趙佳歡 楊海明 邱令存

上海機電工程研究所，上海201109

0 引言

目標(biāo)類型識別是防空作戰(zhàn)領(lǐng)域的研究熱點。在現(xiàn)代信息化戰(zhàn)爭中，識別敵方來襲目標(biāo)的類型是指揮控制系統(tǒng)做出正確決策的重要依據(jù)，準(zhǔn)確地識別目標(biāo)類型有利于精確的威脅評估和合理的火力分配，從而提高我方防空武器系統(tǒng)的作戰(zhàn)效能[1-2]。

面對高動態(tài)不確定性的戰(zhàn)場環(huán)境，空襲目標(biāo)種類和數(shù)量劇增，如何根據(jù)雷達目標(biāo)序列數(shù)據(jù)準(zhǔn)確而又快速地識別目標(biāo)類型是一個急需解決的問題。傳統(tǒng)的方法主要依據(jù)目標(biāo)的高度和速度特性對目標(biāo)類型進行判斷[3]，文獻[4-5]利用貝葉斯網(wǎng)絡(luò)對目標(biāo)類型進行識別，該方法存在的問題是對于目標(biāo)高度、速度等一系列非離散的數(shù)據(jù)，需要依據(jù)經(jīng)驗進行離散化，該過程專家主觀因素比重過大。文獻[6]提出一種基于支持向量機(Support Vector Machine, SVM)的目標(biāo)識別模型，該模型結(jié)構(gòu)簡單，在小樣本訓(xùn)練集上表現(xiàn)優(yōu)秀，但在面對大規(guī)模樣本時將消耗大量的機器內(nèi)存和運算時間，且經(jīng)典SVM算法很難處理多分類問題。

不同類型的目標(biāo)，其運動特性、行為特性有所不同，其差異性會體現(xiàn)在目標(biāo)不同維度的特征中。傳統(tǒng)方法僅僅依據(jù)目標(biāo)的速度和高度特征進行目標(biāo)類型的判斷，但有些類型的目標(biāo)運動特性起伏大，不同類型的目標(biāo)之間在高度、速度特性上會有重疊，這些因素都降低了識別的準(zhǔn)確率。除了目標(biāo)速度、高度等特征以外，本文考慮引入雷達目標(biāo)信噪比(Signal-Noise Ratio, SNR)特征用于目標(biāo)識別，增加識別準(zhǔn)確率。而SNR特征起伏大，規(guī)律不明顯，傳統(tǒng)目標(biāo)識別方法通常不將其作為識別特征之一，而智能化模型循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)能從大量的歷史樣本自動學(xué)習(xí)得到特征，適合處理雷達的時序數(shù)據(jù)。

RNN是一種深度學(xué)習(xí)模型，深度學(xué)習(xí)(Deep Learning, DL)通過多層網(wǎng)絡(luò)結(jié)構(gòu)和非線性激活函數(shù)的組合，將低層次特征轉(zhuǎn)化為高層次特征[7]。RNN由于其特殊的循環(huán)輸入結(jié)構(gòu)，是眾多深度學(xué)習(xí)模型中公認(rèn)的最適合處理時序數(shù)據(jù)的模型，能從大量歷史雷達數(shù)據(jù)中挖掘出隱藏在時間層面的目標(biāo)特征，并以網(wǎng)絡(luò)權(quán)值的形式記錄下來。這種方法僅從雷達數(shù)據(jù)層面入手，不需要改良現(xiàn)有雷達的體制，便于實際的工程應(yīng)用。

1 典型空中目標(biāo)類型

現(xiàn)代戰(zhàn)爭空襲目標(biāo)種類和數(shù)量劇增，防空反導(dǎo)作戰(zhàn)面臨的主要威脅可分為2大類：飛機類和導(dǎo)彈類。選擇具有代表性的隱身飛機、常規(guī)飛機、空地導(dǎo)彈、巡航導(dǎo)彈、隨隊掩護電子干擾機這5類典型的空中目標(biāo)作為研究對象。

隱身飛機利用各種技術(shù)手段削弱雷達反射、紅外輻射信息，躲避敵方探測系統(tǒng)的偵測，具有極強的突防及攻擊能力，是各國軍事專家的研究熱點[8-10]。隨著美軍F-35各機型陸續(xù)服役，我國周邊地區(qū)國家諸如日本、澳大利亞等國家訂購的F-35相繼下線交付使用，隱身戰(zhàn)機對我國安全形勢造成極大威脅，反隱身需求越來越迫切。區(qū)分隱身飛機目標(biāo)與常規(guī)飛機目標(biāo)具有重要意義。

空地導(dǎo)彈是指從航空器上發(fā)射攻擊地(水)面目標(biāo)的導(dǎo)彈，與普通的航空炸彈相對，具有目標(biāo)毀傷概率高、機動性強、隱蔽性好的特點。

巡航導(dǎo)彈是指一類以巡航狀態(tài)在稠密大氣層內(nèi)低空飛行的導(dǎo)彈，美國的戰(zhàn)斧巡航導(dǎo)彈在巡航飛行階段的高度一般在50m左右，掠海飛行高度可達7～15m，能有效避開雷達搜索，躲避攔截。

電子對抗是作戰(zhàn)雙方利用電子設(shè)備在電磁維度進行的斗爭，為了削弱甚至破壞對手電子設(shè)備的作戰(zhàn)效能，保護己方作戰(zhàn)單位。電子對抗是現(xiàn)代戰(zhàn)爭中一種重要的作戰(zhàn)手段[11-12]，本文以典型的隨隊掩護電子干擾機作為一類研究目標(biāo)。隨隊掩護干擾是指電子干擾機在指定空域內(nèi)跟隨攻擊編隊?wèi)?zhàn)機飛行，釋放干擾，掩護攻擊編隊。

2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別

2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及原理

RNN是一種以序列數(shù)據(jù)為輸入，且所有循環(huán)節(jié)點按鏈?zhǔn)竭B接的神經(jīng)網(wǎng)絡(luò)。最早由Jordan和Elman分別于1986年和1990年提出，目前RNN在語音識別、機器翻譯等領(lǐng)域有廣泛的應(yīng)用，但在目標(biāo)識別領(lǐng)域的研究較少。RNN具有記憶性、參數(shù)共享并且圖靈完備，在學(xué)習(xí)時間序列非線性特征時具有獨特的優(yōu)勢，而雷達目標(biāo)數(shù)據(jù)都是大量的時序數(shù)據(jù)，因此應(yīng)用RNN對目標(biāo)進行識別具有很大的可行性。

圖1是單向循環(huán)神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)展開圖。

圖1 RNN結(jié)構(gòu)圖

圖1中x是多維時間序列數(shù)據(jù)，依次循環(huán)輸入RNN，s為隱藏層輸出，o為輸出層輸出，U是輸入層與隱層全連接權(quán)值矩陣，V是隱層與輸出層全連接權(quán)值矩陣，W是隱層與隱層之間的循環(huán)權(quán)值矩陣。

RNN最大的特點在于引入了隱層自身之間的循環(huán)結(jié)構(gòu)，從其展開圖中可以得到，t時刻隱藏層的輸出st不再僅依賴于U和xt，還依賴于新的權(quán)值矩陣W以及上一時刻隱藏層的輸出st-1，正是因為這種特殊的結(jié)構(gòu)，RNN才能有效地處理時間序列數(shù)據(jù)。

隨時間反向傳播(Back Propagation Through Time, BPTT)算法是RNN模型最經(jīng)典的優(yōu)化算法，與傳統(tǒng)的BP算法不同，BPTT算法中計算誤差不僅在空間上傳播，還會在時間尺度上傳播。

BPTT算法主要有以下3個步驟：1)根據(jù)當(dāng)前時刻的輸入和上一時刻隱層的輸出，計算當(dāng)前時刻各神經(jīng)元的輸出；2)從最后一個神經(jīng)元開始，在時間尺度和空間結(jié)構(gòu)上分別反向計算各個神經(jīng)元的誤差項；3)計算各個權(quán)值的梯度，采用梯度下降法進行權(quán)值的更新。

2.2 目標(biāo)識別算法

基于RNN的目標(biāo)識別算法如圖2所示。

該算法主要有3大步驟，首先是利用訓(xùn)練集數(shù)據(jù)對目標(biāo)識別循環(huán)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在訓(xùn)練次數(shù)達限后，轉(zhuǎn)入網(wǎng)絡(luò)的測試階段，若準(zhǔn)確率達標(biāo)，則進入網(wǎng)絡(luò)實時分類識別階段，否則需要重新設(shè)置超參數(shù)，再次進行訓(xùn)練。

其中主要包含了5個核心內(nèi)容：數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)確定、損失函數(shù)確定、網(wǎng)絡(luò)測試評估、實時分類識別。

圖2 RNN目標(biāo)識別算法

2.2.1 數(shù)據(jù)預(yù)處理

首先需要分析樣本數(shù)據(jù)結(jié)構(gòu)，將數(shù)據(jù)集以8∶2的比例劃分為訓(xùn)練集和測試集，訓(xùn)練集數(shù)據(jù)用于優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)的權(quán)值，測試集用于測試訓(xùn)練完成的模型的識別性能并調(diào)整合適的超參數(shù)。

本文所用的數(shù)據(jù)集中目標(biāo)特征包含了相對距離R、方位角A、俯仰角E、速度的三軸分量、徑向速度V、高度H以及信噪比。為了消除不同特征屬性之間數(shù)量級差異較大造成的不良影響，提高RNN的收斂速度，增加模型識別的準(zhǔn)確率，需要對雷達數(shù)據(jù)進行歸一化處理。本文采用常用的min-max歸一化。min-max歸一化方法對原始數(shù)據(jù)做簡單的線性變換，使得結(jié)果映射到[0,1]區(qū)間上，對于某一維數(shù)據(jù)中的任意x，歸一化公式為

(1)

xmin表示該數(shù)據(jù)集里的最小值，xmax表示該數(shù)據(jù)集里的最大值。

最后需要對樣本標(biāo)簽轉(zhuǎn)換為獨熱(One-Hot)編碼形式。獨熱編碼能很好地處理離散型屬性的編碼問題，并在一定程度上起到擴充特征的作用，具體編碼如表1所示。

表1 One-Hot編碼形式

2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)確定

接著需要確定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置合適的超參數(shù)，比如學(xué)習(xí)率η、網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元數(shù)量、循環(huán)次數(shù)、激活函數(shù)、批處理容量等。超參數(shù)是指在網(wǎng)絡(luò)學(xué)習(xí)過程中不發(fā)生變化，需要事先依據(jù)經(jīng)驗進行設(shè)置，并在后續(xù)仿真中具體確定的參數(shù)類型。

學(xué)習(xí)率η用于控制每次更新時網(wǎng)絡(luò)權(quán)值調(diào)整的大小，與網(wǎng)絡(luò)收斂速度和識別準(zhǔn)確率息息相關(guān)。如果學(xué)習(xí)率設(shè)置過小，雖然最終能達到較高的識別準(zhǔn)確率，但是模型收斂速度慢；如果設(shè)置太大，模型的識別準(zhǔn)確率波動較大，且不一定能收斂。因此需要確定合適的學(xué)習(xí)率η，同時保證網(wǎng)絡(luò)的收斂速度和識別準(zhǔn)確率。據(jù)經(jīng)驗，學(xué)習(xí)率的典型值在0.001到0.1之間。

網(wǎng)絡(luò)層數(shù)和各層神經(jīng)元數(shù)量直接確定了RNN模型的結(jié)構(gòu)。一般而言，網(wǎng)絡(luò)層數(shù)越多，神經(jīng)元數(shù)量越多，模型的準(zhǔn)確率也會越高，但受限于計算機存儲空間和計算量的限制，往往需要在滿足準(zhǔn)確率要求的情況下，確定最簡單的網(wǎng)絡(luò)結(jié)構(gòu)，從而減小存儲空間和計算量的消耗。

循環(huán)次數(shù)是指RNN循環(huán)輸入的次數(shù)，一般循環(huán)次數(shù)越多，識別準(zhǔn)確率越高，但是實時性會受到影響。

激活函數(shù)一般選擇非線性函數(shù)，可以使神經(jīng)網(wǎng)絡(luò)具有表征復(fù)雜非線性映射關(guān)系的能力。

批處理容量是在網(wǎng)絡(luò)權(quán)值優(yōu)化過程中，每次迭代訓(xùn)練所使用樣本數(shù)據(jù)的數(shù)量。一般來說，在合理范圍內(nèi)，越大的批處理容量使梯度下降方向更準(zhǔn)確，振蕩越小。若設(shè)置過大，可能會陷入局部最優(yōu)；若設(shè)置過小，引入的隨機性更大，難以收斂。

2.2.3 損失函數(shù)確定

損失函數(shù)又稱為代價函數(shù)，通過計算當(dāng)前分類結(jié)果與期望結(jié)果之間的差異，進一步計算出每個神經(jīng)元的誤差，最后根據(jù)BPTT算法優(yōu)化網(wǎng)絡(luò)權(quán)值。BPTT算法的核心思想是根據(jù)誤差關(guān)于網(wǎng)絡(luò)權(quán)值U,V和W的梯度，用梯度下降法更新U，V和W的值。

這里選擇交叉熵損失函數(shù)，公式為

(2)

其次需要確定訓(xùn)練過程中給網(wǎng)絡(luò)喂數(shù)據(jù)的方式，本文選擇小批量梯度下降法(Mini-Batch Gradient Descent, MBGD)，既可以克服經(jīng)典的梯度下降法需要計算全體樣本損失值導(dǎo)致的計算復(fù)雜度高的問題，也可以解決隨機梯度下降法(Stochastic Gradient Descent, SGD)學(xué)習(xí)過程噪聲多，并不是每一步都向最優(yōu)化進行的問題。

2.2.4 網(wǎng)絡(luò)測試評估

在測試數(shù)據(jù)集上對網(wǎng)絡(luò)性能進行測試，涉及到的主要評估指標(biāo)有準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)及F1得分。下面給出這些指標(biāo)的具體定義。

準(zhǔn)確率：所有被正確識別的樣本數(shù)量占全體樣本的比例。

精確率：每一類都有各自的精確率，即所有識別為X類的樣本中真正屬于X類的比例。

召回率：每一類都有各自的召回率，即所有實際為X類的樣本中被正確識別的比例。

F1得分：每一類的F1得分為該類的精確率和召回率的調(diào)和平均數(shù)，公式為

(3)

其中，PX為X類的精確率，RX為X類的召回率。對于分類模型總的F1得分為各類的F1得分的算數(shù)平均值。

2.2.5 實時分類識別

當(dāng)戰(zhàn)場傳感器的實時數(shù)據(jù)經(jīng)過預(yù)處理之后，直接輸入訓(xùn)練完成的RNN網(wǎng)絡(luò)進行實時的目標(biāo)識別，識別過程如圖3所示。

圖3 基于RNN的目標(biāo)識別模型

當(dāng)雷達探測到來襲目標(biāo)，對目標(biāo)數(shù)據(jù)進行預(yù)處理，得到9維的目標(biāo)特征向量，包括了目標(biāo)的相對距離R、方位角A、俯仰角E、xyz三軸上的速度分量、徑向速度V、高度H和信噪比，然后將每一拍的目標(biāo)特征向量依次循環(huán)輸入到RNN網(wǎng)絡(luò)中，最終網(wǎng)絡(luò)輸出目標(biāo)類型結(jié)果，完成實時目標(biāo)識別。這里輸入的拍數(shù)需要視具體情況由雷達頻次和識別實時性共同確定，由公式n=f×t計算得到，n為拍數(shù)，f為雷達頻次，t為人為設(shè)定預(yù)期需要在發(fā)現(xiàn)目標(biāo)后多久時間內(nèi)給出識別結(jié)果。

3 仿真分析

仿真校驗使用的數(shù)據(jù)集來源于某型號真實檢飛數(shù)據(jù)，數(shù)據(jù)規(guī)模為21276，每條數(shù)據(jù)都包含了40拍的目標(biāo)狀態(tài)，即RNN模型的循環(huán)次數(shù)為40次，其中各目標(biāo)種類占比為常規(guī)飛機31.2%、隱身飛機20.9%、空地導(dǎo)彈13.3%、電子干擾機18.2%和巡航導(dǎo)彈16.4%，雷達數(shù)據(jù)包含了目標(biāo)相對距離、方位角、俯仰角、速度、信噪比等狀態(tài)。

仿真實驗平臺硬件設(shè)備：處理器Intel(R) Core(TM) i5-6500 CPU@3.20GHz，內(nèi)存8GB,集成開發(fā)環(huán)境為Spyder3.2.8，編程語言為Python3.6，深度學(xué)習(xí)框架為Tensorflow1.9.0。

仿真參數(shù)設(shè)置如下：RNN循環(huán)次數(shù)40，激活函數(shù)為雙曲正切tanh函數(shù)，批處理容量為128。

3.1 網(wǎng)絡(luò)結(jié)構(gòu)確定

本小節(jié)通過仿真實驗確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，包括網(wǎng)絡(luò)的層數(shù)和各層神經(jīng)元的數(shù)量。圖4是不同網(wǎng)絡(luò)結(jié)構(gòu)下測試集的識別準(zhǔn)確率對比。

圖4 不同網(wǎng)絡(luò)結(jié)構(gòu)下模型識別準(zhǔn)確率對比

可以看出，單隱層結(jié)構(gòu)下，一定范圍內(nèi)增加神經(jīng)元數(shù)量能顯著提高模型識別準(zhǔn)確率，當(dāng)數(shù)量增加到一定程度，比如從32個增加到64個，識別準(zhǔn)確率上升不明顯，但計算量大幅上升；雙隱層結(jié)構(gòu)下，雖然用16～16的結(jié)構(gòu)就能達到單隱層結(jié)構(gòu)32個神經(jīng)元的準(zhǔn)確率，但是雙隱層結(jié)構(gòu)相對復(fù)雜，需要的計算量大。綜合考慮準(zhǔn)確率與計算量，這里選擇單隱層32個神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)。

3.2 學(xué)習(xí)率確定

本小節(jié)通過仿真確定最優(yōu)的學(xué)習(xí)率，圖5給出了不同的學(xué)習(xí)率對于模型收斂速度的影響。

圖5 不同學(xué)習(xí)率模型識別準(zhǔn)確率對比

當(dāng)學(xué)習(xí)率為0.1時，準(zhǔn)確率能很快到達峰值，但準(zhǔn)確率僅有0.45，且波動幅度大；當(dāng)學(xué)習(xí)率為0.0001，模型在迭代200步后才接近收斂，收斂速度慢，最終準(zhǔn)確率為0.85；當(dāng)學(xué)習(xí)率為0.01或0.001時，收斂速度快，最終準(zhǔn)確率為0.95。

為保證模型收斂的快速性及較高的準(zhǔn)確率，本文將學(xué)習(xí)率設(shè)置為0.001。

3.3 目標(biāo)識別模型性能分析

3.3.1 信噪比的影響

圖6給出了3類不同目標(biāo)的信噪比特征對比圖。

圖6 不同目標(biāo)SNR對比

從圖6可以看出，隱身飛機的SNR特征相對于常規(guī)飛機起伏較小，數(shù)值也較低，而空地導(dǎo)彈的SNR特征雖然也有起伏，但是從直觀上看程度比隱身飛機大，比常規(guī)飛機小，在數(shù)值上也小于常規(guī)飛機?？梢姴煌愋湍繕?biāo)的SNR特征有一定的區(qū)別，可以將其作為目標(biāo)識別的特征之一，RNN模型能從大量數(shù)據(jù)中學(xué)習(xí)得到隱藏在SNR中的特征。下面將研究引入SNR特征對識別模型識別準(zhǔn)確率的影響。

首先僅依據(jù)目標(biāo)的相對距離、方位角、俯仰角、高度、速度特征屬性對目標(biāo)類型進行識別，并給出模型在測試集上的準(zhǔn)確率、F1得分等各項指標(biāo)。然后研究了雷達目標(biāo)SNR特征的引入對于目標(biāo)識別模型性能的影響。表2中①代表引入SNR特征前的模型各項指標(biāo)，②代表引入SNR特征后識別模型的各項指標(biāo)。

表2 信噪比對識別準(zhǔn)確率的影響

準(zhǔn)確率與F1得分是衡量分類模型性能優(yōu)劣的重要指標(biāo)，可以看到，當(dāng)目標(biāo)識別模型的輸入未包含SNR這一特征時，識別準(zhǔn)確率為89.9%，F(xiàn)1得分為0.760；當(dāng)加入SNR這一特征時，識別準(zhǔn)確率為95.3%，提高了5.4%，F(xiàn)1得分為0.822，提高了0.062。

從多角度看待問題，能對問題有更全面的認(rèn)知。根據(jù)表2可得結(jié)論，結(jié)合雷達目標(biāo)SNR特征，可以有效提高目標(biāo)識別的準(zhǔn)確率，證明空中目標(biāo)識別過程中，目標(biāo)相關(guān)特征屬性越多，越可能提高識別模型的準(zhǔn)確率，為后續(xù)雷達其他相關(guān)信號能用于目標(biāo)識別提供了支撐。

3.3.2 RNN與其他方法的對比

本小節(jié)將基于RNN的目標(biāo)識別模型與其他傳統(tǒng)目標(biāo)識別方式進行對比。

貝葉斯網(wǎng)絡(luò)是一種概率圖模型，可以解決目標(biāo)識別過程中不定性和不完整性的問題；SVM是機器學(xué)習(xí)中最經(jīng)典的分類算法之一。

表3給出了3種模型的識別準(zhǔn)確率。

表3 不同目標(biāo)識別方法準(zhǔn)確率

可以看出，RNN模型的識別準(zhǔn)確率最高，SVM次之，貝葉斯網(wǎng)絡(luò)的準(zhǔn)確率最低。構(gòu)建貝葉斯網(wǎng)絡(luò)時有分布獨立的假設(shè)前提，但在實際目標(biāo)各屬性之間基本不可能完全獨立，并且構(gòu)建網(wǎng)絡(luò)時極其依賴專家經(jīng)驗知識，導(dǎo)致識別準(zhǔn)確率較低。經(jīng)典SVM算法是針對二分類問題提出的，對于多分類問題，有其一定的局限性。而RNN模型在選擇了適當(dāng)?shù)某瑓?shù)后，能自動學(xué)習(xí)得到目標(biāo)類型特征，并以網(wǎng)絡(luò)權(quán)值的形式記錄下來，結(jié)果表明該模型能達到95%的識別準(zhǔn)確率。

4 結(jié)語

傳統(tǒng)目標(biāo)識別方法使用的目標(biāo)特征單一，往往僅憑目標(biāo)速度、高度做出判斷，但不同類型目標(biāo)的速度、高度特性上會有一定重疊，導(dǎo)致傳統(tǒng)目標(biāo)識別方法準(zhǔn)確率低。本文利用智能化算法將雷達目標(biāo)SNR特征融入到目標(biāo)識別方法中，構(gòu)建了基于RNN的目標(biāo)類型識別模型，擴展了使用的目標(biāo)特征屬性維度，提高了識別準(zhǔn)確率。最后應(yīng)用某型號真實檢飛數(shù)據(jù)，檢驗該方法的有效性，并與樸素貝葉斯網(wǎng)絡(luò)模型和SVM模型進行了對比。仿真結(jié)果顯示樸素貝葉斯網(wǎng)絡(luò)模型的識別準(zhǔn)確率為63.0%，SVM模型的識別準(zhǔn)確率為80.8%，而RNN模型的識別準(zhǔn)確率達到了95.3%，且引入雷達信噪比特征能提高識別準(zhǔn)確率。結(jié)果表現(xiàn)，RNN智能化模型能有效地將SNR特征融入到目標(biāo)識別過程中，并能得到較高的識別準(zhǔn)確率。