(1.空軍預(yù)警學(xué)院空天預(yù)警系， 湖北武漢 430019； 2.空軍預(yù)警學(xué)院教研保障中心， 湖北武漢 430019)

0 引言

無源雷達作為一種新型預(yù)警探測裝備，自身不發(fā)射信號，具有抗電子干擾、目標識別能力強等特性，可與有源雷達一體化運用來提高雷達網(wǎng)整體性能，是未來信息戰(zhàn)條件下預(yù)警探測體系的重要構(gòu)成力量。當(dāng)前，該類裝備對目標識別主要依靠與數(shù)據(jù)庫對比分析，不僅識別效率低，而且無法確保裝備實際作戰(zhàn)時能夠準確有效地識別目標，成為備受關(guān)注的熱點和難點問題。因此，開展無源雷達目標識別模型研究，加緊推動無源雷達目標識別相關(guān)研究，對于促進該類裝備戰(zhàn)斗力生成具有重要軍事意義。

目前，針對雷達目標識別及智能識別方法等方面已開展了大量研究，形成了比較系統(tǒng)和完整的雷達目標識別理論方法體系，其中，基于神經(jīng)網(wǎng)絡(luò)的目標識別是目前研究的熱點之一，但無源雷達目標識別的研究并不多見。文獻[1]給出了一個BP神經(jīng)網(wǎng)絡(luò)在無源雷達目標識別中的應(yīng)用思路，并進行了仿真驗證；文獻[2]建立了利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)逼近非線性的空中目標識別模型；文獻[3]對智能算法在空中目標識別中的應(yīng)用進行了理論探討；文獻[4]對神經(jīng)網(wǎng)絡(luò)的技術(shù)現(xiàn)狀和發(fā)展進行了總結(jié)和梳理。以上這些研究為本文的研究提供了很好的參考和借鑒。

以下圍繞無源雷達目標識別效率提升等問題，對無源雷達目標識別問題和神經(jīng)網(wǎng)絡(luò)原理進行梳理分析，構(gòu)建目標識別總體流程和神經(jīng)網(wǎng)絡(luò)目標識別模型，并給出模型運用的關(guān)鍵問題及解決思路，為無源雷達智能目標識別提供方法途徑。

1 無源雷達目標識別

目標識別是現(xiàn)代防空作戰(zhàn)的熱點研究內(nèi)容。無源雷達目標識別就是通過偵收敵方雷達信號，對探測到的信號進行分析和處理，獲得目標雷達等輻射源的相關(guān)參數(shù)，完成輻射源和載機類型等的識別?，F(xiàn)代新體制雷達往往采用調(diào)制復(fù)雜、參數(shù)多變的信號形式，如頻率捷變、相位編碼等方式，甚至采用誘餌欺騙等戰(zhàn)術(shù)，導(dǎo)致戰(zhàn)場空間電磁信號密集復(fù)雜，頻譜范圍十分寬，目標識別面臨前所未有的挑戰(zhàn)。

未來戰(zhàn)場無源雷達將是有源雷達的重要補充，提升預(yù)警探測網(wǎng)的作戰(zhàn)效能和生存能力，目標識別是其重要作戰(zhàn)任務(wù)。無源雷達目標識別的主要目的包括：1)支持無源雷達情報分析。目標識別可對偵收信號進行脈內(nèi)和脈間特征分析，獲取信號時頻域特性，并通過與電子情報數(shù)據(jù)庫進行對比、分析和推理，支撐無源雷達情報分析的重要內(nèi)容。2)協(xié)同有源雷達進行空中目標判性。無源雷達有強大數(shù)據(jù)庫技術(shù)作支撐，具有較強的目標識別和屬性判斷能力，綜合運用有源、無源探測信息，可以有效降低虛警率，增強預(yù)警探測網(wǎng)對空中目標識別判性的可信度。3)輔助指揮員制定反干擾決策。無源雷達可精確測定干擾源一次信號的干擾頻率、脈沖寬度、重復(fù)周期、頻帶寬度等信息，進而輔助指揮員準確判定干擾類型、干擾頻段及主要干擾方向等，為指揮員定下反干擾決策提供依據(jù)。

目前，無源雷達目標識別的主要問題包括：1)掌握目標航跡受限于目標輻射源。由于目標機載雷達具有很強的方向性，在飛機轉(zhuǎn)彎、高度變化大、超低空和背站飛行時，很難發(fā)現(xiàn)目標，特別是目標實施無線電靜默時，就無法捕捉目標信號。2)無法判定目標架數(shù)和準確解算高度。當(dāng)跟蹤一批多架目標時，若只有一架目標發(fā)射電磁信號，無源雷達只能判斷為一批一架，無法準確判定其架數(shù)，而且無法提供準確的目標高度信息。3)當(dāng)參數(shù)相近時，無法準確識別。例如，臺軍改進型IDF戰(zhàn)機與F-16戰(zhàn)機火控雷達重復(fù)頻率相近，無源雷達易發(fā)生錯判、誤判，影響指揮協(xié)同效果。4)分析數(shù)據(jù)庫不夠完善。由于無源雷達情報數(shù)據(jù)庫的數(shù)據(jù)累積需要一個過程，目前只能對部分戰(zhàn)機型號進行識別、判斷。總的來說，目前無源雷達存在目標識別率低、容錯性不足等問題，不能滿足高時效性要求的指揮決策需要，以神經(jīng)網(wǎng)絡(luò)為代表的智能目標識別是未來的發(fā)展方向。

2 神經(jīng)網(wǎng)絡(luò)原理

2.1 神經(jīng)元基本原理

人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本元素，其原理如圖1所示。

圖1 人工神經(jīng)元示意圖

圖中，x1～xn表示從其他神經(jīng)元傳來的輸入信號，wij表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值，θ表示一個閾值，或稱為偏置。

神經(jīng)元i的輸入與輸出關(guān)系表示為

neti=xw

(1)

yi=f(neti)=f(xw)

(2)

式中，x表示輸入向量，用w表示權(quán)重向量，yi表示神經(jīng)元i的輸出，函數(shù)f稱為激活函數(shù)或轉(zhuǎn)移函數(shù)，neti稱為凈激活。

若神經(jīng)元的凈激活net為正，稱該神經(jīng)元處于激活狀態(tài)或興奮狀態(tài)，否則，則稱神經(jīng)元處于抑制狀態(tài)。

2.2 常用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互聯(lián)而構(gòu)成的網(wǎng)絡(luò)，根據(jù)互聯(lián)方式的不同，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以分為如下3類[4]：

1) 前饋神經(jīng)網(wǎng)絡(luò)

也稱前向網(wǎng)絡(luò)。這種網(wǎng)絡(luò)只在訓(xùn)練過程會有反饋信號，在分類過程中數(shù)據(jù)只能向前傳送，直到到達輸出層，層間沒有向后的反饋信號。BP神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)，廣泛應(yīng)用于模式識別、分類等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)或其變化形式占目前神經(jīng)網(wǎng)絡(luò)應(yīng)用中的80%～90%，是前饋網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。

2) 反饋神經(jīng)網(wǎng)絡(luò)

反饋神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋網(wǎng)絡(luò)要復(fù)雜得多。典型的反饋型神經(jīng)網(wǎng)絡(luò)包括Elman網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)是一種典型的局部反饋神經(jīng)網(wǎng)絡(luò)，可以看作是前向BP神經(jīng)網(wǎng)絡(luò)的改進形式。Hopfield網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)，結(jié)合存儲系統(tǒng)和二元系統(tǒng)，保證了向局部極小的收斂，但也存在收斂到錯誤的局部極小值的可能。

3) 自組織網(wǎng)絡(luò)

自組織網(wǎng)絡(luò)是通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，是具有自學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)。典型例子為多層感知機。這種網(wǎng)絡(luò)中，輸出節(jié)點與其領(lǐng)域其他節(jié)點廣泛相連，并通過某種規(guī)則，不斷調(diào)整輸入節(jié)點和輸出節(jié)點之間連接強度，使得在穩(wěn)定時，每一領(lǐng)域的所有節(jié)點對某種輸入具有類似輸出。

2.3 常用激活函數(shù)和學(xué)習(xí)算法

激活函數(shù)和學(xué)習(xí)算法的選取是構(gòu)建神經(jīng)網(wǎng)絡(luò)的重要內(nèi)容。其中，激活函數(shù)包含線性激活函數(shù)和非線性激活函數(shù)。BP神經(jīng)網(wǎng)絡(luò)通常采用非線性激活函數(shù)。常用的非線性激活函數(shù)如下：

S形函數(shù)為

(3)

雙極S形函數(shù)為

(4)

兩者的主要區(qū)別在于函數(shù)的值域，雙極S形函數(shù)為(-1,1)，而S形函數(shù)為(0,1)。

學(xué)習(xí)算法是用來調(diào)整神經(jīng)元間的連接權(quán)，使得網(wǎng)絡(luò)輸出更符合實際。學(xué)習(xí)算法分為有導(dǎo)師學(xué)習(xí)與無導(dǎo)師學(xué)習(xí)兩類[4]。BP網(wǎng)絡(luò)一般采用有導(dǎo)師學(xué)習(xí)算法。

無導(dǎo)師學(xué)習(xí)抽取樣本集合中蘊含的統(tǒng)計特性，并以神經(jīng)元之間的連接權(quán)的形式存于網(wǎng)絡(luò)中。Hebb學(xué)習(xí)律是一種經(jīng)典的無導(dǎo)師學(xué)習(xí)算法，其核心思想是：當(dāng)兩個神經(jīng)元同時處于激發(fā)狀態(tài)時兩者間的連接權(quán)會被加強，否則被減弱。

有導(dǎo)師學(xué)習(xí)算法將一組訓(xùn)練集送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實際輸出與期望輸出間的差別來調(diào)整連接權(quán)。Delta學(xué)習(xí)規(guī)則是一種簡單的有導(dǎo)師學(xué)習(xí)算法。該算法根據(jù)神經(jīng)元的實際輸出與期望輸出差別來調(diào)整連接權(quán)，調(diào)整幅度計算的數(shù)學(xué)表示為

wij(t+1)=wij(t)+a(di-yi)xj(t)

(5)

式中，xj表示神經(jīng)元j狀態(tài)，若神經(jīng)元j處于激活狀態(tài)則xj為1，若處于抑制狀態(tài)則xj為0或-1，a表示學(xué)習(xí)速度常數(shù)。

3 神經(jīng)網(wǎng)絡(luò)目標識別模型構(gòu)建

3.1 無源雷達目標識別總體流程

基于神經(jīng)網(wǎng)絡(luò)的無源雷達目標識別總體工作流程如圖2所示。

圖2 無源雷達目標識別總體工作流程

基于神經(jīng)網(wǎng)絡(luò)進行無源雷達目標識別時，首先要提取目標特征參數(shù)，進而完善目標特征數(shù)據(jù)庫，并提取數(shù)據(jù)庫中典型數(shù)據(jù)進行樣本學(xué)習(xí)，實現(xiàn)對神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)的優(yōu)化配置。如果神經(jīng)網(wǎng)絡(luò)滿足了學(xué)習(xí)訓(xùn)練的中止條件，則認為得到成熟的神經(jīng)網(wǎng)絡(luò)模型，運用該模型，并將空情數(shù)據(jù)作為測試樣本，就可以實現(xiàn)無源雷達目標識別，并輸出識別結(jié)果。

3.2 神經(jīng)網(wǎng)絡(luò)目標識別模型構(gòu)建

3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)和函數(shù)選取

無源雷達目標識別可采用典型的前饋神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)。本文采用經(jīng)典的3層BP網(wǎng)絡(luò)，即輸入層、輸出層和隱含層，如圖3所示。

激活函數(shù)的選取上，從輸入層到隱含層以及從隱含層到輸出層均選擇S形函數(shù)，可以實現(xiàn)從輸入到輸出的任意非線性映射。學(xué)習(xí)函數(shù)選擇梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)[9]。訓(xùn)練參數(shù)包括學(xué)習(xí)速率、期望誤差最小值、最大循環(huán)次數(shù)和顯示中間結(jié)果周期[2]。Matlab神經(jīng)網(wǎng)絡(luò)工具箱中有相應(yīng)函數(shù)。

圖3 無源雷達目標識別BP神經(jīng)網(wǎng)絡(luò)

3.2.2 目標特征參數(shù)及歸一化

目標特征參數(shù)選取原則上應(yīng)當(dāng)盡可能典型和完備。本文側(cè)重于模型方法的驗證，選取載頻、重頻和脈寬三個典型特征來表征空中目標，作為目標識別的特征參數(shù)[5-7]。由于不同輻射信號特征通常有不同量綱，需要對特征參數(shù)進行歸一化，將數(shù)據(jù)映射到(0，1)區(qū)間。無源雷達目標識別模型采用對數(shù)歸一化法。對數(shù)歸一化算法為[2]

(6)

式中，C=lnγ，γ為滿足αγ≥1的常數(shù)。對數(shù)中的常數(shù)γ是為保證小數(shù)據(jù)取對數(shù)后為正值。

3.2.3 網(wǎng)絡(luò)節(jié)點確定及模式定義

3層BP神經(jīng)網(wǎng)絡(luò)的節(jié)點包括：輸入層節(jié)點、輸出層節(jié)點和隱含層節(jié)點。

1) 輸入層節(jié)點數(shù)確定

在目標識別應(yīng)用中，神經(jīng)網(wǎng)絡(luò)輸入是未知信號特征向量，輸入層節(jié)點數(shù)對應(yīng)目標特征參數(shù)的數(shù)量，因此，無源雷達目標識別模型輸入節(jié)點數(shù)對以上特征參數(shù)數(shù)量，即為3。

2) 隱含層節(jié)點數(shù)確定

隱含層節(jié)點的作用是從樣本中提取并存儲內(nèi)在規(guī)律。隱含單元數(shù)目的選擇是一個相對較復(fù)雜的問題，它與輸入輸出單元的多少有直接的關(guān)系，太多太少都可能影響網(wǎng)絡(luò)的性能。本文提出的無源雷達目標識別神經(jīng)模型，屬于支持模式分類的BP網(wǎng)絡(luò)，隱含層節(jié)點數(shù)確定可以參照以下經(jīng)驗公式[8]：

(7)

式中，N為隱含層節(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)。

利用上式進行多次實驗，實驗結(jié)果如表1所示，選取實際均方誤差最小時的N作為隱含層數(shù)目。

表1 隱含層節(jié)點數(shù)對應(yīng)誤差

計算結(jié)果表明，當(dāng)隱含層數(shù)為8時，系統(tǒng)的均方誤差最小。因此，確定無源雷達目標識別模型的隱含層數(shù)目為8。

3) 輸出層節(jié)點數(shù)確定

輸出層節(jié)點的數(shù)量取決于空中目標類型的數(shù)量。無源雷達作戰(zhàn)對象可以分為戰(zhàn)斗機、預(yù)警機、偵察機和干擾機。進行無源雷達的目標類型識別時，輸出層節(jié)點個數(shù)由目標所需分的類型數(shù)決定。具體的數(shù)學(xué)換算方法為：若設(shè)待分類模式的總數(shù)為m，則輸出層的節(jié)點數(shù)為log2m[1-2]，因此，無源雷達目標識別的BP模型的輸出節(jié)點數(shù)確定為2。

4) 目標模式的定義

由于模型選擇S型激活函數(shù)，其對應(yīng)的輸出結(jié)果限制在0到1之間，因此，分別用(0.2,0.2)，(0.4,0.4)，(0.6,0.6)，(0.8,0.8)表示戰(zhàn)斗機、預(yù)警機、偵察機和干擾機[10-11]，如表2所示。

表2 目標類型及模式定義表

3.3 神經(jīng)網(wǎng)絡(luò)目標識別模型運用

3.3.1 基于目標數(shù)據(jù)庫的樣本訓(xùn)練

樣本訓(xùn)練的目的是得到成熟的神經(jīng)網(wǎng)絡(luò)模型。無源雷達目標識別的樣本訓(xùn)練是從目標數(shù)據(jù)庫提取樣本數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)模型的樣本學(xué)習(xí)，不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使得輸出的期望誤差滿足要求，或者達到設(shè)定的訓(xùn)練次數(shù)，則完成網(wǎng)絡(luò)訓(xùn)練，輸出相對成熟的網(wǎng)絡(luò)模型，用于樣本測試。網(wǎng)絡(luò)訓(xùn)練工作流程如圖4所示。

圖4 無源雷達目標識別神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

3.3.2 樣本測試與目標識別

樣本測試的目的是檢驗神經(jīng)網(wǎng)絡(luò)模型的性能，檢測通過的神經(jīng)網(wǎng)絡(luò)模型就可用于無源雷達目標識別。神經(jīng)網(wǎng)絡(luò)的性能好壞主要看其是否具有很好的泛化能力，對泛化能力的測試應(yīng)該用訓(xùn)練數(shù)據(jù)之外的驗證集，這里可以用空情數(shù)據(jù)?？涨閿?shù)據(jù)和部分數(shù)據(jù)庫數(shù)據(jù)構(gòu)成測試樣本。來自數(shù)據(jù)庫的樣本用于模型測試，而空情數(shù)據(jù)則用于目標識別。通過樣本測試得到的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)，或者說仿真結(jié)果數(shù)據(jù)，與定義的目標類型進行模式匹配，匹配的結(jié)果就是目標識別結(jié)果。目標工作流程如圖5所示。

圖5 樣本測試及目標識別過程示意圖

4 仿真示例

基于Matlab GUI和神經(jīng)網(wǎng)絡(luò)工具箱，設(shè)計了BP神經(jīng)網(wǎng)絡(luò)仿真實驗平臺，如圖6所示。

圖6 無源雷達BP神經(jīng)網(wǎng)絡(luò)仿真實驗平臺主界面

實驗參數(shù)配置包括網(wǎng)絡(luò)結(jié)果參數(shù)配置和網(wǎng)絡(luò)訓(xùn)練參數(shù)配置。依據(jù)以上所述的無源雷達神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建及相關(guān)設(shè)計，仿真實驗參數(shù)配置如下：

1) 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置

無源雷達神經(jīng)網(wǎng)絡(luò)目標識別模型，其隱含層神經(jīng)元個數(shù)為8，傳遞函數(shù)設(shè)置為S形函數(shù)(logsig)，學(xué)習(xí)函數(shù)設(shè)置為梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)(traingdx)。

實驗參數(shù)配置如表3所示。

表3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置

2) 網(wǎng)絡(luò)訓(xùn)練參數(shù)配置

無源雷達目標識別的訓(xùn)練參數(shù)配置方案如表4所示。

表4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)配置

取無源雷達的32組空中目標數(shù)據(jù)，4類目標每類8組信號，利用對數(shù)歸一化法，對特征參數(shù)進行歸一化，結(jié)果如表5所示。

將以上參數(shù)作為平臺外部導(dǎo)入數(shù)據(jù)，用于開展仿真實驗。同時，為了驗證BP神經(jīng)網(wǎng)絡(luò)目標識別模型的容錯性，另外設(shè)計一組擾動后的樣本數(shù)據(jù)，用于開展無源雷達目標識別擾動實驗。

表5 特征參數(shù)的歸一化結(jié)果

在無源雷達目標識別時，將空情數(shù)據(jù)加入到測試樣本中，則輸出的仿真結(jié)果就是無源雷達的目標識別結(jié)果。仿真完成后平臺輸出結(jié)果，并繪制10個樣本的測試誤差折線圖，如圖7所示。

圖7 測試誤差表現(xiàn)圖

樣本測試對一組樣本數(shù)據(jù)進行了網(wǎng)絡(luò)預(yù)測，輸出一組結(jié)果數(shù)據(jù)，如表6所示。

為了檢驗?zāi)Ｐ偷臄?shù)據(jù)容錯能力，對于測試集數(shù)據(jù)進行一定程度的擾動，基于擾動后的數(shù)據(jù)開展容錯性檢驗實驗。擾動的位置是最后一個樣本。通過網(wǎng)絡(luò)訓(xùn)練和仿真測試，輸出仿真數(shù)據(jù)。最后一個樣本的仿真結(jié)果為(0.523 1，0.448 0)，匹配模式為(0.4，0.4)，識別結(jié)果為預(yù)警機，與以上識別結(jié)果是完全一致的。

表6 測試集目標識別結(jié)果

根據(jù)仿真結(jié)果分析，本文設(shè)計的神經(jīng)網(wǎng)絡(luò)目標識別模型具有較好的自學(xué)習(xí)能力以及較強的容錯能力，將部分樣本數(shù)據(jù)改動后仍具有較強的穩(wěn)定性。如果提取更多的目標信號數(shù)據(jù)，擴充實驗樣本的數(shù)量，識別效果會更好。

5 結(jié)束語

目標識別是無源雷達的重要作戰(zhàn)任務(wù)之一。現(xiàn)代信息戰(zhàn)場作戰(zhàn)態(tài)勢瞬息萬變，傳統(tǒng)的數(shù)據(jù)庫比對識別方法存在識別率低、容錯性不足等問題，已經(jīng)遠遠不能滿足對高時效性的作戰(zhàn)指揮要求。本文針對無源雷達的智能目標識別問題，構(gòu)建了一個BP神經(jīng)網(wǎng)絡(luò)目標識別模型，具有識別效率高、識別容錯能力強的特點，可有效克服傳統(tǒng)識別方法的不足，可用于支持無源雷達作戰(zhàn)性能提升。

本文的模型主要是針對目標的類型識別，通過重新定義識別對象的模式表示方式，這種方法可以推廣到對目標的機型識別，可見，該模型方法在無源雷達目標識別中具有很好的推廣應(yīng)用價值。下一步的主要工作包括：無源雷達目標識別的特征選取和優(yōu)化；無源雷達智能目標識別算法庫建設(shè)；無源雷達智能模型識別決策工具設(shè)計。