程玉堃，丁志輝，王靜嬌

(中國船舶重工集團(tuán)公司第七二四研究所，南京 211153)

0 引 言

艦載雷達(dá)在掃描作業(yè)過程中接收到的回波信號(hào)中總是混雜著噪聲、雜波和各類干擾，例如氣象雜波、海洋雜波、地物回波、有源或無源干擾以及其他多種偶然擾動(dòng)。干擾引起的噪聲和雜波會(huì)形成具有隨機(jī)特性的虛假點(diǎn)跡[1]。雷達(dá)數(shù)據(jù)處理部分的檢測、凝聚等過程無法區(qū)分真實(shí)目標(biāo)點(diǎn)跡數(shù)據(jù)和虛假目標(biāo)點(diǎn)跡數(shù)據(jù)。這不僅產(chǎn)生了冗余數(shù)據(jù)，增大了傳輸?shù)臄?shù)據(jù)量，也不利于目標(biāo)航跡的跟蹤，更會(huì)干擾雷達(dá)操作人員的判斷和操作。盡管雷達(dá)的信號(hào)處理系統(tǒng)已經(jīng)通過采用諸如動(dòng)目標(biāo)處理、恒虛警率檢測、雜波圖等處理方法去盡可能地減少虛假點(diǎn)跡，但對(duì)于信號(hào)處理后的數(shù)據(jù)處理環(huán)節(jié)輸出的真、假目標(biāo)點(diǎn)跡混合數(shù)據(jù)中殘留的虛假點(diǎn)跡，目前已有的判別和剔除方法仍然存在一些缺陷。

1 綜 述

對(duì)于雷達(dá)回波中真、假目標(biāo)點(diǎn)跡的判別，目前常用的一種方法是基于先驗(yàn)已知的真、假點(diǎn)跡的訓(xùn)練樣本，在樣本空間中尋找一個(gè)劃分真、假目標(biāo)的超平面。該超平面應(yīng)當(dāng)對(duì)訓(xùn)練樣本局部擾動(dòng)的“容忍性”最好，即其魯棒性要好，對(duì)于新的未知樣本的泛化能力要強(qiáng)[2]。具體原理是，由于真、假目標(biāo)點(diǎn)跡特征信息的分布特性不同，通過提取真、假性先驗(yàn)已知的目標(biāo)點(diǎn)跡的歸一化幅度、距離向展寬、方位向展寬、仰角向展寬、回波點(diǎn)數(shù)等特征信息，得到每項(xiàng)特征信息的均值和方差值等統(tǒng)計(jì)特性。將這些特征信息兩兩組合形成支持向量，從而生成分隔真、假目標(biāo)點(diǎn)跡的超平面，得到目標(biāo)真、假性判別的似然區(qū)間。針對(duì)每一組需要判別真假的目標(biāo)，計(jì)算其在所有特征信息組合下的似然概率并加權(quán)求和，得到每個(gè)目標(biāo)點(diǎn)跡的真、假性綜合評(píng)估值，然后根據(jù)該評(píng)估值判別目標(biāo)的真假性，進(jìn)而實(shí)現(xiàn)剔除。

該方法最大的缺陷在于需要有一組先驗(yàn)已知的真、假目標(biāo)點(diǎn)跡訓(xùn)練樣本，即真、假目標(biāo)點(diǎn)跡的多個(gè)特征信息的統(tǒng)計(jì)特性(均值和方差)已知。然而現(xiàn)實(shí)中，數(shù)據(jù)處理輸出的目標(biāo)點(diǎn)跡是真、假未知的，因此需要通過某種方法在目標(biāo)點(diǎn)跡真、假性未知或部分已知的條件下，通過某種準(zhǔn)則，盡可能地對(duì)點(diǎn)跡進(jìn)行初步的真、假性分類，以此為基礎(chǔ)才能應(yīng)用前述的假目標(biāo)剔除方法。作為聚類算法的一種，學(xué)習(xí)向量量化(LVQ)算法適用于解決此類問題，根據(jù)訓(xùn)練樣本是否有監(jiān)督信息，LVQ算法可以應(yīng)用于有監(jiān)督和無監(jiān)督兩種場景。

2 LVQ算法

2.1 算法介紹

對(duì)于訓(xùn)練樣本的標(biāo)記信息未知的情況，無監(jiān)督學(xué)習(xí)算法通過自主學(xué)習(xí)來揭示數(shù)據(jù)內(nèi)在的性質(zhì)和規(guī)律，為進(jìn)一步的數(shù)據(jù)分析提供支撐。聚類算法就是這樣一類算法。它將樣本劃分為若干互不相交的子集，稱為樣本簇。聚類的目的是盡量使結(jié)果樣本簇的“簇內(nèi)相似度”盡可能高，“簇間相似度”盡可能低[3]。聚類算法大體分為原型聚類、密度聚類、層次聚類3種類別。LVQ算法是一種原型聚類算法。與一般聚類算法的不同之處在于它假設(shè)數(shù)據(jù)樣本帶有類別標(biāo)記，學(xué)習(xí)過程中會(huì)利用這些監(jiān)督信息來輔助聚類。下面介紹LVQ的算法原理。

2.2 算法原理

2.2.1 LVQ算法的準(zhǔn)備工作

Ri={‖x-pi‖2≤‖x-pi′‖2,i′≠i}

(1)

2.2.2 LVQ算法的實(shí)現(xiàn)步驟

(1) 監(jiān)督信息初始化

由于用于訓(xùn)練的樣本數(shù)據(jù)是在真實(shí)回波條件下針對(duì)特定目標(biāo)(飛機(jī)、船只)采集的，其距離、方位、仰角等信息基本已知，因此可將樣本中這部分已知目標(biāo)的真、假標(biāo)簽設(shè)為真，其他目標(biāo)的標(biāo)簽全部預(yù)設(shè)為假。

(2) 原型向量初始化

(3) 原型向量迭代優(yōu)化

p′=pi*+α·(xj-pi*)

(2)

p′=pi*-α·(xj-pi*)

(3)

(4) 輸出原型向量

3 仿真驗(yàn)證

本文使用天線采集的14圈回波的CFAR處理后數(shù)據(jù)，數(shù)據(jù)方位范圍200°～300°，仰角范圍0°～15°，距離范圍0～300 km。通過分析得到一批飛機(jī)目標(biāo)和一批船只目標(biāo)在天線采集的第2圈時(shí)的距離、方位、仰角位置和第14圈的距離、方位位置如圖1～圖6所示。

從圖1中可以看出，飛機(jī)目標(biāo)距離單元范圍為1 900～1 930，方位范圍280°～288°，距離向展寬為8個(gè)距離單元，方位展寬為3°左右。從圖3中可以看出，飛機(jī)目標(biāo)的仰角向展寬為2°左右。從圖2中可以看出，船只目標(biāo)位于距離單元范圍為4 460～4 490，方位范圍275°～285°，距離向展寬為10個(gè)距離單元，方位展寬為5°左右。從圖6中可以看出，船只目標(biāo)的仰角向展寬為3.5°左右。在進(jìn)行目標(biāo)特征分析之前，首先通過設(shè)定特定的檢測門限，使用點(diǎn)跡凝聚方法從采集數(shù)據(jù)中提取得到一組真、假目標(biāo)點(diǎn)跡混合數(shù)據(jù)(共23 476個(gè))，將這組數(shù)據(jù)作為本次訓(xùn)練的樣本。分析圖1和圖2可知，飛機(jī)目標(biāo)和船只目標(biāo)在數(shù)據(jù)采集期間的位置范圍較為固定，且目標(biāo)附近沒有明顯雜波。因此，首先對(duì)所有目標(biāo)中滿足這兩組目標(biāo)所在范圍的所有目標(biāo)設(shè)定標(biāo)簽為真，其他所有目標(biāo)的標(biāo)簽為假。使用凝聚算法提取的目標(biāo)特征信息如表1所示。

表1 凝聚算法提取的目標(biāo)特征信息

表2 LVQ算法得到的真、假目標(biāo)特征統(tǒng)計(jì)特性

統(tǒng)計(jì)結(jié)果顯示，使用LVQ算法聚類得到的典型的真目標(biāo)比典型的假目標(biāo)在方位展寬、距離展寬、仰角展寬、回波點(diǎn)數(shù)、信號(hào)幅值這些特征方面的均值和方差都要更大一些。這與實(shí)際情況相符。使用上述統(tǒng)計(jì)數(shù)據(jù)作為后續(xù)支持向量算法中真、假目標(biāo)點(diǎn)跡特征信息的統(tǒng)計(jì)值，進(jìn)而根據(jù)真、假性綜合評(píng)估值進(jìn)行點(diǎn)跡剔除。仿真的目標(biāo)剔除范圍為0～150 km，第2圈的剔除前、后效果對(duì)比如圖7～8所示。

分別對(duì)比圖7和圖8可知，近處雷達(dá)回波虛假點(diǎn)跡明顯減少的同時(shí)遠(yuǎn)處的孤立真目標(biāo)得到保留，點(diǎn)跡剔除取得了較好的效果。這說明基于LVQ算法對(duì)目標(biāo)粗樣本的初步聚類所得到的真、假目標(biāo)點(diǎn)跡特征信息的統(tǒng)計(jì)值為后續(xù)的風(fēng)險(xiǎn)系數(shù)計(jì)算提供了很好的數(shù)據(jù)支撐，較好地實(shí)現(xiàn)了預(yù)期的效果。

4 結(jié)束語

針對(duì)目前常用的虛假點(diǎn)跡剔除算法在實(shí)際應(yīng)用過程中所面對(duì)的缺乏先驗(yàn)訓(xùn)練樣本數(shù)據(jù)支撐的問題，本文討論了如何通過使用LVQ算法對(duì)真、假目標(biāo)點(diǎn)跡混雜的粗糙樣本進(jìn)行初步聚類以得到真、假目標(biāo)點(diǎn)跡特征信息的統(tǒng)計(jì)特性，為后續(xù)的虛假點(diǎn)跡剔除算法提供數(shù)據(jù)支撐。下一步將圍繞真、假目標(biāo)統(tǒng)計(jì)特性分析、算法效果優(yōu)化以及硬件平臺(tái)驗(yàn)證和改進(jìn)等展開更多工作。