(xí)云. K-means聚類(lèi)與SVDD結(jié)合的新的分類(lèi)算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2010, 27(3): 883-886.

LIU Yanhong, XUE Anrong, and SHI Xiyun. New classification algorithm K-means clustering combined with SVDD[J]., 2010, 27(3): 883-886.

[11] KEMMLER M, RODNER E, WACKER E,. One-class classification with gaussian processes[J].2013, 46(12): 3507-3518.

[12] BOYD Stephen. Convex Optimization[M]. Cambridge: Cambridge University Press, 2004: 325-337.

[13] 柴晶, 劉宏偉, 保錚. 加權(quán)KNN分類(lèi)器在HRRP庫(kù)外目標(biāo)拒判中的應(yīng)用[J]. 系統(tǒng)工程與電子技術(shù), 2010, 32(4): 718-723.

CHAI Jing, LIU Hongwei, and BAO Zheng. Application of a weighted KNN classifier for HRRP out-of-database target rejection[J]., 2010, 32(4): 718-723.

[14] TOYAMA J, KUDO M, and IMAI H. Probably correct k-nearest neighbor search in high dimensions[J]., 2010, 43(4): 1361-1372.

[15] CHA M, KIM S, and BAEK J. Density weighted support vector data description[J]., 2014, 41(6): 3343-3350.

[16] DJOUADI A and BOUKTACHE E. A fast algorithm for the nearest-neighbor classifier[J]., 1997, 19(3): 277-282.

[17] XIAO Y, WANG H, XU W,L1 norm based KPCA for novelty detection[J]., 2013, 46(1): 389-396.

[18] 陳思寶, 陳道然, 羅斌. 基于L1-范數(shù)的二維線(xiàn)性判別分析[J]. 電子與信息學(xué)報(bào), 2015, 37(6): 1372-1377. doi: 10.11999/ JEIT141093.

CHEN Sibao, CHEN Daoran, and LUO Bin. L1-norm based two-dimensional linear discriminant analysis[J].&, 2015, 37(6): 1372-1377. doi: 10.11999/JEIT141093.

[19] SAMET H. K-nearest neighbor finding using MaxNearestDist[J].,2008, 30(2): 243-252.

[20] 劉家辰, 苗啟廣, 曹瑩, 等. 基于混合多樣性生成與修剪的集成單類(lèi)分類(lèi)算法[J]. 電子與信息學(xué)報(bào), 2015, 37(2): 386-393. doi: 10.11999/JEIT140161.

LIU Jiachen, MIAO Qiguang, CAO Ying,Ensemble one-class classifiers based on hybrid diversity generation and pruning[J].&2015, 37(2): 386-393. doi: 10.11999/JEIT140161.

[21] 馮博, 陳渤, 王鵬輝, 等. 基于穩(wěn)健深層網(wǎng)絡(luò)的雷達(dá)高分辨距離像目標(biāo)特征提取算法[J]. 電子與信息學(xué)報(bào), 2014, 36(12): 2949-2955. doi: 10.3724/SP.J.1146.2014.00808.

FENG Bo, CHEN Bo, WANG Penghui,Feature extraction method for radar high resolution range profile targets based on robust deep networks[J].&, 2014, 36(12): 2949-2955. doi: 10.3724/SP.J.1146.2014.00808.

李 龍： 男，1988年生，博士生，研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別技術(shù).

劉 崢： 男，1964年生，教授，博士生導(dǎo)師，研究方向?yàn)槔走_(dá)信號(hào)處理的理論與系統(tǒng)設(shè)計(jì)、雷達(dá)精確制導(dǎo)技術(shù)、多傳感器信息融合等.

Identifier for Radar Ground Target Based on Distribution of Space of Training Features

LI Long LIU Zheng

(National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)

To identify the out-of-database targets in the process of radar ground target recognition with High Resolution Range Profile (HRRP), this paper proposes an improved radar ground target identifier based on the distribution of the space of training features. In the training phase, a K-Means clustering strategy based on the pre-process of correlation coefficient is utilized to divide the space of training dataset. Then each sub-space boundary is determined by Support Vector Domain Description (SVDD) based on the distribution of the sample space. Finally, it can decide the category of target with the sub-space boundary and the weighted K-neighbors principle. This method can work without the template of out-of-database samples, which improves the effectiveness of target identification. Due to the fact that the feature space of different targets has the characteristic of non-uniform aggregation under different attitudes, a procedure of region partition is applied to training dataset. Thus computational load is relieved with a decrease in search operation of template matching. The requirement of real-time processing can be satisfied. Finally, the experiments against both simulation and real data verify its excellent performance of identification and real-time processing capability.

Target identification; High Resolution Range Profile (HRRP); K-Means clustering; Support Vector Domain Description (SVDD); K Nearest Neighbors (KNN) classifier

TN957

A

1009-5896(2016)04-0950-08

10.11999/JEIT150786

2015-06-29；改回日期：2015-12-25；網(wǎng)絡(luò)出版：2016-02-26

劉崢 lz@xidian.edu.cn