邢遠見，陳　翼，?！g，李國剛

(1. 中國電子科技集團公司 智能感知技術重點實驗室，　南京 210039；)(2. 南京電子技術研究所,　南京 210039)

?

·信號處理·

基于支撐向量機的地雜波虛警抑制技術

邢遠見1,2，陳翼1，2，祝歡1，2，李國剛2

(1. 中國電子科技集團公司 智能感知技術重點實驗室，南京 210039；)(2. 南京電子技術研究所,南京 210039)

由于雜波的非均勻特性，傳統(tǒng)雜波抑制技術的雜波濾除能力有限。在強雜波環(huán)境下，處理后回波仍殘留大量虛警。文中提出了新的點跡濾波技術，用于抑制雜波虛警。針對地面動目標檢測體制雷達，通過提取目標和雜波的五種分類特征和五種先驗特征，使用主成分分析和支撐向量機方法過濾虛假點跡。試驗結果表明：文中提取的特征和設計的分類器，可在較少目標損失下，有效地抑制地雜波虛警。

點跡濾波；支撐向量機；地雜波

0　引　言

雷達通過發(fā)射電磁波照射目標并接收其回波，由此獲得目標至電磁波發(fā)射點的距離、距離變化率(徑向速度)、方位、高度等信息。但是，復雜地理環(huán)境所產(chǎn)生的雜波信號嚴重地影響了雷達目標探測性能。恒虛警檢測(CFAR)[1]、雜波圖檢測技術[2]和點跡凝聚技術[3]是地面雷達中常用的檢測手段，用來提高目標的檢測概率，并減少雜波虛警。然而，由于電磁環(huán)境復雜多變，雜波表現(xiàn)出非平穩(wěn)和非均勻的特性，使仍有許多雜波虛警被檢出報送，造成虛假航跡產(chǎn)生和影響目標航跡關聯(lián)。

另一類雜波抑制方法被稱為點跡濾波，它從被檢出的目標和雜波點跡著手，挖掘二者的回波內在差異，從而剔除雜波虛警。其實現(xiàn)過程可歸結為兩步：首先，提取可區(qū)分目標點和雜波點的特征；然后，設計分類器區(qū)分判別。本文提出的點跡濾波方法區(qū)別于傳統(tǒng)方法[4-11]在于：第一，針對地面動目標檢測(MTD)體制雷達，提取更本質、更精細特征，包括五種分類特征和五種先驗特征；第二，引入機器學習中的支撐向量機方法，對多維特征聯(lián)合分類。實測數(shù)據(jù)顯示，本文方法在目標損失5%情況下，可有效剔除45%的雜波虛警。

1　點跡濾波框架

點跡濾波框架為有監(jiān)督的機器學習過程，如圖1所示。訓練集為點跡數(shù)據(jù)及其所屬類別標簽，用來訓練分類器。測試集為待測數(shù)據(jù)，經(jīng)訓練好的分類器，報送分類結果。分類器輸入通常是能夠區(qū)分不同類別數(shù)據(jù)的特征，而非原始數(shù)據(jù)本身。因此，特征提取過程非常關鍵，直接影響分類器效果。此外，特征提取后對特征的去噪、規(guī)范、約簡等操作，同樣重要。

圖1　點跡濾波流程框架

2　特征提取

該階段目標是提取盡量多的，可體現(xiàn)雜波和目標差異的“好”特征。“好”的特征應具備穩(wěn)健和物理可解釋兩種特性。通過對雜波點跡和目標點跡形成機理的研究，發(fā)現(xiàn)雜波和目標在以下兩大類屬性存在本質不同：

1)目標運動，地雜波靜止?；诖耍覀兲崛煞N特征反映該屬性。

(1)中心頻率：定義為輸出最大信噪比的多普勒通道，它反映了點跡的徑向運動特性。地物雜波的中心頻率多出現(xiàn)在零多普勒通道，而目標的中心頻率在各通道均可能出現(xiàn)。該特征局限是對切向目標失效。

(2)最近鄰點：定義為最近若干圈中其他點與該點的最近距離，它反映某位置回波是否重復被檢測到。地物雜波位置固定，最近鄰點較近；目標由于運動，最近鄰點較遠。該特征局限是對目標飛入雜波區(qū)域時失效。

2)目標點狀，地雜波面狀(點雜波除外)。點狀和面狀差異，造成目標和地雜波在回波擴展方面存在不同，我們提取三種特征表現(xiàn)該屬性。

(1)距離展寬：定義為凝聚成該點的所有回波點的最大距離差。

(2)方位展寬：定義為凝聚成該點的所有回波點的最大方位差。

(3)回波數(shù)：定義為凝聚成該點的所有回波點數(shù)量。

以距離展寬為例，圖2示意了造成點目標與面雜波在該特征下差異的產(chǎn)生原因。回波距離向展寬大小與目標、雜波尺寸相關。在相同回波幅度條件下，點目標尺寸小、擴展少，面雜波尺寸大、擴展多。方位擴展和回波數(shù)差異的產(chǎn)生原因與距離擴展類似。

圖2　目標和雜波的回波距離展寬原理示例

以上五種特征，即中心頻率、最近鄰點、距離展寬、方位展寬、回波數(shù)，其數(shù)值大小與目標或雜波的回波幅度，所處位置、周圍環(huán)境等均有關系。我們稱前者為分類特征，稱后者為先驗特征。比如：回波幅度提高，則目標或雜波的距離展寬、方位展寬、回波數(shù)均會相應增大，但增加的程度可能不同。因此，利用上述五種特征進行點跡分類時，應綜合考慮其先驗信息，從而實現(xiàn)精細化點跡分類。我們提取五種先驗特征：信噪比表征其幅度信息，距離和方位表征其位置信息，距離向上點跡周圍的回波強度和該點跡所屬雜噪?yún)^(qū)域類型表征其周圍環(huán)境信息。

綜上，共十種特征被用于對目標和雜波判別。

3　數(shù)據(jù)規(guī)約

3.1異常值剔除

異常值剔除是根據(jù)人工經(jīng)驗，剔除明顯異常的數(shù)據(jù)，避免其對分類器產(chǎn)生擾亂。考慮雷達探測的實際場景中，目標的方位擴展受天線波束寬度限制，不會過寬；目標的距離擴展受自身尺寸限制，不會過長；目標的回波數(shù)受天線波束寬度和自身尺寸雙重限制，不會過多。根據(jù)對某車載雷達實錄回波數(shù)據(jù)統(tǒng)計，真實飛機目標的方位擴展不超過5°，距離擴展不超過150 m，回波數(shù)不超過12個。

3.2維度約簡

維度約簡的目的是去除冗余特征，降低問題復雜度和觀測噪聲，實現(xiàn)等效甚至更高的分類效果。主成分分析(PCA)是常用的特征約簡手段。它通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，轉換后的這組變量叫主成分。然后，使用若干最大主成分作為綜合指標，盡可能多地保留原始信息。

3.3特征白化

白化的目的是去除特征間相關聯(lián)度，并歸一化至同一尺度。白化需滿足兩個條件：1)不同特征之間的相關性接近零；2)所有特征的方差相近。將數(shù)據(jù)通過PCA降維后，每一維是獨立的，滿足了白化的第一個條件。然后，對每一維都除以其標準差，方差相同，即滿足了白化第二個條件。

顯然，我們提取的十種特征之間存在信息冗余。比如：回波數(shù)與方位擴展、距離擴展相關，點跡周圍回波功率與該點跡所屬雜噪?yún)^(qū)標志相關。本文采用主成分分析法，將原十種特征轉換為不相關變量，選擇最重要的若干主成分，輸入分類器判別。

4　支撐向量機分類器

支撐向量機(SVM)思想是在高維空間中尋找一個分類超平面，將不同類別的數(shù)據(jù)樣本點分開，使不同類別的點之間的間隔最大，該分類超平面即為最大間隔超平面，對應的分類器稱為最大間隔分類器。

兩個分類超平面之間具有最大間隔，需要知道訓練樣本中的支撐向量，距離支撐向量最近的平行超平面。設w是分類超平面的法向量；b為位移量。求解SVM可以變成解決如下凸優(yōu)化問題。

(1)

需要注意的是：1)當數(shù)據(jù)是線性可分的時候，才可以找到一個分類超平面將數(shù)據(jù)完全分開。為處理非線性數(shù)據(jù)，可使用核函數(shù)方法對線性SVM進行推廣。2)雖然通過核函數(shù)映射將原始數(shù)據(jù)映射到高位空間后，能夠線性分類的概率增大，但并非一定，比如：噪聲數(shù)據(jù)。對于這種偏離正常位置很遠的數(shù)據(jù)，稱之為野值。為解決該問題，可對原約束條件引入松弛變量ζi解決，即

(2)

5　實驗結果

5.1實驗數(shù)據(jù)

我們使用某窄帶車載雷達，在西安架設，探測空中目標。對雷達回波進行脈沖壓縮和MTD處理，然后，經(jīng)CFAR檢測，雜波圖檢測和回波點凝聚處理，形成初始點跡。結合民航廣播式自動相關檢測(ADS-B)信息和人工逐圈比對，將點跡標注為雜波點和目標點兩類，形成試驗用的訓練集和測試集，詳細信息見表1。

表1　點跡數(shù)據(jù)集描述

5.2特征提取

去除擴展異常點后，提取了訓練集中的目標/雜波點的五種運動特征和擴展特征。

1)中心頻率

目標和雜波的中心頻率分布如圖3所示，共16個頻率通道。由于地雜波主要分布在低頻區(qū)域，因此，大多數(shù)雜波點的中心頻率分布在零和近零頻率通道，而目標則分布在各通道。圖中所示零通道雜波點數(shù)量少是因為該通道雜波幅度強，采用了更高的檢測門限以抑制虛警，同時零通道的目標數(shù)量也相應較少。

圖3　目標和雜波在各頻率通道的數(shù)量分布

2)最近鄰點

目標和雜波的最近鄰分布如圖4所示。在過去三圈雷達掃描中，僅1.6%的目標點的最近鄰點在300 m以內，而雜波則多達19%。這說明目標由于運動，很少會在多圈的相同位置重復出現(xiàn)，而固定的地物雜波則可能在多圈的相同位置被重復檢測到。

圖4　目標和雜波的最近鄰點分布

3)方位擴展

目標和雜波的方位擴展分布如圖5所示，可見，目標方位擴展較雜波方位擴展大。按檢測信噪比，對目標點和雜波點進一步細分為四類：20 dB以下、20 dB～25 dB、25 dB～30 dB和30 dB以上。這四類中，目標方位擴展仍大于雜波，但差異程度不同。中等信噪比下的目標和雜波方位擴展差異較大。

圖5　目標和雜波的方位擴展隨信噪比的分布

4)距離擴展

目標和雜波的距離擴展分布如圖6所示，可見，目標距離擴展較雜波距離擴展大。與方位擴展分析相同，按檢測信噪比對目標點和雜波點進一步細分為四類。這四類中，目標擴展均仍大于雜波擴展，但擴展的差異程度不同，低信噪比和高信噪比下的目標和雜波距離擴展差異較大。

圖6　目標和雜波的距離擴展隨信噪比的分布

5)回波數(shù)

目標和雜波的回波數(shù)擴展分布如圖7所示。目標擴展較雜波回波數(shù)多。與方位擴展分析相同，按檢測信噪比對目標點和雜波點進一步細分為四類。這四類中，目標回波數(shù)均仍大于雜波回波數(shù)，但回波數(shù)的差異程度不同，高信噪比下的目標和雜波的回波數(shù)差異較大。

圖7　目標和雜波的回波數(shù)擴展隨信噪比的分布

5.3點跡過濾

首先檢驗維度約簡處理對分類效果的改善。

對數(shù)據(jù)特征進行PCA處理后，各不相關維所含信息量由其特征值表征。圖8顯示了對訓練集數(shù)據(jù)特征PCA處理后各維度的特征值大小。可見數(shù)據(jù)的80%的信息可由前三維特征表示，96%的信息可由前七維特征表示。

圖8　訓練集點跡特征經(jīng)PCA處理后的比重分布

圖9顯示了使用PCA處理后的前三維、前七維和全部十維特征訓練和測試SVM分類器的效果，通過調整分類門限，實現(xiàn)不同的目標識別精度和雜波識別率。可見，使用了全部特征的分類效果反而并不如前兩種。造成這種結果的原因可能是數(shù)據(jù)本身存在噪聲，PCA處理后舍棄了包含噪聲的信息，從而提升了分類準確性。允許目標損失6%～10%的情況下，使用三維PCA不相關特征的分類器可以剔除更多雜波虛警；在僅允許5%以內目標損失的情況下，使用七維PCA不相關特征的分類器可以剔除更多雜波虛警。

圖9　不同PCA降維數(shù)后的分類性能

圖10對比了使用七維特征對測試集分類前后的雷達P顯點跡分布。圖9a)為點跡過濾前分布，‘.’表示飛機目標，‘+’表示虛警；圖9b)為點跡過濾后分布。P顯畫面雜波剔除比例明顯(45%)，目標損失較少(5%)，驗證了算法有效性。

圖10　點跡濾波前后的點跡P顯分布

6　結束語

針對地面MTD體制雷達，提取五種分類特征和五種先驗特征。對數(shù)據(jù)進行異常點剔除，并基于PCA方法對特征約簡、白化，然后，選擇若干最重要的不相干特征，使用支撐向量機點跡分類，實現(xiàn)了在較小目標損失下，剔除大量雜波虛警的目的。在雷達中利用此項技術可獲得較大得益。

[1]NITZBERG R. Constant-false-alarm-rate signal processors for several types of interferences[J]. IEEE Transactions on Aerospace & Electronic Systems, 1972, 8(1): 27-34.

[2]陶海紅，李明，廖桂生. 雷達雜波圖的形成算法及實現(xiàn)[J]. 現(xiàn)代雷達, 2002, 24(3): 13-15.

TAO Haihong, LI Ming, LIAO Guisheng. Forming algorithm and realization of radar clutter map[J]. Modern Radar, 2002, 24(3): 13-15.

[3]劉樹鋒. 雷達目標點跡分裂與改進的點跡提取器設計[J]. 電子科技, 2010, 23(1): 45-47.

LIU Shufeng. The design of radar target plot extractor based on target split and plot agglomeration[J]. Electronic Science and Technology, 2010, 23(1):45-47.

[4]HAYKIN S, DENG C. Classification of radar clutter using neural networks[J]. IEEE Transactions on Neural Network, 1991, 2(6): 589-600.

[5]HAYKIN S, STEHWEN W, DENG C, et al. Classification of radar clutter in an air traffic control environment[J]. Procedings of the IEEE, 1991, 79(6): 742-772.

[6]陳志堅. 雷達數(shù)據(jù)處理中非真實目標點跡的處理[J]. 現(xiàn)代雷達, 1995, 17(3): 43-48.

CHEN Zhijian. The processing of false target plots in radar data processing[J]. Modern Radar, 1995, 17(3): 43-48.

[7]徐曉群，呂江濤. 艦載雷達數(shù)據(jù)處理的雜波抑制方法[J]. 現(xiàn)代雷達, 2004, 26(8): 36-38.

XU Xiaoqun, Lü Jiangtao. Method of clutter suppression in data processing for shipborne radars[J]. Modern Radar, 2004, 26(8): 36-38.

[8]李為民, 朱永鋒, 付強. 基于自適應模糊聚類分析的目標冗余信息處理[J]. 計算機應用, 2005, 25(4): 949-951.

LI Weimin, ZHU Yongfeng, FU Qiang. Information processing of target redundancy based on adaptive fuzzy C-Means clustering analysis[J]. Computer Applications, 2005, 25(4): 949-951.

[9]竇澤華，張仕元，李明. 基于雷達回波識別的雜波抑制[J]. 信號處理, 2009, 25(8): 1193-1197.

DOU Zehua, ZHANG Shiyuan, LI Ming. Clutter suppression based on radar return classification[J]. Signal Processing, 2009, 25(8): 1193-1197.

[10]張飚, 張仕元, 竇澤華. 警戒雷達仙波特性分析[J]. 現(xiàn)代雷達, 2008, 30(6): 65-72.

ZHANG Biao, ZHANG Shiyuan, DOU Zehua. Angels character analysis based on surveillance radar[J]. Modern Radar, 2008, 30(6): 65-72.

[11]於建生,馬紅星,朱征宇. 基于雷達回波相關特征的海雜波抑制方法[J]. 艦船電子工程, 2009, 29(6): 121-124.

YU Jiansheng, MA Hongxing, ZHU Zhengyu. Correlation character of radar echo based sea clutter suppression algorithm[J]. Ship Electronic Engineering, 2009,29(6):121-124.

邢遠見男，1987年生，博士，工程師。研究方向為雷達雜波抑制和目標識別。

陳翼男，1985年生，碩士，工程師。研究方向為雷達陣列信號處理和反干擾。

祝歡男，1985年生，博士，高級工程師。研究方向為雷達陣列信號處理和雜波抑制。

李國剛男，1983年生，碩士，工程師。研究方向為機載雷達系統(tǒng)。

Filtering Ground-clutter-false-alarms Using Supported Vector Machine

XING Yuanjian1,2，CHEN Yi1,2，ZHU Huan1,2，LI Guogang2

(1. Key Laboratory of Intellisense Technology, CETC,Nanjing 210039, China)(2. Nanjing Research Institute of Electronics Technology,Nanjing 210039, China)

For the heterogeneity of clutter, traditional methods are limited in clutter suppression. In strong clutter environment, a large number of false alarms still exist in the processed radar echo. With respect to ground-based moving-target-detection radar, five classification-features and five prior-features of target/clutter plots are extracted in this paper. Then, techniques of principal component analysis and supported vector machine are adopted for plot classifying. Experimental results show that the extracted features and designed classifier can effectively filter ground-clutter-false-alarms while few target plots are lost.

plot filtering; supported vector machine; ground-clutter

10.16592/ j.cnki.1004-7859.2016.08.008

邢遠見Email：yuanjiangx@qq.com

2016-04-30

2016-07-01

TN957

A

1004-7859(2016)08-0034-05