馮偉業(yè) 廖可非 歐陽繕 牛耀

摘? 要： 為了解決認(rèn)知雷達(dá)資源自適應(yīng)調(diào)度中評(píng)價(jià)指標(biāo)和評(píng)價(jià)方法單一而導(dǎo)致主、客觀評(píng)價(jià)不一致的問題，根據(jù)空中目標(biāo)威脅度以及目標(biāo)圖像質(zhì)量，提出一種基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知雷達(dá)目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)方法，為認(rèn)知雷達(dá)資源調(diào)度系統(tǒng)提供準(zhǔn)確的調(diào)度依據(jù)。該方法首先建立目標(biāo)的威脅度和成像質(zhì)量的評(píng)價(jià)指標(biāo)體系，然后采用BP神經(jīng)網(wǎng)絡(luò)和自組織特征映射（SOFM）神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)的優(yōu)先級(jí)進(jìn)行綜合評(píng)價(jià)。仿真結(jié)果表明，該方法能夠?qū)Χ鄠€(gè)目標(biāo)的優(yōu)先級(jí)進(jìn)行客觀、準(zhǔn)確的評(píng)價(jià)。

關(guān)鍵詞： 優(yōu)先級(jí)綜合評(píng)價(jià); 認(rèn)知雷達(dá)目標(biāo); 資源調(diào)度系統(tǒng); 評(píng)價(jià)模型建立; 評(píng)價(jià)方法; 目標(biāo)成像圖分析

中圖分類號(hào)： TN956?34? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）09?0062?05

A cognitive radar target priority comprehensive evaluation method

based on neural network

FENG Weiye， LIAO Kefei， OUYANG Shan， NIU Yao

（School of Information and Communication， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： In order to solve the problems of inconsistent subjective and objective evaluation due to single evaluation index and evaluation method in the adaptive scheduling of cognitive radar resource， a cognitive radar target priority comprehensive evaluation method based on neural networks is proposed according to threat degree and image quality of aerial targets， which provides accurate scheduling basis for the cognitive radar resource scheduling system. In this method， an evaluation index system of target threat degree and imaging quality is established firstly， and then the target priority is comprehensively evaluated with BP （Back Propagation） neural network and SOFM （Self Organizing Feature Map） neural network. The simulation results show that the priority sequence of multiple targets can be objectively and accurately evaluated with this method.

Keywords： priority comprehensive evaluation; cognitive radar target; resource scheduling system; evaluation model establishment; evaluation method; target image analysis

0? 引? 言

近年來，隨著世界各國(guó)航空航天活動(dòng)的日益頻繁，空間活動(dòng)規(guī)模不斷擴(kuò)大，使得提高空間目標(biāo)的探測(cè)與識(shí)別能力具有越來越重要的意義。但現(xiàn)有雷達(dá)成像技術(shù)對(duì)目標(biāo)的自適應(yīng)能力不強(qiáng)，發(fā)射波形、調(diào)制參數(shù)、工作頻譜等往往不能隨目標(biāo)特征的變化而變化，尚不具備對(duì)不同性質(zhì)目標(biāo)的自適應(yīng)調(diào)整能力，同時(shí)，對(duì)空間多目標(biāo)的成像難以高效地利用雷達(dá)資源。而認(rèn)知雷達(dá)技術(shù)因?yàn)槟軌蚪鉀Q對(duì)目標(biāo)自適應(yīng)能力不強(qiáng)的問題，已經(jīng)成為當(dāng)前雷達(dá)技術(shù)領(lǐng)域的一個(gè)研究熱點(diǎn)[1?6]。在認(rèn)知雷達(dá)理論體系中，將神經(jīng)網(wǎng)絡(luò)與目標(biāo)特征信息相結(jié)合，可提升雷達(dá)對(duì)目標(biāo)的成像能力。在對(duì)多目標(biāo)成像時(shí)，可以根據(jù)不同目標(biāo)特征及初步成像結(jié)果，形成對(duì)目標(biāo)優(yōu)先級(jí)的綜合評(píng)價(jià)，根據(jù)優(yōu)先級(jí)對(duì)有限的雷達(dá)資源進(jìn)行合理分配，以實(shí)現(xiàn)對(duì)多目標(biāo)的高效成像，從而實(shí)現(xiàn)雷達(dá)整體性能的優(yōu)化。

但傳統(tǒng)的優(yōu)先級(jí)評(píng)價(jià)方法——層次分析法（Analytic Hierarchy Process，AHP）根據(jù)專家的知識(shí)經(jīng)驗(yàn)而定，具有主觀性;而采用數(shù)據(jù)聚類的評(píng)價(jià)方法往往忽略數(shù)據(jù)本身所具有的重要屬性[7?8]，同時(shí)，在評(píng)價(jià)指標(biāo)方面并未很好地將雷達(dá)圖像質(zhì)量和威脅度結(jié)合起來[9]。因此，本文提出基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知雷達(dá)目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)方法，使雷達(dá)圖像質(zhì)量指標(biāo)與目標(biāo)威脅度指標(biāo)相結(jié)合，并將反向傳播（Back Propagation，BP）和自組織特征映射（Self Organizing Feature Map，SOFM）神經(jīng)網(wǎng)絡(luò)應(yīng)用于優(yōu)先級(jí)評(píng)價(jià)。該評(píng)價(jià)體系能夠借助神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)能力將專家的經(jīng)驗(yàn)自動(dòng)存儲(chǔ)到權(quán)矩陣中，實(shí)現(xiàn)指標(biāo)權(quán)重、優(yōu)先級(jí)的動(dòng)態(tài)評(píng)價(jià)，為雷達(dá)資源自適應(yīng)調(diào)度提供準(zhǔn)確的調(diào)度依據(jù)。

1? 目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)模型的建立

本節(jié)是整體評(píng)價(jià)模型的概述，所設(shè)計(jì)的認(rèn)知雷達(dá)評(píng)價(jià)系統(tǒng)主要包括目標(biāo)威脅度評(píng)價(jià)和圖像質(zhì)量評(píng)價(jià)。其中，圖像質(zhì)量評(píng)價(jià)又作為目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)的子指標(biāo)，二者共同反饋給認(rèn)知雷達(dá)資源調(diào)度體系。該評(píng)價(jià)系統(tǒng)首先通過多功能雷達(dá)獲取飛行目標(biāo)的威脅度參數(shù)以及雷達(dá)粗分辨成像圖，并采用BP神經(jīng)網(wǎng)絡(luò)對(duì)圖像質(zhì)量的權(quán)值作初步評(píng)價(jià)，再將圖像質(zhì)量和威脅度等優(yōu)先級(jí)參數(shù)輸入SOFM神經(jīng)網(wǎng)絡(luò)中進(jìn)行聚類分析，完成目標(biāo)優(yōu)先級(jí)的最終評(píng)價(jià)。然后將評(píng)價(jià)結(jié)果反饋給認(rèn)知雷達(dá)資源調(diào)度體系，為雷達(dá)資源自適應(yīng)調(diào)度提供準(zhǔn)確的調(diào)度依據(jù)。認(rèn)知雷達(dá)目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)系統(tǒng)結(jié)構(gòu)如圖1所示。

2? 目標(biāo)優(yōu)先級(jí)評(píng)價(jià)指標(biāo)的建立

2.1? 目標(biāo)威脅度評(píng)價(jià)指標(biāo)的建立

空中目標(biāo)的威脅度是指敵方空襲目標(biāo)對(duì)我方保衛(wèi)目標(biāo)破壞的可能性以及破壞程度，結(jié)合雷達(dá)資源成像的需求和空襲兵器的特點(diǎn)，本文選取目標(biāo)速度、目標(biāo)距離、航路捷徑、成像窗口為威脅度指標(biāo)。

2.1.1? 目標(biāo)速度

空中目標(biāo)的飛行速度是衡量目標(biāo)優(yōu)先級(jí)重要度指標(biāo)之一，通常目標(biāo)的飛行速度越快，目標(biāo)的威脅程度也就越大，對(duì)其成像的優(yōu)先級(jí)就越高。目標(biāo)速度的隸屬函數(shù)為：

[η（v）=1-e-α1?v，? ? v>0]? （1）

式中[α1=0.005]，該參數(shù)可根據(jù)實(shí)際的空戰(zhàn)環(huán)境調(diào)整。

2.1.2? 目標(biāo)距離

目標(biāo)距離的遠(yuǎn)近在一定程度上反映了目標(biāo)威脅度，通常目標(biāo)的距離越近，威脅度就越大，成像優(yōu)先級(jí)就越高。目標(biāo)距離的隸屬函數(shù)為：

[η（r）=1，? ? ?0≤r≤a1 e-k1（r-a1）2，? ? a1≤r≤2 000;k1>0]? （2）

式中：[k1=10-5]，[a1=500] km，該參數(shù)可根據(jù)實(shí)際的空戰(zhàn)環(huán)境調(diào)整。

2.1.3? 航路捷徑

航路捷徑是指空中飛行目標(biāo)到成像雷達(dá)的飛行軌跡在水平面上投影的最短距離。飛行目標(biāo)的航路捷徑越大，威脅度越低，當(dāng)飛行目標(biāo)的航路捷徑等于零時(shí)，目標(biāo)的威脅度最大。目標(biāo)航路捷徑的隸屬函數(shù)為：

[η（p）=e-k2?p2，? ? -200≤p≤200] （3）

式中，[k2=5×10-4]，該參數(shù)可根據(jù)實(shí)際的空戰(zhàn)環(huán)境調(diào)整。

2.1.4? 成像窗口

成像窗口作為目標(biāo)優(yōu)先級(jí)評(píng)價(jià)的參數(shù)之一，主要是評(píng)價(jià)對(duì)目標(biāo)成像任務(wù)的緊迫性。成像窗口時(shí)間越短，優(yōu)先級(jí)應(yīng)當(dāng)越高。目標(biāo)成像窗口時(shí)間的隸屬函數(shù)為：[η（t）=1，? ? t≤a211+α2（t-a2）β，? ? a20，β>0] （4）

式中：[α2=0.1，β=1，a2=5]，該參數(shù)可根據(jù)實(shí)際的空戰(zhàn)環(huán)境調(diào)整。

2.2? 目標(biāo)成像質(zhì)量評(píng)價(jià)模型的建立

電磁環(huán)境和戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變，一般很難獲得理想的雷達(dá)成像圖，同時(shí)，也缺乏很好的雷達(dá)成像圖作為參考進(jìn)行評(píng)判。因此，在對(duì)空中目標(biāo)粗分辨成像圖評(píng)價(jià)時(shí)，采用無參考的圖像評(píng)價(jià)方法對(duì)雷達(dá)圖像質(zhì)量進(jìn)行評(píng)價(jià)。本文選取標(biāo)準(zhǔn)差、平均梯度、圖像熵、無參考結(jié)構(gòu)清晰度4個(gè)圖像參數(shù)為雷達(dá)圖像質(zhì)量提供評(píng)價(jià)依據(jù)[10?13]。

2.2.1? 標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差是指圖像像素灰度值相對(duì)于均值的離散程度。標(biāo)準(zhǔn)差越大，表明圖像中灰度級(jí)越分散，圖像質(zhì)量也就越好，其計(jì)算公式為：

[σ=1M?Nn=1Nm=1M[f（m，n）-μ]2] （5）

式中：[f（m，n）]表示雷達(dá)圖像中坐標(biāo)為[（m，n）]的像素灰度值;[μ]為圖像的平均灰度值。

2.2.2? 平均梯度

平均梯度能反映圖像的邊界點(diǎn)或影線兩側(cè)附近灰度的明顯差異，它反映了圖像微小細(xì)節(jié)反差變化的速率，可以對(duì)圖像的像素清晰度進(jìn)行表征。一般地，平均梯度計(jì)算公式如下：

[G=1（M-1）（N-1）m=1Mn=1NΔI2x+ΔI2y2] （6）

式中：[ΔIx]和[ΔIy]分別為[x]與[y]方向上的灰度差分，其計(jì)算公式分別為：

[ΔIx=f（m，n）-f（m+1，n）] （7）

[ΔIy=f（m，n）-f（m，n+1）] （8）

2.2.3? 圖像熵

熵是一種基于信息論的統(tǒng)計(jì)量，雷達(dá)圖像熵越大，說明圖像所包含的信息量就越多，而且其聚焦性能也越好，圖像越清晰。對(duì)于一幅像素[M×N]大小的雷達(dá)圖像，圖像熵[H]定義如下：

[H=-i=0255pilnpi] （9）

式中：

[pi=m=1Mn=1NgiM?N] （10）

[gi]定義如下：

[gi=1，? ? ?f（m，n）=i0，? ? f（m，n）≠i? ] （11）

式中：[pi]表示灰度值[i]在所有灰度中出現(xiàn)的概率;[ f（m，n）]表示雷達(dá)圖像中坐標(biāo)為[（m，n）]的像素灰度值。

2.2.4? 無參考結(jié)構(gòu)清晰度

無參考結(jié)構(gòu)清晰度（No?Reference Structural Sharpness，NRSS）是一種改進(jìn)的結(jié)構(gòu)相似度評(píng)價(jià)方法，對(duì)圖像的清晰度具有很好的評(píng)判效果，圖像的NRSS越大，清晰度越好，其計(jì)算公式如下：

[NRSS=1-1Ni=1NSSM（xi，yi），? ? ?i=1，2，…，N] （12）

式中：[xi，yi]表示待評(píng)價(jià)圖像和對(duì)應(yīng)的構(gòu)造圖像中梯度信息最豐富的[N]個(gè)圖像塊[14]。

3? 基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)優(yōu)先級(jí)評(píng)價(jià)模型

3.1? 基于BP神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量指標(biāo)權(quán)重確定

對(duì)于2.1節(jié)的圖像質(zhì)量指標(biāo)，AHP是根據(jù)專家經(jīng)驗(yàn)進(jìn)行權(quán)值確定，指標(biāo)權(quán)值較為固定，并無法根據(jù)數(shù)據(jù)進(jìn)行指標(biāo)的動(dòng)態(tài)調(diào)整，為了實(shí)現(xiàn)指標(biāo)的動(dòng)態(tài)評(píng)價(jià)，本文采用BP神經(jīng)網(wǎng)絡(luò)來確定圖像質(zhì)量高指標(biāo)的權(quán)值。BP神經(jīng)網(wǎng)絡(luò)是一種誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層組成。BP神經(jīng)網(wǎng)絡(luò)可以對(duì)優(yōu)先級(jí)指標(biāo)間的未知關(guān)系進(jìn)行系統(tǒng)辨識(shí)，進(jìn)而實(shí)現(xiàn)圖像質(zhì)量指標(biāo)權(quán)重的確定[15]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)可隨著數(shù)據(jù)樣本的增多，通過不斷地自我學(xué)習(xí)，進(jìn)行指標(biāo)權(quán)重的動(dòng)態(tài)更新。

3.1.1? 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了確定圖像質(zhì)量指標(biāo)權(quán)重，本文建立了三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖2所示。由于理論上已經(jīng)證明，單個(gè)隱含層的網(wǎng)絡(luò)可以通過適當(dāng)增加神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)實(shí)現(xiàn)任意非線性映射，因此，在本文中設(shè)定單個(gè)隱含層即可滿足需求。由圖2可知，輸入層包含4個(gè)節(jié)點(diǎn)（對(duì)應(yīng)圖像質(zhì)量的4個(gè)評(píng)價(jià)指標(biāo)），隱含層根據(jù)神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)公式設(shè)定10個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層只包含1個(gè)節(jié)點(diǎn)，輸出結(jié)果包含設(shè)定的4個(gè)評(píng)價(jià)等級(jí)之一。

3.1.2? 確定指標(biāo)權(quán)重

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，達(dá)到分類精度后，輸入層和隱含層之間的權(quán)重矩陣也就確定下來，輸入層和隱含層之間的權(quán)重表示每個(gè)輸入節(jié)點(diǎn)對(duì)圖像質(zhì)量好壞的影響大小，在獲得連接權(quán)矩陣后，計(jì)算各輸入層節(jié)點(diǎn)到所有隱含層節(jié)點(diǎn)間的絕對(duì)值之和，然后進(jìn)行歸一化處理，得到[m]個(gè)指標(biāo)的權(quán)重，計(jì)算公式如下：

[qi=l=1kvili=1ml=1kvil，? ? ?i=1，2，…，m]? ?（13）

式中：[m]代表指標(biāo)個(gè)數(shù);[k]是隱含層神經(jīng)元個(gè)數(shù)。

在確定指標(biāo)權(quán)重后，將圖像質(zhì)量評(píng)價(jià)的4項(xiàng)指標(biāo)數(shù)據(jù)[（σ，G，H，NRSS）]代入下述公式，得出單個(gè)目標(biāo)的圖像質(zhì)量綜合評(píng)價(jià)結(jié)果[U]：

[U=q1σ+q2G+q3H+q4?NRSS] （14）

3.2? 基于SOFM的目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)

對(duì)第2節(jié)確定的目標(biāo)優(yōu)先級(jí)評(píng)價(jià)指標(biāo)體系，由于在復(fù)雜多變空間作戰(zhàn)環(huán)境中，很難找到多個(gè)典型的飛行目標(biāo)樣本作為參考，指標(biāo)體系存在樣本少、參數(shù)多的特點(diǎn)，無法滿足傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練要求，因此選用了無監(jiān)督的SOFM神經(jīng)網(wǎng)絡(luò)。其網(wǎng)絡(luò)結(jié)構(gòu)由競(jìng)爭(zhēng)層和輸入層組成，SOFM可以將任意維度的輸入信號(hào)通過計(jì)算映射轉(zhuǎn)變?yōu)橐痪S或者二維的離散映射，并且以自適應(yīng)的方式實(shí)現(xiàn)這個(gè)過程[16]。SOFM神經(jīng)網(wǎng)絡(luò)并不需要大量的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，相比有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，對(duì)不存在的數(shù)據(jù)樣本會(huì)有誤判的情況，SOFM會(huì)將它歸入最接近的模式類，在一定程度上避免了誤判。

3.2.1? 數(shù)據(jù)初始化

由于目標(biāo)的圖像質(zhì)量指標(biāo)以及目標(biāo)的威脅度指標(biāo)具有不同的單位和量綱，因而其數(shù)值的差異很大，因此在指標(biāo)確定之后，對(duì)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。通常的標(biāo)準(zhǔn)化處理方法有：總和標(biāo)準(zhǔn)化、標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化、極大值標(biāo)準(zhǔn)化、極差標(biāo)準(zhǔn)化。在SOFM神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型中采用極差標(biāo)準(zhǔn)化，公式如下：

1） 正向指標(biāo)（越大越好）：

[zi=yi-min1≤i≤syimax1≤i≤syi-min1≤i≤syi，? ?1≤i≤s]? （15）

2） 逆向指標(biāo)（越小越好）：

[zi=max1≤i≤syi-yimax1≤i≤syi-min1≤i≤syi，? ?1≤i≤s]? ?（16）

式中[s]表示目標(biāo)個(gè)數(shù)。

3.2.2? 參數(shù)設(shè)計(jì)

輸入層設(shè)計(jì)：輸入層選擇 5個(gè)神經(jīng)元，對(duì)應(yīng)于4個(gè)威脅度參數(shù)和1個(gè)圖像質(zhì)量總評(píng)價(jià)參數(shù)。

輸出層設(shè)計(jì)：選擇恰當(dāng)?shù)木垲悈?shù)，這里的參數(shù)設(shè)置是聚類的類別個(gè)數(shù)。本文中目標(biāo)優(yōu)先級(jí)類別采用SOFM神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)時(shí)，過細(xì)的類別可能將很多飛行目標(biāo)單獨(dú)化為一類，從而失去意義，而粗線條的二分類意義也并不大。輸出層采用通常認(rèn)為具有最好排列方式的六邊形網(wǎng)格和二維神經(jīng)元排列結(jié)構(gòu)[16]。通過多次實(shí)驗(yàn)，選擇2×2的結(jié)構(gòu)可得到較好的網(wǎng)絡(luò)訓(xùn)練結(jié)果，即將目標(biāo)的優(yōu)先級(jí)劃分為4個(gè)級(jí)別。

網(wǎng)絡(luò)參數(shù)設(shè)計(jì)：為了使SOFM神經(jīng)網(wǎng)絡(luò)有很好的聚類評(píng)價(jià)效果，加快評(píng)價(jià)的訓(xùn)練收斂速度，設(shè)置總的訓(xùn)練步數(shù)為100步，這樣保證了網(wǎng)絡(luò)權(quán)值有很好的學(xué)習(xí)效果，同時(shí)波動(dòng)較少。因?yàn)槌跏碱I(lǐng)域大小對(duì)識(shí)別的結(jié)果影響不大，在此設(shè)定初始化神經(jīng)元領(lǐng)域的大小為3。距離計(jì)算公式采用鏈路距離公式函數(shù)，這樣可以保證系統(tǒng)能夠很快捕捉到輸入的大致特征，加快收斂。

4? 仿真實(shí)現(xiàn)

4.1? 圖像質(zhì)量指標(biāo)權(quán)值確定

利用本文確定的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)144個(gè)ISAR成像樣本進(jìn)行訓(xùn)練，其中，116（80%）個(gè)數(shù)據(jù)樣本作為訓(xùn)練樣本，28（20%）個(gè)數(shù)據(jù)樣本作為測(cè)試樣本，訓(xùn)練結(jié)果如圖3所示。在300批次時(shí)均方誤差開始收斂，在3 000批次時(shí)，均方誤差能達(dá)到0.010 818，對(duì)樣本的識(shí)別概率能達(dá)到92.857%，滿足對(duì)圖像質(zhì)量等級(jí)評(píng)價(jià)的要求。

根據(jù)式（13）可求出4個(gè)圖像質(zhì)量評(píng)價(jià)的歸一化權(quán)重為：[qi]=[0.221 2，0.250 4，0.271 6，0.256 8]。

在某一成像雷達(dá)資源調(diào)度系統(tǒng)模型中，由多個(gè)傳感器和成像雷達(dá)采集得到的10個(gè)飛行目標(biāo)的逆合成孔徑雷達(dá)（Inverse Synthetic Aperture Radar， ISAR）粗分辨成像圖如圖4所示，處理得到的圖像數(shù)據(jù)如表1所示。

將圖像質(zhì)量評(píng)價(jià)的4項(xiàng)指標(biāo)數(shù)據(jù)[（σ，G，H，NRSS）]代入式（14），得出單個(gè)目標(biāo)的圖像質(zhì)量綜合評(píng)價(jià)結(jié)果[U]，見表2。

從圖像質(zhì)量評(píng)價(jià)的參數(shù)表可以看出，以目標(biāo)9，目標(biāo)10為例，圖像質(zhì)量較好，對(duì)應(yīng)的各項(xiàng)參數(shù)值較高，圖像評(píng)價(jià)的數(shù)據(jù)基本與圖像是吻合的，圖像質(zhì)量綜合評(píng)價(jià)結(jié)果與實(shí)際中應(yīng)體現(xiàn)的成像質(zhì)量結(jié)果一致。

4.2? 圖像優(yōu)先級(jí)的綜合評(píng)價(jià)

圖像質(zhì)量綜合評(píng)價(jià)結(jié)果[U]與目標(biāo)威脅度參數(shù)共同構(gòu)成5個(gè)評(píng)價(jià)參數(shù)，如表3所示。

代入相應(yīng)的模糊度隸屬函數(shù)，經(jīng)計(jì)算得到飛行目標(biāo)的隸屬度值如表4所示。

將10個(gè)飛行目標(biāo)優(yōu)先級(jí)參數(shù)放入訓(xùn)練好的SOFM網(wǎng)絡(luò)中，定義優(yōu)先級(jí)等級(jí)為4，即聚類的類別為4，最后計(jì)算所得SOFM神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間及目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)結(jié)果如圖5所示。

分析數(shù)據(jù)可以看出：以目標(biāo)1，6，9為例，在10個(gè)目標(biāo)中，目標(biāo)1，6的速度較高，距離、航路捷徑較短，威脅度較高，在成像方面，成像窗口時(shí)間較短、成像質(zhì)量較差，得出的綜合優(yōu)先級(jí)最高;目標(biāo)9的速度較低，距離、航路捷徑較短，在成像方面，成像窗口時(shí)間較長(zhǎng)，成像質(zhì)量較好，得出的綜合優(yōu)先級(jí)最低。故目標(biāo)最終的優(yōu)先級(jí)與飛行參數(shù)、圖像質(zhì)量相一致，驗(yàn)證了優(yōu)先級(jí)評(píng)價(jià)模型的正確性，具有較高的可信性。此外，SOFM神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，聚類評(píng)價(jià)時(shí)間短（0.29 s），能夠適應(yīng)多維復(fù)雜參數(shù)的評(píng)價(jià)，滿足現(xiàn)代空間戰(zhàn)爭(zhēng)的時(shí)效性。

由圖6可以看出，傳統(tǒng)的AHP方法忽略了數(shù)據(jù)之間的關(guān)聯(lián)性，當(dāng)專家經(jīng)驗(yàn)出現(xiàn)誤差，主觀評(píng)價(jià)指標(biāo)距離指標(biāo)權(quán)重過大時(shí)，會(huì)優(yōu)先按距離指標(biāo)進(jìn)行評(píng)價(jià)，而忽略速度、航路捷徑、成像窗口時(shí)間、成像質(zhì)量對(duì)目標(biāo)優(yōu)先級(jí)的影響，這顯然是不符合實(shí)際情況的。相比AHP，SOFM不會(huì)出現(xiàn)指標(biāo)誤判的情況，同時(shí)，SOFM無需專家進(jìn)行指標(biāo)權(quán)值評(píng)價(jià)，極大地提高了時(shí)間效率，即使數(shù)據(jù)量增大，計(jì)算效率也不會(huì)有明顯的降低。當(dāng)有新的參數(shù)出現(xiàn)時(shí)，只需稍微修改網(wǎng)絡(luò)結(jié)構(gòu)即可，無需再進(jìn)行復(fù)雜的評(píng)判，具有很強(qiáng)的適應(yīng)性。

5? 結(jié)? 語

針對(duì)雷達(dá)資源調(diào)度中存在較多的不確定因素，傳統(tǒng)的評(píng)價(jià)方法并不能根據(jù)參數(shù)的變化、數(shù)據(jù)樣本的增多進(jìn)行及時(shí)調(diào)整，本文建立了基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知雷達(dá)目標(biāo)優(yōu)先級(jí)綜合評(píng)價(jià)方法，采集并處理了ISAR圖像數(shù)據(jù)參數(shù)以及威脅度參數(shù)，提出基于BP神經(jīng)網(wǎng)絡(luò)和SOFM神經(jīng)網(wǎng)絡(luò)的綜合評(píng)價(jià)方法。仿真結(jié)果表明，該方法能對(duì)空中目標(biāo)做出準(zhǔn)確的評(píng)價(jià)，為ISAR圖像的評(píng)價(jià)提供新的方法和思路，進(jìn)一步為認(rèn)知雷達(dá)資源調(diào)度系統(tǒng)提供信息反饋。

參考文獻(xiàn)

[1] HAYKIN S. Adaptive radar： evolution to cognitive radar [C]// IEEE International Symposium on Phased Array Systems and Technology. Boston， MA： IEEE， 2003： 613?619.

[2] HAYKIN S， XUE Y， DAVIDSON T N. Optimal waveform design for cognitive radar [C]// 2008 42nd Asilomar Conference on Signals， Systems and Computers. Pacific Grove， CA： IEEE， 2008： 3?7.

[3] HAYKIN S. Cognitive radar： a way of the future [J]. IEEE signal processing magazine， 2006， 23（1）： 30?40.

[4] SMITS F， HUIZING A， ROSSUM W V， et al. A cognitive radar network： architecture and application to multiplatform radar management [C]// 2008 European Radar Conference. Amsterdam： IEEE， 2008： 312?315.

[5] BAKER C J. Intelligence and radar systems [C]// 2010 IEEE Radar Conference. Washington， DC： IEEE， 2010： 1276?1279.

[6] WICKS M. Spectrum crowding and cognitive radar [C]// 2010 2nd International Workshop on Cognitive Information Proces?sing. Elba， Italy： IEEE， 2010： 452?457.

[7] 徐志偉，寧志敏，衛(wèi)明，等.基于層次分析法和灰色關(guān)聯(lián)分析的目標(biāo)威脅度評(píng)估[J].科技廣場(chǎng)，2009（9）：16?18.

[8] 閆沖沖，郝永生.基于層次分析法（AHP）的空中目標(biāo)威脅度估計(jì)[J].計(jì)算技術(shù)與自動(dòng)化，2011，30（2）：118?121.

[9] 黃璐，王洋，金勝.一種ISAR圖像性能定量評(píng)估方法[J].雷達(dá)科學(xué)與技術(shù)，2017，15（1）：43?49.

[10] 符永軍，方棉佳，張永順.模糊多因素多層次評(píng)判在目標(biāo)威脅度中的應(yīng)用[J].火力與指揮控制，2004，29（3）：88?90.

[11] 張娟，夏忠婷.基于信息熵的自適應(yīng)資源調(diào)度算法[J].現(xiàn)代雷達(dá)，2015，37（8）：33?36.

[12] 句彥偉，張燕.ISAR圖像質(zhì)量評(píng)估方法[J].系統(tǒng)工程與電子技術(shù)，2015，37（2）：297?303.

[13] 黃璐，王洋，金勝.一種ISAR圖像性能定量評(píng)估方法[J].雷達(dá)科學(xué)與技術(shù)，2017，15（1）：43?49.

[14] 謝小甫，周進(jìn)，吳欽章.一種針對(duì)圖像模糊的無參考質(zhì)量評(píng)價(jià)指標(biāo)[J].計(jì)算機(jī)應(yīng)用，2010，30（4）：921?924.

[15] CUN Y L， BOSER B， DENKER J S， et al. Handwritten digit recognition with a back?propagation network [J]. Advances in neural information processing systems， 1990， 2（2）： 396?404.

[16] KOHONEN T， SOMERVUO P. Self?organizing maps of symbol strings [J]. Neurocomputing， 1998， 21（1/3）： 19?30.