楊蕊, 趙穎博, 楊婷

(1.西安建筑科技大學(xué)工程綜合實(shí)訓(xùn)中心, 西安 710054; 2.西安建筑科技大學(xué)機(jī)電學(xué)院, 西安 710054)

隨著現(xiàn)代化作戰(zhàn)規(guī)模不斷擴(kuò)大,探測(cè)感知系統(tǒng)面臨復(fù)雜戰(zhàn)場(chǎng)環(huán)境,受低空云雨等環(huán)境影響,雷達(dá)會(huì)收到大量氣象回波,形成雜波點(diǎn)。且在中遠(yuǎn)程目標(biāo)捕獲階段,為盡早發(fā)現(xiàn)目標(biāo)往往降低雷達(dá)檢測(cè)門(mén)限,導(dǎo)致大量回波點(diǎn)進(jìn)入數(shù)據(jù)處理階段,形成虛假點(diǎn)跡。特別是組網(wǎng)條件下的多雷達(dá)協(xié)同,雜波點(diǎn)跡相互疊加,形成空間分布不規(guī)律、難辨識(shí)的密集雜波區(qū),嚴(yán)重影響數(shù)據(jù)融合處理的精度與實(shí)時(shí)性[1-2]。

在雷達(dá)數(shù)據(jù)處理中,如何從富含大量噪聲數(shù)據(jù)的信息中有效甄別目標(biāo)點(diǎn)跡是降低虛情提升精度的關(guān)鍵。常規(guī)雷達(dá)數(shù)據(jù)處理算法為了保障信息處理系統(tǒng)的時(shí)效性,進(jìn)行雜波濾除時(shí)常采用非此即彼的“硬分類”規(guī)則識(shí)別方法,會(huì)因?yàn)椴淮_定量測(cè)與表征的局限,在數(shù)據(jù)類別劃分時(shí)造成誤判,導(dǎo)致虛情率過(guò)高不利于后端態(tài)勢(shì)分析[3-5]。置信函數(shù)理論在不確定、不完備信息度量上具有獨(dú)特優(yōu)勢(shì),目前已在模式識(shí)別[6-7]、數(shù)據(jù)聚類[8-9]、安全評(píng)估[10-11]、傳感器信息融合[12]、異常工況檢測(cè)[13]等應(yīng)用中已取得不錯(cuò)效果。深度神經(jīng)網(wǎng)絡(luò)[14-15]具備極強(qiáng)的數(shù)據(jù)學(xué)習(xí)能力,且模型可根據(jù)實(shí)時(shí)數(shù)據(jù)進(jìn)行持續(xù)更新,能夠提升點(diǎn)跡分類準(zhǔn)確度,為問(wèn)題的解決提供了良好支撐。

因此,為了有效表征雷達(dá)探測(cè)信息中不精確數(shù)據(jù),提升目標(biāo)點(diǎn)跡與雜波的甄別準(zhǔn)確度,結(jié)合深度神經(jīng)網(wǎng)絡(luò)與置信函數(shù)理論的優(yōu)勢(shì),提出一種基于置信函數(shù)的分類器自優(yōu)化雷達(dá)點(diǎn)跡識(shí)別算法(a recognition algorithm of radar plots based on confidence function and self-updating classifier, RARP-CFSC)。首先創(chuàng)建目標(biāo)點(diǎn)跡、雜波、不確定信息的置信識(shí)別框架,設(shè)計(jì)可實(shí)時(shí)給定點(diǎn)跡類別置信的深度神經(jīng)網(wǎng)絡(luò)模型分類器,通過(guò)輔助決策證據(jù)構(gòu)建與修正融合,實(shí)現(xiàn)數(shù)據(jù)類別標(biāo)簽的迭代更新,并循環(huán)驅(qū)動(dòng)分類器進(jìn)行優(yōu)化,最終實(shí)現(xiàn)雷達(dá)點(diǎn)跡數(shù)據(jù)的準(zhǔn)確識(shí)別。雷達(dá)實(shí)測(cè)數(shù)據(jù)集驗(yàn)證實(shí)驗(yàn)顯示,RARP-CFSC能夠有效抑制雜波數(shù)據(jù)干擾,提升目標(biāo)點(diǎn)跡的識(shí)別正確率,且識(shí)別能力還可隨著應(yīng)用逐步推廣得到持續(xù)提升。

1 置信函數(shù)理論

置信函數(shù)理論是概率論和集合隸屬類方法的拓展,創(chuàng)建的證據(jù)識(shí)別框架在不確定、不完備信息的表征與推理上已被證實(shí)科學(xué)有效。假設(shè)變量A為所關(guān)注的命題事件,其取值都包含在證據(jù)識(shí)別框架Ω中,對(duì)于A的不確定證據(jù)則可由Ω上的Mass函數(shù)m表示為

(1)

m(A)表示證據(jù)支持命題A本身發(fā)生的程度,空集(空命題)不產(chǎn)生任何置信,所有命題的總置信和為1。在置信函數(shù)理論中,置信度Bel與似真度Pl常被用來(lái)作為命題分類判別依據(jù)。其表達(dá)式為

(2)

(3)

式中:Bel(A)表示確信命題A成立的程度; Pl(A)則表示不反對(duì)命題A成立的程度,兩者共同構(gòu)成證據(jù)不確定區(qū)間,分別提供了各命題置信的上下限。對(duì)于目標(biāo)分類識(shí)別包含不確定信息問(wèn)題,可基于置信函數(shù)框架進(jìn)行問(wèn)題建模解析,但如何減小不確定區(qū)間,提升目標(biāo)數(shù)據(jù)置信表征的準(zhǔn)確性則是應(yīng)用中關(guān)鍵。

2 基于置信函數(shù)的分類器自優(yōu)化雷達(dá)點(diǎn)跡識(shí)別算法

新算法RARP-CFSC針對(duì)雷達(dá)探測(cè)數(shù)據(jù)特性,創(chuàng)建了目標(biāo)點(diǎn)跡、雜波、不確定信息的置信識(shí)別框架,通過(guò)置信證據(jù)的構(gòu)建與修正融合實(shí)現(xiàn)類別標(biāo)簽的自更新,并驅(qū)動(dòng)深度神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行迭代優(yōu)化,從而實(shí)現(xiàn)目標(biāo)點(diǎn)跡數(shù)據(jù)的準(zhǔn)確分類識(shí)別。算法具體實(shí)現(xiàn)包括深度網(wǎng)絡(luò)模型分類器設(shè)計(jì)、目標(biāo)數(shù)據(jù)mass函數(shù)構(gòu)建與修正融合、基于分類器實(shí)時(shí)優(yōu)化的目標(biāo)類別迭代更新等三項(xiàng)核心內(nèi)容。

2.1 分類器設(shè)計(jì)

不同于常規(guī)方法中目標(biāo)點(diǎn)跡與雜波數(shù)據(jù)非此即彼的二分類辨識(shí)規(guī)則,RARP-CFSC需首先構(gòu)建目標(biāo)點(diǎn)跡、雜波、不確定信息的識(shí)別框架:Ω={Co,Cn,Θ},其中Co代表真實(shí)目標(biāo)點(diǎn)跡所屬類別,Cn代表噪聲數(shù)據(jù)所屬類別,而Θ則代表可疑點(diǎn)跡與不確定數(shù)據(jù)類別。Co、Cn、與Θ,存在Co∩Cn=?,Co∩Θ=Co,Cn∩Θ=Cn的數(shù)學(xué)運(yùn)算關(guān)系。

為了在目標(biāo)數(shù)據(jù)置信函數(shù)與類別的迭代更新中,能夠?qū)崿F(xiàn)分類器的持續(xù)優(yōu)化,此處使用深度學(xué)習(xí)的全連接神經(jīng)網(wǎng)絡(luò)模型,并基于目標(biāo)數(shù)據(jù)特點(diǎn)與識(shí)別框架約束,進(jìn)行相關(guān)分類模型設(shè)計(jì),具體網(wǎng)絡(luò)參數(shù)設(shè)置如下。

輸入層:網(wǎng)絡(luò)輸入為所給定的點(diǎn)跡數(shù)據(jù),包括真實(shí)目標(biāo)點(diǎn)和所有類型的非真實(shí)目標(biāo)的雜波點(diǎn),在輸入網(wǎng)絡(luò)分類器進(jìn)行分類識(shí)別前,點(diǎn)跡類型尚不明確區(qū)分,都通過(guò)目標(biāo)點(diǎn)的空間位置、速度、加速度以及能量幅值等特征進(jìn)行向量建模,其數(shù)學(xué)表示形式為F=[x,y,z,vx,vy,vz,ax,ay,az,e],因此,網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)個(gè)數(shù)設(shè)置為10,與輸入特征維度保持一致。

隱含層:由于雷達(dá)目標(biāo)數(shù)據(jù)量較大,為了充分挖掘目標(biāo)特性避免對(duì)點(diǎn)跡數(shù)據(jù)欠學(xué)習(xí),隱藏層選取為20層,各層節(jié)點(diǎn)數(shù)配置為50,都采用sigmoid進(jìn)行非線性處理。

輸出層:網(wǎng)絡(luò)輸出為目標(biāo)數(shù)據(jù)在識(shí)別框架Ω中所對(duì)應(yīng)Co、Cn、與Θ的類別隸屬度,分別表示目標(biāo)點(diǎn)為真實(shí)目標(biāo)、雜波(非真實(shí)目標(biāo))、以及不確定類別的置信度,其數(shù)學(xué)向量的表示形式為μ=[μCo,μCn,μΘ],因此,輸出節(jié)點(diǎn)個(gè)數(shù)設(shè)置為3,采用softmax函數(shù)進(jìn)行非線性優(yōu)化。

損失函數(shù):用來(lái)估量模型的分類預(yù)測(cè)置信值與真實(shí)置信值的差異,此處采用均方誤差作為網(wǎng)絡(luò)模型的損失函數(shù)。

2.2 目標(biāo)數(shù)據(jù)Mass函數(shù)構(gòu)建與修正融合

目標(biāo)數(shù)據(jù)置信函數(shù)通常也稱Mass函數(shù),其構(gòu)建與修正融合包含:目標(biāo)數(shù)據(jù)分類、Mass函數(shù)構(gòu)造、證據(jù)組合以及類別置信更新四項(xiàng)核心環(huán)節(jié),其構(gòu)建的實(shí)現(xiàn)流程如圖1所示。

圖1 置信函數(shù)構(gòu)建的實(shí)現(xiàn)流程Fig.1 Implementation process of confidence function construction

2.2.1 目標(biāo)數(shù)據(jù)分類

(4)

基于目標(biāo)似真度函數(shù)將當(dāng)前雷達(dá)點(diǎn)跡數(shù)據(jù)在目標(biāo)、雜波、不確定的類別設(shè)定中進(jìn)行初始分類,并統(tǒng)計(jì)各類中的樣本數(shù)目N1、N2和N3。目標(biāo)周邊的樣本數(shù)據(jù)都可作為對(duì)目標(biāo)進(jìn)行類別確認(rèn)的輔助證據(jù)信息,其同類樣本可用于置信增強(qiáng),而異類樣本則可作為置信修正。

2.2.2 Mass函數(shù)構(gòu)造

在Co、Cn、與Θ三個(gè)類別的匯聚樣本集中,分別隨機(jī)選取K1、K2和K3個(gè)樣本,其具體數(shù)值可根據(jù)探測(cè)數(shù)據(jù)信噪比等先驗(yàn)信息進(jìn)行設(shè)定,若無(wú)任何先驗(yàn)信息,則根據(jù)每次聚類后的各類別樣本分布及數(shù)目統(tǒng)計(jì),并參照N1、N2和N3取值成比例設(shè)置。此時(shí)可形成目標(biāo)oi的輔助決策證據(jù)集ΦK(i),集合中各樣本Mass函數(shù)的數(shù)學(xué)建模為

(5)

式(5)中:K=K1+K2+K3,αij計(jì)算公式為

(6)

式(6)中:Mij為目標(biāo)數(shù)據(jù)與輔助決策樣本間的置信函數(shù)相似度,其定義為

(7)

2.2.3 證據(jù)組合

首先將決策證據(jù)集ΦK(i)中具有相同類別指派的樣本證據(jù)進(jìn)行組合,即分別針對(duì)Co、Cn、與Θ三類輔助決策證據(jù)子集Tq進(jìn)行組合,即

(8)

隨機(jī)擇取輔助決策樣本,尤其在決策樣本數(shù)充足時(shí),可一定程度上消除高相似噪聲數(shù)據(jù)帶來(lái)的干擾,但同時(shí)也會(huì)不可避免引入數(shù)據(jù)分布帶來(lái)的不確定影響,為此需基于各類別中樣本數(shù)目和雷達(dá)點(diǎn)跡的探測(cè)誤差概率,進(jìn)行證據(jù)中Mass函數(shù)折扣因子設(shè)定,即

(9)

式(9)中:Nt為輔助決策證據(jù)集中的樣本類別總數(shù),與辨識(shí)框架內(nèi)目標(biāo)類別一致取值為3;Er為雷達(dá)點(diǎn)跡的探測(cè)誤差概率,基于修正因子完成證據(jù)的更新,即

(10)

(11)

mt即為決策證據(jù)集ΦK(i)融合所得的全局Mass函數(shù)。

2.2.4 類別置信更新

基于全局Mass函數(shù)mt,可計(jì)算目標(biāo)oi屬于各模式類別Ci的置信度Bel與似真度Pl,即

(12)

(13)

點(diǎn)跡類別標(biāo)簽更新準(zhǔn)則如下。

準(zhǔn)則1:更新類別具有最大置信度。

準(zhǔn)則2:更新類別具有最大似真度。

準(zhǔn)則3:更新類別似真度與置信度差值需小于閾值T1,即對(duì)類別不確性不能過(guò)高取值通常設(shè)置為0.5。

準(zhǔn)則4:新類別與其他類別的最小置信度差值需大于閾值T2,即不同類別間需具有足夠置信差異,取值通常設(shè)置為0.2。

基于目標(biāo)oi的置信度與似真度,即可依據(jù)類別更新規(guī)則,實(shí)現(xiàn)該輪分類下的目標(biāo)類別標(biāo)簽的依次更新,更新后的樣本數(shù)據(jù)可反饋進(jìn)行深度網(wǎng)絡(luò)模型分類器的迭代更新。

2.3 基于分類器優(yōu)化的類別迭代更新

分類器可基于每一輪次的網(wǎng)絡(luò)模型參數(shù),獲取目標(biāo)類別隸屬度函數(shù),若網(wǎng)絡(luò)模型未經(jīng)任何訓(xùn)練,則會(huì)隨機(jī)初始目標(biāo)類別隸屬度;然后通過(guò)置信函數(shù)的修正融合實(shí)現(xiàn)目標(biāo)類別的更新,更新類別標(biāo)簽后的樣本數(shù)據(jù)又可進(jìn)行分類器的訓(xùn)練與參數(shù)優(yōu)化,優(yōu)化后的分類器又可重新用于目標(biāo)類別隸屬度函數(shù)的獲取;如此反復(fù)迭代優(yōu)化,直至目標(biāo)數(shù)據(jù)集中各點(diǎn)跡的類別標(biāo)簽不再更新或迭代到一定次數(shù),迭代次數(shù)取值通常與工程應(yīng)用時(shí)效性相關(guān)聯(lián),可根據(jù)具體場(chǎng)景進(jìn)行合理配置,更新策略的具體實(shí)現(xiàn)如下:

步驟1每個(gè)測(cè)試樣本Oi的全局Mass函數(shù)mt,可通過(guò)當(dāng)前狀態(tài)的深度網(wǎng)絡(luò)模型分類器與置信證據(jù)融合獲取?；趍t,目標(biāo)數(shù)據(jù)集可劃分到兩個(gè)子集Φ1與Φ2中,子集定義為

(14)

(15)

式中:Ω={Co,Cn,Θ};Φ1為類別是目標(biāo)點(diǎn)跡或噪聲的樣本數(shù)據(jù)集;Φ2則為類別為不確定的樣本數(shù)據(jù)集。

步驟2在每輪的迭代更新中,對(duì)Φ1的樣本數(shù)據(jù)基于深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行分類之后,可臨時(shí)構(gòu)建為訓(xùn)練樣本數(shù)據(jù){(Oi,Yi),i=1,2,…,NΦ1},NΦ1為數(shù)據(jù)集Φ1內(nèi)的樣本總數(shù),Yi為目標(biāo)Oi的類別標(biāo)簽。然后通過(guò)組合各樣本數(shù)據(jù)的Mass函數(shù),獲取此模式類別的中心,即

(16)

步驟3對(duì)于子集Φ2內(nèi)的各個(gè)樣本數(shù)據(jù){Oj,j=1,…,NΦ2},則根據(jù)公式(17)計(jì)算與Cq類別中心的置信相似度d(Oj,Cq),其中,NΦ2為數(shù)據(jù)集Φ2內(nèi)樣本總數(shù),Cq∈{Co,Cn}。最終根據(jù)相似度大小,即可將樣本數(shù)據(jù)依次分配給置信最相近的模式類別。

d(Oj,Cq)=||mt(Oj)-mCq||

(17)

基于以上實(shí)現(xiàn)過(guò)程,易于分類的樣本數(shù)據(jù)可提供額外證據(jù),有助于對(duì)高不確定的樣本進(jìn)行分類,特別是在噪聲與目標(biāo)數(shù)據(jù)在特征空間具備高相似度情況下。

RARP-CFSC算法實(shí)現(xiàn)流程如圖2所示。

圖2 RARP-CFSC算法實(shí)現(xiàn)流程Fig.2 Implementation process of RARP-CFSC

3 實(shí)驗(yàn)驗(yàn)證及分析

基于某型雷達(dá)實(shí)測(cè)數(shù)據(jù),對(duì)新算法RARP-CFSC進(jìn)行的性能進(jìn)行實(shí)驗(yàn)驗(yàn)證分析,隨機(jī)選取了雷達(dá)多掃描周期點(diǎn)跡數(shù)據(jù),形成整個(gè)測(cè)試樣本集,包括892個(gè)目標(biāo)點(diǎn)、3 315個(gè)雜波點(diǎn),具體分布如圖3所示,目標(biāo)點(diǎn)跡處于密集雜波環(huán)境中,部分目標(biāo)幾乎被雜波點(diǎn)淹沒(méi),對(duì)算法分類識(shí)別具有一定挑戰(zhàn)。

3.1 算法雜波抑制效果驗(yàn)證

采用RARP-CFSC對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行分類識(shí)別后,將判別為雜波的點(diǎn)跡濾除,保留目標(biāo)和不確定的點(diǎn)跡,得到圖4所示雜波抑制效果。由圖4可知,可以看到點(diǎn)跡中絕大部分雜波被正確識(shí)別并抑制,其他的強(qiáng)干擾雜波和不易辨別的目標(biāo)被當(dāng)做不明點(diǎn)跡進(jìn)行保留,極大地降低了虛警概率,可提升后端信息處理的時(shí)效性。

圖4 RARP-CFSC的雜波點(diǎn)跡濾除效果Fig.4 Filtering effect of clutter dots by RARP-CFSC

將RARP-CFSC與目前雷達(dá)點(diǎn)跡識(shí)別智能優(yōu)化算法的粒子群優(yōu)化支持向量機(jī)(particle swarm optimized support vector machine, PSO-SVM[3])、遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)(genetic algorithm optimized back propagation neural network, GA-BP[14])等進(jìn)行對(duì)比,并統(tǒng)計(jì)各類樣本的分類識(shí)別數(shù)目,具體結(jié)果如表1所示,可以看到GA-BP和PSO-SVM將所有點(diǎn)跡進(jìn)行“目標(biāo)或雜波點(diǎn)”的二分類,導(dǎo)致樣本錯(cuò)誤識(shí)別數(shù)目較多,RARP-CFSC沒(méi)有進(jìn)行硬分割,雖然不確定點(diǎn)跡數(shù)目為192,但目標(biāo)點(diǎn)跡與雜波的錯(cuò)誤識(shí)別數(shù)都僅有20,極大降低了虛情率。此外, RARP-CFSC在識(shí)別正確率上也具有一定優(yōu)勢(shì)可以達(dá)到94%,相對(duì)于PSO-SVM的91%和GA-BP的85%,有3～10個(gè)的百分點(diǎn)提升。

表1 算法點(diǎn)跡識(shí)別結(jié)果對(duì)比

3.2 訓(xùn)練樣本與迭代次數(shù)分析

網(wǎng)絡(luò)模型分類器初始參數(shù)對(duì)算法性能影響進(jìn)行驗(yàn)證分析,從樣本數(shù)據(jù)集中選取一定量樣本進(jìn)行模型訓(xùn)練,其余樣本用來(lái)進(jìn)行測(cè)試,具體數(shù)目設(shè)定如表2所示。計(jì)算不同場(chǎng)景下目標(biāo)點(diǎn)、雜波點(diǎn)識(shí)別正確率,并記錄點(diǎn)跡數(shù)據(jù)類別不再更新時(shí)的迭代次數(shù)與算法耗時(shí),各場(chǎng)景所基于的軟件環(huán)境為Windows10系統(tǒng)下MATLAB R2020a,實(shí)驗(yàn)結(jié)果如表3所示。

表2 各驗(yàn)證情景下的樣本設(shè)定

表3 各驗(yàn)證情景下RARP-CFSC的識(shí)別結(jié)果

如表3結(jié)果所示,隨著訓(xùn)練樣本數(shù)目的提升,目標(biāo)與雜波點(diǎn)的識(shí)別正確率都會(huì)有一定提升,場(chǎng)景D3的訓(xùn)練樣本為場(chǎng)景D1的5倍之多,識(shí)別準(zhǔn)確率提升比較局限,僅有2～3個(gè)百分點(diǎn),但算法時(shí)效性可以得到極大提升,從2.891 s縮短到0.227 s。可見(jiàn),新算法網(wǎng)絡(luò)模型分類器事先只需在少量樣本訓(xùn)練后,即可通過(guò)目標(biāo)類別置信的迭代更新學(xué)習(xí)實(shí)現(xiàn)分類器的自學(xué)習(xí)并逐步提升目標(biāo)類別,只是樣本越少準(zhǔn)確識(shí)別點(diǎn)跡所需的迭代次數(shù)就會(huì)越多,會(huì)對(duì)時(shí)效性造成一定影響。目前實(shí)驗(yàn)驗(yàn)證主要基于MATLAB環(huán)境,在工程應(yīng)用中基于C語(yǔ)言進(jìn)行算法實(shí)現(xiàn)時(shí),其收斂速度還會(huì)有成倍提升。目前可實(shí)現(xiàn)的雷達(dá)系統(tǒng)處理能力為單幀數(shù)據(jù)處理時(shí)延不大于2 s,后續(xù)隨著分類器的持續(xù)學(xué)習(xí),該項(xiàng)處理性能還可得到進(jìn)一步提升。

RARP-CFSC的識(shí)別正確率與迭代次數(shù)的具體關(guān)系曲線如圖5所示。

圖5 RARP-CFSC識(shí)別正確率與迭代次數(shù)關(guān)系曲線Fig.5 Relation curve between recognition accuracy and iteration number by RARP-CFSC

可見(jiàn),RARP-CFSC的識(shí)別正確率達(dá)到一定程度后,不會(huì)再隨著迭代的次數(shù)增加而提升,圖5中目標(biāo)和雜波點(diǎn)的識(shí)別率一直低于0.975。因此在工程應(yīng)用推廣中,需根據(jù)具體場(chǎng)景對(duì)識(shí)別準(zhǔn)確率與時(shí)效性的綜合要求,進(jìn)行算法參數(shù)合理設(shè)定,未來(lái)也有必要進(jìn)一步開(kāi)展能夠切合不同雷達(dá)數(shù)據(jù)場(chǎng)景的自適應(yīng)參數(shù)配置研究工作。

3.3 置信閾值參數(shù)分析

點(diǎn)跡分類規(guī)則中似真度與置信度差值T1、不同類別置信差異閾值T2兩項(xiàng)參數(shù)對(duì)算法性能影響進(jìn)行驗(yàn)證分析,閾值T1與T2參數(shù)設(shè)定及相應(yīng)實(shí)驗(yàn)結(jié)果,如表4和表5所示。

表4 T1不同取值下目標(biāo)點(diǎn)跡識(shí)別結(jié)果

表5 T2不同取值下目標(biāo)點(diǎn)跡識(shí)別結(jié)果

如表4結(jié)果所示,似真度與置信度差值T1取值越小,目標(biāo)點(diǎn)跡識(shí)別正確率越大,但算法模型收斂時(shí)所需迭代更新次數(shù)越多,就會(huì)影響算法的處理時(shí)效性。如表5所示,類別置信差異閾值T2取值變化時(shí),算法模型收斂時(shí)所需迭代更新次數(shù)變化不大,在取值為0.2時(shí),目標(biāo)點(diǎn)跡識(shí)別正確率可達(dá)0.953,取值為0.1和0.3時(shí),識(shí)別正確率都有所下降?？梢?jiàn)閾值T2取值較小,會(huì)降低對(duì)雜波點(diǎn)的抑制,導(dǎo)致虛假目標(biāo)增多;取值較大雖然可提高對(duì)雜波點(diǎn)的抑制,但同時(shí)也會(huì)減弱對(duì)與雜波相似真實(shí)目標(biāo)的辨識(shí)。因此,閾值T1與T2參數(shù)的合理設(shè)定需與場(chǎng)景數(shù)據(jù)進(jìn)行有效匹配。

4 結(jié)論

本文提出了一種基于置信函數(shù)的分類器自優(yōu)化雷達(dá)點(diǎn)跡識(shí)別算法,通過(guò)構(gòu)建目標(biāo)、雜波、不確定類別置信框架,實(shí)現(xiàn)對(duì)雷達(dá)點(diǎn)跡數(shù)據(jù)的有效表征,利用深度網(wǎng)絡(luò)模型分類器實(shí)時(shí)獲取點(diǎn)跡類別置信,再利用輔助決策證據(jù)進(jìn)行類別修正更新,并驅(qū)動(dòng)分類器完成迭代優(yōu)化,從而實(shí)現(xiàn)點(diǎn)跡的準(zhǔn)確分類識(shí)別。通過(guò)雷達(dá)實(shí)測(cè)數(shù)據(jù)集驗(yàn)證了新算法的有效可行性,實(shí)驗(yàn)結(jié)果表明識(shí)別準(zhǔn)確率可達(dá)到94.65%,優(yōu)于傳統(tǒng)識(shí)別算法。此外新算法還可以在樣本受限情況下,通過(guò)迭代學(xué)習(xí)挖掘數(shù)據(jù)內(nèi)在分布特性,實(shí)現(xiàn)分類識(shí)別能力的逐步提升。下一步需開(kāi)展能切合多型雷達(dá)數(shù)據(jù)場(chǎng)景的自適應(yīng)參數(shù)配置,以促進(jìn)新方法的推廣應(yīng)用中。