齊永梅，劉正成，余承智，戴 霄

(中國(guó)船舶重工集團(tuán)公司第七二三研究所，江蘇 揚(yáng)州 225101)

0 引 言

在雷達(dá)目標(biāo)環(huán)境中，目標(biāo)以外的其他散射體的回波會(huì)使雷達(dá)顯示器上的圖像變得雜亂，妨礙對(duì)目標(biāo)回波的檢測(cè)，這類回波被稱為雷達(dá)雜波。雷達(dá)目標(biāo)和雜波的含義具有相對(duì)性，視雷達(dá)的用途而定。例如，地面回波對(duì)于防空雷達(dá)而言是雜波，而對(duì)地形測(cè)繪雷達(dá)則是目標(biāo)；云雨回波對(duì)于氣象雷達(dá)來(lái)說(shuō)是目標(biāo)，而對(duì)防空雷達(dá)則是雜波。對(duì)本文研究的艦載搜索雷達(dá)來(lái)說(shuō)，艦船、飛機(jī)、導(dǎo)彈的回波為目標(biāo)，而地物、海浪、云雨、島嶼的回波則為雜波。雷達(dá)在搜索和跟蹤過(guò)程中不可避免地會(huì)受到地物雜波、氣象雜波等影響，在信號(hào)處理檢測(cè)時(shí)會(huì)產(chǎn)生雜波點(diǎn)跡，尤其是在雜波密集區(qū)，此類雜波點(diǎn)跡數(shù)量會(huì)更多，從而會(huì)建立大量的虛假航跡。在作戰(zhàn)指揮時(shí)，如果態(tài)勢(shì)中存在大量的虛假航跡必然會(huì)給指揮員的作戰(zhàn)決策帶來(lái)嚴(yán)重的干擾。由于雜波是不可避免的，信號(hào)處理和數(shù)據(jù)處理的一個(gè)重要任務(wù)就是盡可能地對(duì)雜波和雜波產(chǎn)生的疑似點(diǎn)跡進(jìn)行過(guò)濾。

法國(guó)泰利斯公司研制的Master系列雷達(dá)自動(dòng)化和智能化水平較高，能夠?qū)崿F(xiàn)對(duì)目標(biāo)的全自動(dòng)檢測(cè)與跟蹤，該雷達(dá)可實(shí)時(shí)監(jiān)測(cè)背景環(huán)境，采用環(huán)境匹配技術(shù)(地形、海雜波、云雨雜波及干擾)自動(dòng)調(diào)整雷達(dá)參數(shù)，并利用點(diǎn)跡多種特征信息對(duì)點(diǎn)跡質(zhì)量進(jìn)行綜合評(píng)估，采用點(diǎn)跡過(guò)濾技術(shù)濾除雜波及干擾，提高雷達(dá)處理能力。目前國(guó)內(nèi)雷達(dá)數(shù)據(jù)處理的自動(dòng)化和智能化水平與國(guó)外相比還有一定差距，以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)技術(shù)并沒(méi)有在數(shù)據(jù)處理領(lǐng)域得到充分的研究及應(yīng)用。

深度學(xué)習(xí)概念是由Hinton等人于2006年初次提出，近些年它在各個(gè)領(lǐng)域大放異彩，成為人工智能(AI)領(lǐng)域中一個(gè)較為熱門(mén)的話題。伴隨深度學(xué)習(xí)技術(shù)的高速發(fā)展，不同分支的深度神經(jīng)網(wǎng)絡(luò)也得以在越來(lái)越多的領(lǐng)域進(jìn)行應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)作為其中之一，這些年不僅在架構(gòu)性能上不斷創(chuàng)新提升，而且應(yīng)用領(lǐng)域也越來(lái)越廣泛。卷積神經(jīng)網(wǎng)絡(luò)改變傳統(tǒng)神經(jīng)網(wǎng)絡(luò)全連接的形式，通過(guò)引入局部感受野和共享參數(shù)的概念，大幅度減小了參數(shù)，并且提高了模型的性能。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常有5個(gè)主要層次：輸入層、卷積層、激勵(lì)層、池化層和全連接層。

Tensorflow 是Google的深度學(xué)習(xí)框架，是利用人工智能神經(jīng)網(wǎng)絡(luò)來(lái)分析和處理復(fù)雜數(shù)據(jù)結(jié)構(gòu)的系統(tǒng)，是一種支持深度學(xué)習(xí)的開(kāi)源軟件庫(kù)，目前支持眾多編程語(yǔ)言、操作系統(tǒng)環(huán)境和硬件架構(gòu)(CPU和GPU)，可以實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)等經(jīng)典算法。

本文提出用深度學(xué)習(xí)方法研究雷達(dá)點(diǎn)跡分類問(wèn)題，以TensorFlow作為深度學(xué)習(xí)的基礎(chǔ)框架，針對(duì)信號(hào)處理輸出的點(diǎn)跡數(shù)據(jù)中混入的雜波數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)判斷該數(shù)據(jù)是更可能來(lái)自真實(shí)目標(biāo)還是雜波，相當(dāng)于對(duì)點(diǎn)跡質(zhì)量進(jìn)行評(píng)估，分類結(jié)果將為后續(xù)的數(shù)據(jù)處理提供技術(shù)支撐，減少雜波環(huán)境下虛假航跡數(shù)量，提高機(jī)動(dòng)目標(biāo)跟蹤能力。

1 雷達(dá)點(diǎn)跡多維特征信息提取

在機(jī)器學(xué)習(xí)中,所有用于描述實(shí)體的數(shù)字的組合就是一個(gè)實(shí)體的特征向量，邏輯回歸算法可以從訓(xùn)練數(shù)據(jù)中計(jì)算出每個(gè)特征和預(yù)測(cè)結(jié)果的相關(guān)度。特征向量的提取對(duì)機(jī)器學(xué)習(xí)的效果至關(guān)重要。如果每個(gè)特征和任務(wù)之間的關(guān)聯(lián)不大，邏輯回歸算法無(wú)法從數(shù)據(jù)中習(xí)得更好的特征表達(dá)。

目前，雷達(dá)點(diǎn)跡數(shù)據(jù)中最常用的信息為距離、方位、仰角等位置信息。其實(shí)，目標(biāo)回波除了攜帶目標(biāo)的距離方位仰角信息外，其波形還攜帶了與目標(biāo)密切相關(guān)的信息。這些信息主要表現(xiàn)為隨時(shí)間和作用距離遠(yuǎn)近呈現(xiàn)出漸變或者相對(duì)穩(wěn)定的狀態(tài)變化，我們稱之為“特性信息”，主要包括目標(biāo)在徑向距離單元的跨度(或稱之為距離寬度)、目標(biāo)方位碼跨度(或稱之為方位寬度)、最大幅度、平均幅度、規(guī)整度等。

在大數(shù)據(jù)分析中，數(shù)據(jù)參數(shù)種類越多，所帶來(lái)的信息就越多，就越有可能挖掘出更為有用的知識(shí)。當(dāng)然，上述描述并不是嚴(yán)格成立的，前提是其參數(shù)必須是對(duì)解決問(wèn)題有幫助的。因此，必須對(duì)于當(dāng)前點(diǎn)跡信息中的所有參數(shù)進(jìn)行分析研究，提取出對(duì)點(diǎn)跡分類有用的參數(shù)。通過(guò)整理，針對(duì)點(diǎn)跡數(shù)據(jù)，本文提取如下幾種信息(包括位置信息、特征信息)，具體如表1所示。

表1 點(diǎn)跡特征信息

(1) 距離和仰角

相對(duì)來(lái)說(shuō)，雷達(dá)波束的仰角越低，數(shù)據(jù)中的雜波就越多，這是因?yàn)榻^大多數(shù)的雜波均是由地物或海浪而引起的。另外，由于地球曲率的影響，艦載或陸基雷達(dá)視距大約40 km左右。因此對(duì)于距離小于40 km的點(diǎn)跡，其仰角越低，來(lái)自于雜波的可能性就越高。因此距離和仰角可作為評(píng)估點(diǎn)跡真假的特征值。由于雜波與目標(biāo)點(diǎn)跡有可能來(lái)自任何方位，無(wú)法依據(jù)方位值判斷點(diǎn)跡的真假程度，所以方位不作為點(diǎn)跡特征參數(shù)使用。

(2) 距離寬度和方位寬度

目標(biāo)距離寬度和方位寬度從某個(gè)側(cè)面反映了目標(biāo)的尺寸大小。由于雷達(dá)所關(guān)注的目標(biāo)多種多樣，既有大尺寸的艦船，也有小尺寸的無(wú)人機(jī)。但相對(duì)于地物雜波來(lái)說(shuō)，目標(biāo)尺寸還是相對(duì)較小(如圖1所示)。以距離寬度為例，在相同回波幅度條件下，點(diǎn)目標(biāo)尺寸小、擴(kuò)展少，地物雜波尺寸大、擴(kuò)展多，方位寬度差異的產(chǎn)生原因與距離擴(kuò)展類似。

圖1 目標(biāo)和雜波的回波距離展寬原理示例

(3) 規(guī)整度

對(duì)于雷達(dá)所關(guān)注的常見(jiàn)目標(biāo)(艦船、固定翼飛機(jī)、直升機(jī)、導(dǎo)彈)來(lái)說(shuō)，其在距離、方位上通常呈現(xiàn)一定的規(guī)律，即相對(duì)規(guī)則的長(zhǎng)方形，如圖2所示。而對(duì)于雜波來(lái)說(shuō)，常常并不是非常規(guī)則，如圖3所示。

圖2 民航飛機(jī)的回波視頻

圖3 雜波視頻

為了能夠更加直觀地表述點(diǎn)跡視頻的規(guī)則程度，現(xiàn)采用示意圖的方式給出，圖中每個(gè)“格子”為分辨單元，其中灰色為參與凝聚的過(guò)門(mén)限(該門(mén)限為信號(hào)處理恒虛警門(mén)限)視頻數(shù)據(jù)，白色說(shuō)明該分辨單元的視頻數(shù)據(jù)沒(méi)有過(guò)門(mén)限。

如圖4所示，目標(biāo)方位左右沿、距離前后沿可圍成一個(gè)矩形，然后通過(guò)方位寬度(

A

，單位°)、距離寬度(

D

，單位m)、雷達(dá)掃描周期(

T

，單位s)、重頻(

f

，單位Hz)、信號(hào)采樣帶寬(

B

，單位MHz)即可計(jì)算出該矩形內(nèi)所有分辨單元的數(shù)量(

N

):

圖4 真實(shí)目標(biāo)點(diǎn)跡視頻示意圖

N

=(

A

×

T

×

f

/

360)×(

D

×

B/

150)

(1)

這時(shí)，可以引入一個(gè)概念“規(guī)整度”，即表示該點(diǎn)跡的規(guī)則程度

R

，具體公式如下：

R

=

N

/N

(2)

式中：

N

為參與點(diǎn)跡凝聚的單元數(shù)量。

顯然，規(guī)則度越高則點(diǎn)跡來(lái)自真實(shí)目標(biāo)的可能性就越高，反之可能來(lái)自雜波。圖5是雜波點(diǎn)跡視頻示意圖。

圖5 雜波點(diǎn)跡視頻示意圖

2 基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)分類

2.1 數(shù)據(jù)說(shuō)明

本文中使用的數(shù)據(jù)全部采用雷達(dá)實(shí)測(cè)點(diǎn)跡數(shù)據(jù)，根據(jù)劇情對(duì)數(shù)據(jù)中的每個(gè)點(diǎn)跡進(jìn)行標(biāo)注，雜波標(biāo)簽為0，目標(biāo)標(biāo)簽為1。利用其中大部分?jǐn)?shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，再留一部分?jǐn)?shù)據(jù)用于驗(yàn)證模型。本文中用于模型訓(xùn)練的數(shù)據(jù)集稱為訓(xùn)練集數(shù)據(jù)，用于模型驗(yàn)證的數(shù)據(jù)稱為測(cè)試集數(shù)據(jù)。

2.2 損失函數(shù)優(yōu)化

判斷一個(gè)分類器對(duì)所有樣本的分類能力或者在不同的應(yīng)用場(chǎng)合時(shí)，需要有不同的指標(biāo)。在本文雷達(dá)雜波和真實(shí)目標(biāo)分類問(wèn)題研究中，漏警可能造成很嚴(yán)重的損失，也就是說(shuō)將目標(biāo)判為雜波的代價(jià)要遠(yuǎn)高于將雜波判為目標(biāo)的代價(jià)。因此需要進(jìn)行損失函數(shù)優(yōu)化，對(duì)經(jīng)典交叉熵?fù)p失函數(shù)進(jìn)行加權(quán)。當(dāng)目標(biāo)被判為雜波時(shí)，代價(jià)權(quán)重為0.9；雜波判為目標(biāo)時(shí)，代價(jià)權(quán)重為0.1。加權(quán)交叉熵?fù)p失函數(shù)為：

(3)

2.3 模型效果評(píng)估指標(biāo)

本文綜合利用準(zhǔn)確率、目標(biāo)損失率和雜波濾除率評(píng)估卷積神經(jīng)網(wǎng)絡(luò)模型效果。經(jīng)過(guò)前述分析，針對(duì)本文應(yīng)用場(chǎng)景，在降低目標(biāo)損失率的前提下，盡量提高準(zhǔn)確率或者說(shuō)是雜波濾除率。為了對(duì)這3個(gè)模型效果評(píng)估指標(biāo)進(jìn)行說(shuō)明，作出如下定義：“目標(biāo)”是正類別，“雜波”是負(fù)類別。

可以使用表2來(lái)概括“雜波預(yù)測(cè)”模型，里面描述了所有可能出現(xiàn)的結(jié)果(共4種)。

表2 “雜波預(yù)測(cè)”模型結(jié)果

準(zhǔn)確率是一個(gè)用于評(píng)估分類模型的指標(biāo)，是指模型預(yù)測(cè)正確的結(jié)果所占的比例，公式如下：

(4)

在本文場(chǎng)景中，目標(biāo)損失率是一個(gè)重要指標(biāo)，優(yōu)化損失函數(shù)目的也是為了盡量降低目標(biāo)損失率，公式如下：

(5)

在降低目標(biāo)損失率的同時(shí)，要盡量濾除雜波，其公式如下：

(6)

2.4 訓(xùn)練過(guò)程

本文中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式為輸入層→卷積層(

C

)→卷積層(

C

)→池化層→卷積層(

C

)→卷積層(

C

)→池化層→全連接層→輸出層。表3是卷積層所用的卷積核個(gè)數(shù)、卷積核寬、步長(zhǎng)以及填充情況。

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

作為神經(jīng)網(wǎng)絡(luò)輸入的特征向量直接從點(diǎn)跡文件中獲取，激活函數(shù)為ReLU函數(shù)，最大池化方法，損失函數(shù)則為期望輸出與真實(shí)輸出的加權(quán)交叉熵。用于網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集有6 400個(gè)數(shù)據(jù)，驗(yàn)證集為2 000個(gè)數(shù)據(jù)。訓(xùn)練流程如圖6所示。

圖6 訓(xùn)練流程圖

步驟如下：

(1) 初始化。初始化訓(xùn)練次數(shù)為0，將網(wǎng)絡(luò)的連接權(quán)值和偏置量均初始化為隨機(jī)值，初始學(xué)習(xí)速率為0.001，每訓(xùn)練10輪后學(xué)習(xí)率乘以衰減系數(shù)0.99。

(2) 前向傳播。從訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取128個(gè)特征數(shù)據(jù)輸入網(wǎng)絡(luò)，逐層計(jì)算各層網(wǎng)絡(luò)的輸出，獲得預(yù)測(cè)值。

(3) 反向傳播。得到輸出層的真實(shí)值后，根據(jù)優(yōu)化損失函數(shù)計(jì)算真實(shí)值與數(shù)據(jù)標(biāo)簽的誤差，更新網(wǎng)絡(luò)連接權(quán)值和偏置量。

(4) 迭代訓(xùn)練。當(dāng)訓(xùn)練集中所有數(shù)據(jù)都被抽取訓(xùn)練，完成一次迭代訓(xùn)練，訓(xùn)練數(shù)加1。然后使用當(dāng)前狀態(tài)的網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類，得到分類準(zhǔn)確率、目標(biāo)損失率和雜波濾除率。80次迭代訓(xùn)練后，停止訓(xùn)練。

3 訓(xùn)練結(jié)果

每次迭代后打印結(jié)果，訓(xùn)練集和驗(yàn)證集數(shù)據(jù)準(zhǔn)確率、損失函數(shù)以及學(xué)習(xí)率隨迭代次數(shù)變化如圖7所示。

圖7 訓(xùn)練集數(shù)據(jù)準(zhǔn)確率、損失函數(shù)和學(xué)習(xí)率變化圖

圖8是最后幾組迭代結(jié)果截圖，圖9和圖10是目標(biāo)損失率和雜波濾除率隨迭代次數(shù)變化圖。

圖8 最后幾組迭代結(jié)果圖

圖9 目標(biāo)損失率變化圖

圖10 雜波濾除率變化圖

優(yōu)化損失函數(shù)后，經(jīng)過(guò)多次迭代，目標(biāo)損失率只有0.04左右，雜波濾除率為0.93左右，準(zhǔn)確率也達(dá)到0.94左右，表明提取的雷達(dá)點(diǎn)跡多維特征信息以及用卷積神經(jīng)網(wǎng)絡(luò)的方法能夠?qū)走_(dá)點(diǎn)跡進(jìn)行分類。

4 結(jié)束語(yǔ)

本文利用卷積神經(jīng)網(wǎng)絡(luò)研究雷達(dá)點(diǎn)跡分類問(wèn)題，對(duì)雷達(dá)點(diǎn)跡質(zhì)量進(jìn)行評(píng)估。根據(jù)工程經(jīng)驗(yàn)提取雷達(dá)點(diǎn)跡多維特征信息作為輸入，針對(duì)性地優(yōu)化損失函數(shù)，通過(guò)測(cè)試集數(shù)據(jù)驗(yàn)證模型效果，在高準(zhǔn)確率的同時(shí)使目標(biāo)損失率下降到可接受范圍。

當(dāng)有點(diǎn)跡數(shù)據(jù)時(shí)，利用本文保存的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)點(diǎn)跡進(jìn)行分類，分類結(jié)果可以為后續(xù)的航跡起始以及虛假航跡剔除提供技術(shù)支撐，最終達(dá)到減少雜波環(huán)境下虛假航跡數(shù)量的目的。