孟文涵 林強(qiáng)

（空軍預(yù)警學(xué)院 湖北省武漢市 430019）

1 引言

雷達(dá)設(shè)備通過(guò)雷達(dá)終端向雷達(dá)用戶提供經(jīng)過(guò)目標(biāo)檢測(cè)處理后的視頻信號(hào)，其中除了有用的目標(biāo)信號(hào)點(diǎn)跡外，還包括了大量由強(qiáng)低雜波、強(qiáng)氣象雜波和仙波處理后的剩余雜波點(diǎn)跡。這些剩余雜波點(diǎn)跡嚴(yán)重影響了雜波環(huán)境下雷達(dá)正常的探測(cè)和跟蹤性能[1]。主要影響體現(xiàn)在以下兩個(gè)方面：一是剩余雜波點(diǎn)跡容易造成目標(biāo)屬性誤判，影響雷達(dá)探測(cè)效果；二是剩余雜波點(diǎn)跡誤判成“偽目標(biāo)”與目標(biāo)回波摻雜在一起，容易造成目標(biāo)混淆，干擾了雷達(dá)“航跡關(guān)聯(lián)”過(guò)程，影響雷達(dá)跟蹤效能[2]。

目前，一些國(guó)內(nèi)外的專家學(xué)者利用雷達(dá)回波特征，針對(duì)此問(wèn)題做了一系列相應(yīng)的研究。文獻(xiàn)[3]提出了一種智能化恒虛警率檢測(cè)器，通過(guò)支持向量機(jī)(SVM) 技術(shù)使得檢測(cè)器可以選擇適合當(dāng)前環(huán)境的門限，以提高不同背景下的雷達(dá)目標(biāo)檢測(cè)性能；文獻(xiàn)[4]中，刑遠(yuǎn)見(jiàn)等人對(duì)強(qiáng)雜波環(huán)境下，信號(hào)處理后殘留大量虛警的問(wèn)題，通過(guò)提取目標(biāo)和雜波的分類特征，將主成分分析法和支撐向量機(jī)兩種算法結(jié)合起來(lái)濾除虛假點(diǎn)跡，抑制了大量的剩余雜波點(diǎn)跡。文獻(xiàn)[5]提出的基于SVM 的多雷達(dá)數(shù)據(jù)機(jī)器識(shí)別方法實(shí)現(xiàn)了對(duì)雷達(dá)探測(cè)數(shù)據(jù)的自動(dòng)分類處理。文獻(xiàn)[6]提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的雷達(dá)點(diǎn)跡分類器。這些研究方法為雷達(dá)目標(biāo)點(diǎn)跡和剩余雜波點(diǎn)跡的區(qū)分提供了技術(shù)參考，但都存在一些難點(diǎn)問(wèn)題。例如文獻(xiàn)[3]和文獻(xiàn)[5]對(duì)雷達(dá)點(diǎn)跡分類精度較低，文獻(xiàn)[4]在雜波抑制中，目標(biāo)損失較大。文獻(xiàn)[6]的訓(xùn)練過(guò)程較繁瑣，且受數(shù)據(jù)影響性較大的缺點(diǎn)。

本文針對(duì)目標(biāo)檢測(cè)后的剩余雜波過(guò)多干擾雷達(dá)效能發(fā)揮的問(wèn)題，提出了一種基于袋裝決策樹(shù)的雷達(dá)點(diǎn)跡真?zhèn)舞b別模型。該方法可以對(duì)雷達(dá)終端中經(jīng)過(guò)目標(biāo)檢測(cè)后進(jìn)一步區(qū)分目標(biāo)點(diǎn)和雜波點(diǎn)，提高目標(biāo)鑒別的質(zhì)量。該方法利用了裝袋決策樹(shù)強(qiáng)大的學(xué)習(xí)能力，為雷達(dá)點(diǎn)跡訓(xùn)練分類模型，實(shí)現(xiàn)了對(duì)目標(biāo)點(diǎn)跡和雜波點(diǎn)跡的較高精度的自動(dòng)識(shí)別處理。雷達(dá)點(diǎn)跡數(shù)據(jù)中包含多普勒速度、原始幅度、背景幅度、濾波標(biāo)志、恒虛警類型、雜噪比、濾波器組選擇和EP 質(zhì)量等特征信息，使用袋裝決策樹(shù)開(kāi)展點(diǎn)跡特征信息分類訓(xùn)練，測(cè)試了在不同特征組合下的目標(biāo)點(diǎn)和雜波點(diǎn)的鑒別精度和裝袋決策樹(shù)在點(diǎn)跡鑒別中泛化能力，并與K 最近鄰域法(Knn)、支持向量機(jī)(SVM)和BP 神經(jīng)網(wǎng)絡(luò)(BPNN)作了對(duì)比分析。最后，本文給出了3 個(gè)結(jié)論。

2 袋裝決策樹(shù)

決策樹(shù)是一種的變量分類方法，決策樹(shù)的核心思想是在一個(gè)數(shù)據(jù)集中找到一個(gè)最優(yōu)特征，然后從這個(gè)特征的選值中找一個(gè)最優(yōu)候選值，根據(jù)這個(gè)最優(yōu)候選值將數(shù)據(jù)集分為兩個(gè)子數(shù)據(jù)集，然后遞歸上述操作，直到滿足指定條件為止。裝袋決策樹(shù)實(shí)質(zhì)是自助抽樣法，該方法多次放回抽樣，便于減小方差，是一種比較常用決策樹(shù)分類法。假定Z1、Z1、Z1、Z1為n 個(gè)獨(dú)立的觀測(cè)值，方差為σ2，平均值Z 的方差，因此，為減小方差，從總體樣本集用自助法選擇多個(gè)數(shù)據(jù)集作為訓(xùn)練集，進(jìn)行模型擬合及預(yù)測(cè)，求出多個(gè)模型預(yù)測(cè)結(jié)果的平均值，如B 個(gè)訓(xùn)練集預(yù)測(cè)分別為求其平均為[7]：

裝袋法算法具體步驟如下[8]：

（1）假設(shè)k 為樣本集的數(shù)目；

（2）生成k 個(gè)大小為n 的數(shù)據(jù)集，每個(gè)自助樣本集都和原數(shù)據(jù)集一樣大；

（3）在k 個(gè)樣本集上訓(xùn)練分類器；

（4）投票決定分類結(jié)果。

3 雷達(dá)點(diǎn)跡信息數(shù)據(jù)

3.1 雷達(dá)點(diǎn)跡特征提取

本文采用的雷達(dá)點(diǎn)跡數(shù)據(jù)為從某型雷達(dá)終端上采集的報(bào)文數(shù)據(jù)。經(jīng)過(guò)規(guī)定的格式解析，得到包括多普勒速度、點(diǎn)跡原始幅度、點(diǎn)跡背景幅度、濾波標(biāo)志、恒虛警類型、雜噪比等級(jí)、濾波器組選擇和EP質(zhì)量共計(jì)8個(gè)特征屬性的點(diǎn)跡信息。八種特征屬性解釋如下：

（1）多普勒速度反映了目標(biāo)相對(duì)雷達(dá)的徑向速度。通常運(yùn)動(dòng)目標(biāo)相對(duì)雷達(dá)有一定的多普勒速度，而雜波的多普勒速度一般較小，甚至為零，這樣運(yùn)動(dòng)目標(biāo)和雜波就能從多普勒速度上進(jìn)行區(qū)分。

（2）點(diǎn)跡原始幅度表示的含義為雷達(dá)原始回波信號(hào)經(jīng)過(guò)信號(hào)處理后的每個(gè)處理單元的原始幅度值。

（3）點(diǎn)跡背景幅度表示的含義為根據(jù)多次掃描估計(jì)的方位-距離單元的雜波背景強(qiáng)度，即雜波圖幅度。雜波回波點(diǎn)跡相對(duì)集中的區(qū)域雜波背景強(qiáng)度比較強(qiáng)；而目標(biāo)回波點(diǎn)跡相對(duì)集中的區(qū)域雜波背景強(qiáng)度略低。

（4）濾波標(biāo)志代表該雷達(dá)在信號(hào)處理過(guò)程中，根據(jù)雜波背景環(huán)境的不同將濾波分為清潔區(qū)濾波、弱雜波區(qū)濾波、中等雜波區(qū)濾波和強(qiáng)雜波區(qū)濾波。

（5）恒虛警類型主要有噪聲恒虛警、單元平均恒虛警、單元平均選大恒虛警、和雜波圖恒虛警。根據(jù)目標(biāo)、雜波環(huán)境的不同，選用不同的恒虛警類型。

（6）雜噪比所表示的含義為雜波與噪聲功率的比值，可以反映出回波點(diǎn)跡背景環(huán)境的復(fù)雜度。

（7）濾波器組選擇指的是面對(duì)不同的目標(biāo)、雜波背景環(huán)境，根據(jù)雷達(dá)信號(hào)處理中MTD 濾波器組的選擇，將濾波器組分為超強(qiáng)濾波器組、強(qiáng)濾波器組、中等濾波器組和弱濾波器組。

（8）EP 質(zhì)量是對(duì)雷達(dá)點(diǎn)跡的EP 數(shù)量、方位展寬、距離展寬和信噪比等特征參數(shù)進(jìn)行加權(quán)求和得到的。

3.2 數(shù)據(jù)處理

這些解析出的雷達(dá)點(diǎn)跡信息有一些明顯異常的值。為了降低計(jì)算量并提高點(diǎn)跡的鑒別精度，首先需要對(duì)異常值進(jìn)行剔除。為探究裝袋決策樹(shù)模型在不同目標(biāo)和雜波分布環(huán)境中的鑒別效果，選取雷達(dá)工作區(qū)域中三個(gè)扇區(qū)，其點(diǎn)跡數(shù)目構(gòu)成見(jiàn)表1，其雜波與目標(biāo)數(shù)目比值分別約為1:4、1:1、2:1。

表1：三個(gè)扇區(qū)點(diǎn)跡數(shù)目構(gòu)成

4 基于裝袋決策樹(shù)的雷達(dá)點(diǎn)跡鑒別實(shí)驗(yàn)效果

本文實(shí)驗(yàn)在Win10 操作系統(tǒng)和Matlab2020b 環(huán)境下，采用Classication Learner 工具箱，開(kāi)展訓(xùn)練，并使用并行運(yùn)算加快訓(xùn)練速度。

4.1 扇區(qū)內(nèi)雷達(dá)點(diǎn)跡實(shí)驗(yàn)效果

我們分別將三個(gè)扇區(qū)的點(diǎn)跡信息按照3:1 劃分訓(xùn)練集與測(cè)試集。使用工具箱對(duì)點(diǎn)跡信息的不同特征屬性組合開(kāi)展分類訓(xùn)練，訓(xùn)練與測(cè)試效果如表2、3、4 所示。

表2：扇區(qū)1 不同屬性組合的鑒別識(shí)別率

表3：扇區(qū)2 不同屬性組合的鑒別識(shí)別率

表4：不同屬性組合下PSO-PNN 鑒別識(shí)別率

從表2、3、4 中，我們可以看出，在袋裝決策樹(shù)對(duì)三個(gè)扇區(qū)的雷達(dá)點(diǎn)跡鑒別中，復(fù)雜組合的鑒別效果均優(yōu)于簡(jiǎn)單組合,在復(fù)雜組合中，8 屬性組合的鑒別效果均優(yōu)于6 屬性組合。三個(gè)扇區(qū)整體識(shí)別率識(shí)別率分別達(dá)到94.5%、92.5%和89.1%。因此，可以得出：當(dāng)屬性組合數(shù)越多時(shí)，裝袋決策樹(shù)網(wǎng)絡(luò)識(shí)別效果越好。這就意味著模型獲得的樣本有效屬性維度越多，信息質(zhì)量越好，對(duì)目標(biāo)點(diǎn)跡和雜波點(diǎn)跡的區(qū)分將會(huì)愈加有效。同時(shí)，三種不同目標(biāo)雜波分布的扇區(qū)的點(diǎn)跡鑒別效果不同，整體鑒別率隨著目標(biāo)比例的提高也隨之提高，說(shuō)明裝袋決策樹(shù)對(duì)目標(biāo)的識(shí)別更敏感。三個(gè)扇區(qū)的雷達(dá)點(diǎn)跡8特征屬性鑒別混淆矩陣如表5、6、7 所示。

表5：扇區(qū)1 鑒別效果混淆矩陣

表6：扇區(qū)2 鑒別效果混淆矩陣

表7：扇區(qū)3 鑒別效果混淆矩陣

4.2 裝袋決策樹(shù)對(duì)雷達(dá)點(diǎn)跡鑒別的泛化效果

為研究裝袋決策樹(shù)對(duì)雷達(dá)點(diǎn)跡分類的泛化效果，這里分別采用裝袋決策樹(shù)對(duì)雜波目標(biāo)數(shù)目比1:4.、1:1、2:1（“弱雜波”、“正常雜波”和“強(qiáng)雜波”）的三個(gè)扇區(qū)的點(diǎn)跡信息分別進(jìn)行8 屬性組合的夸數(shù)據(jù)集訓(xùn)練與測(cè)試，研究結(jié)果見(jiàn)表8。

表8：泛化效果測(cè)試

從表8中，我們可以看出，通過(guò)三種不同目標(biāo)雜波分布的扇區(qū)互相訓(xùn)練和測(cè)試的結(jié)果，我們可以看出即使訓(xùn)練集與測(cè)試集分類分布不統(tǒng)一，裝袋決策樹(shù)依然可以取得不錯(cuò)鑒別效果，說(shuō)明裝袋決策樹(shù)對(duì)雷達(dá)點(diǎn)跡鑒別具有良好的泛化能力。

4.3 與其他鑒別方法的比較

由于雷達(dá)的點(diǎn)跡鑒別的實(shí)質(zhì)是一個(gè)二分類問(wèn)題，所以其他二分類方法都可以用作嘗試。作為比較，本文還利用K 最近鄰域法(Knn)[9]、支持向量機(jī)(SVM)[10]和BP 神經(jīng)網(wǎng)絡(luò)(BPNN)[6]（五層）來(lái)對(duì)雷達(dá)點(diǎn)跡進(jìn)行鑒別檢測(cè)。為了簡(jiǎn)化研究過(guò)程，本文采取扇區(qū)二(目標(biāo)雜波分布相對(duì)均勻的情況)的雷達(dá)點(diǎn)跡的8 特征信息組合作為鑒別數(shù)據(jù)，鑒別效果如表9所示。

表9：其他鑒別方法實(shí)驗(yàn)效果

經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，SVM 最近鄰域法的鑒別精度達(dá)84.7%，位居三種對(duì)比實(shí)驗(yàn)效果中的最后一名。Knn 的鑒別精度略高于SVM 達(dá)85.7%，五層BP 神經(jīng)網(wǎng)絡(luò)在三種對(duì)比實(shí)驗(yàn)中效果最佳達(dá)87.5%。因此，三種對(duì)比實(shí)驗(yàn)效果均低于裝袋決策樹(shù)。由此可以看出:裝袋決策樹(shù)在雷達(dá)點(diǎn)跡鑒別上具有一定的優(yōu)越性。

5 結(jié)束語(yǔ)

本文利用袋裝決策樹(shù)，搭建了一種雷達(dá)點(diǎn)跡真?zhèn)舞b別模型。同時(shí)，測(cè)試了不同屬性組合和不同分布的數(shù)據(jù)集對(duì)優(yōu)化后模型鑒別效果的影響及泛化效果。最后，將裝袋決策樹(shù)的雷達(dá)點(diǎn)跡鑒別模型鑒別效果與其他方法進(jìn)行比較?？傻玫揭韵陆Y(jié)論:

（1）復(fù)雜特征組合的鑒別效果由于簡(jiǎn)單特征組合的鑒別效果。

（2）袋裝決策樹(shù)對(duì)雷達(dá)點(diǎn)跡鑒別效果會(huì)受數(shù)據(jù)集內(nèi)部分布情況影響，整體識(shí)別率會(huì)隨集內(nèi)目標(biāo)數(shù)目比例增大產(chǎn)生一定幅度的上升。

（3）基于裝袋決策樹(shù)的雷達(dá)點(diǎn)跡鑒別模型具有良好的泛化能力。

（4）基于裝袋決策樹(shù)的雷達(dá)點(diǎn)跡鑒別方法能夠有效對(duì)雷達(dá)點(diǎn)跡進(jìn)行鑒別。相比于BP 神經(jīng)網(wǎng)絡(luò)、SVM 和Knn 的識(shí)別率更高，這種算法可以為雷達(dá)的點(diǎn)跡鑒別等實(shí)際工程應(yīng)用問(wèn)題提供了新思路。