余 波，馬曉斌，曹育維，梁 猛，李巖松

（中國航天科工集團(tuán)8511 研究所，江蘇 南京 210007）

0 引言

近年來，無人機(jī)在諸多領(lǐng)域得到了廣泛的應(yīng)用。在軍事領(lǐng)域上，無人機(jī)可用于多種類型戰(zhàn)場，基于無人機(jī)的多種技戰(zhàn)術(shù)也被廣泛應(yīng)用［1］。隨著經(jīng)濟(jì)的發(fā)展與無人機(jī)技術(shù)的不斷研發(fā)，越來越多與無人機(jī)相關(guān)的軍事活動(dòng)［2］興起，無論是情報(bào)監(jiān)視偵查還是對(duì)敵防空壓制［3］，無人機(jī)在其中都發(fā)揮著不可或缺的作用［4］。在雷達(dá)發(fā)展的早期，雷達(dá)將目標(biāo)信息輸出到顯示設(shè)備上，顯示出包含噪聲、雜波的回波信號(hào)，通過人為干預(yù)等手段從包含干擾信息的回波數(shù)據(jù)中完成目標(biāo)的檢測［5］。隨著檢測技術(shù)不斷發(fā)展，統(tǒng)計(jì)學(xué)理論開始被引入到檢測問題中。在實(shí)際檢測場景中，信號(hào)中會(huì)夾雜著不同類型和強(qiáng)度的雜波。例如在城市環(huán)境中，雷達(dá)接收的回波信號(hào)會(huì)受地雜波和噪聲影響；在海洋環(huán)境中，海雜波、電離層雜波和大氣噪聲也會(huì)嚴(yán)重干擾回波信號(hào)［6］。在存在干擾的環(huán)境中，要實(shí)現(xiàn)對(duì)目標(biāo)的高精度跟蹤，不僅需要信噪比滿足檢測要求，還需要恒虛警檢測算法（CFAR）的支持。雖然CFAR 算法以及支持向量機(jī)算法（SVM）一定程度上能實(shí)現(xiàn)高精度雷達(dá)目標(biāo)檢測，但是在復(fù)雜場景下難以對(duì)無人機(jī)進(jìn)行高精度檢測［7］。

針對(duì)上述問題，本文提出基于孿生支持機(jī)（TWSVM）的雷達(dá)目標(biāo)檢測算法，并介紹了算法框架、流程，最后在統(tǒng)一的仿真環(huán)境下將新算法與傳統(tǒng)CFAR 算法、基于SVM 的雷達(dá)目標(biāo)檢測算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明基于TWSVM 的雷達(dá)目標(biāo)檢測算法在一定程度上彌補(bǔ)了傳統(tǒng)算法的缺陷，提高了在低信噪比情況下的目標(biāo)檢測精度。

1 基于TWSVM 的雷達(dá)目標(biāo)檢測算法

在基于TWSVM［8］的檢測網(wǎng)絡(luò)中，將待檢單元的幅值和兩側(cè)參考單元幅值進(jìn)行組合形成數(shù)據(jù)組，作為分類的依據(jù)，如圖1 所示。若干個(gè)待檢單元進(jìn)行處理分別形成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。TWSVM 通過有目標(biāo)單元和無目標(biāo)單元特征向量分別訓(xùn)練出正負(fù)樣本的分類超平面［9］。分類超平面分別由向量w1、w2的轉(zhuǎn)置決定，樣本通過與w1、w2的轉(zhuǎn)置進(jìn)行計(jì)算可知樣本的類別?；赥WSVM 的檢測流程如圖2所示。

圖1 基于TWSVM 的算法原理

圖2 基于TWSVM 的檢測流程

首先對(duì)回波數(shù)據(jù)進(jìn)行數(shù)據(jù)重組構(gòu)建輸入數(shù)據(jù)。接著針對(duì)有目標(biāo)數(shù)據(jù)和無目標(biāo)數(shù)據(jù)的模型設(shè)置相應(yīng)的核函數(shù)完成特征映射，至此得到模型的輸入。最后將處理后的數(shù)據(jù)輸入到設(shè)置好模型參數(shù)的TWSVM模型進(jìn)行訓(xùn)練［10］，此過程同樣也是循環(huán)，設(shè)置好循環(huán)跳出條件，若滿足則表示模型訓(xùn)練完畢并達(dá)到要求，反之則修改相關(guān)參數(shù)繼續(xù)訓(xùn)練。下面對(duì)TWSVM 檢測過程進(jìn)行詳細(xì)介紹。

1）特征提取。雷達(dá)接收回波數(shù)據(jù)后通過一系列流程增大信噪比，得到距離多普勒數(shù)據(jù)。此數(shù)據(jù)包含目標(biāo)位置、速度等信息，將目標(biāo)的這些信息作為網(wǎng)絡(luò)訓(xùn)練和測試的基礎(chǔ)［11］。

2）構(gòu)建輸入數(shù)據(jù)。避開保護(hù)單元，將待檢單元幅值和兩側(cè)參考單元幅值重組形成基礎(chǔ)數(shù)據(jù)組，接著選取大量有、無目標(biāo)單元，按照上述流程得到TWSVM訓(xùn)練的輸入數(shù)據(jù)。

由于傳統(tǒng)CFAR 算法兩側(cè)各選取16 個(gè)待檢單元作為樣本，因此本文所提出的方法也沿用。32 個(gè)待檢單元的幅值組成一維向量作為基于TWSVM 的檢測網(wǎng)絡(luò)的輸入，形式為（x1，x2，…x17，x18，…，x33）。待檢單元的標(biāo)簽作為網(wǎng)絡(luò)的輸出，標(biāo)簽是單元有無目標(biāo)的標(biāo)志，存在目標(biāo)則為1，反之則為0。

3）數(shù)據(jù)預(yù)處理。TWSVM 使用數(shù)據(jù)歸一化對(duì)數(shù)據(jù)預(yù)處理，用于提升數(shù)據(jù)特征表現(xiàn)力。數(shù)據(jù)歸一化方法具體為Min-Max 標(biāo)準(zhǔn)化，最終將訓(xùn)練、測試數(shù)據(jù)都映射到[0，1]范圍。

4）核函數(shù)。由于選取的數(shù)據(jù)量和樣本特征數(shù)不匹配，所以選取高斯核函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行處理，最后通過核函數(shù)進(jìn)行特征映射以完成非線性分類任務(wù)。

5）搭建模型。搭建模型時(shí)需要設(shè)置一系列模型參數(shù)，包括分類類型、分類方法、核函數(shù)種類以及參數(shù)等。首先根據(jù)實(shí)際任務(wù)來確定分類類型是兩分類還是多分類，多分類可是多個(gè)兩分類任務(wù)的疊加。分類方法是TWSVM，相對(duì)而言，TWSVM 訓(xùn)練時(shí)間更少且針對(duì)小樣本數(shù)據(jù)效果更好。

接著需要確定核函數(shù)的參數(shù)，在此考慮2 個(gè)參數(shù)，分別是C和gamma。C是懲罰系數(shù)，代表對(duì)誤差的容忍度；gamma是核函數(shù)自帶的一個(gè)參數(shù)。TWSVM 分類時(shí)涉及2 個(gè)模型，即2 個(gè)分類超平面，因此需要設(shè)置2 組參數(shù)。在先驗(yàn)經(jīng)驗(yàn)下，TWSVM2 個(gè)分類超平面的懲罰系數(shù)設(shè)置為1，高斯核函數(shù)gamma系數(shù)選取13。

6）模型訓(xùn)練。模型參數(shù)確定好之后就要進(jìn)行模型訓(xùn)練階段，此時(shí)需要指定損失函數(shù)的種類，一般可以選用合頁損失函數(shù)。確定合頁損失函數(shù)為損失函數(shù)后，就可以按照默認(rèn)設(shè)置好的模型參數(shù)開始訓(xùn)練模型，經(jīng)過若干輪次的訓(xùn)練后可以得到符合要求的TWSVM 模型。

2 算法仿真

1）仿真平臺(tái)和參數(shù)設(shè)置

本節(jié)為了驗(yàn)證TWSVM 算法性能和針對(duì)低信噪比下無人機(jī)回波數(shù)據(jù)的檢測效果，選取了CFAR 和SVM 作為對(duì)比方法，在統(tǒng)一的仿真場景下對(duì)3 種方法進(jìn)行測試對(duì)比。設(shè)置目標(biāo)時(shí)選取速度也相對(duì)較小，選取信噪比主要考慮低信噪比情況。信噪比范圍是7.84～11.84 dB，間隔為1 dB。

2）仿真數(shù)據(jù)

以信噪比7.84 dB 為例，雷達(dá)通過發(fā)射信號(hào)探測到目標(biāo)，接收機(jī)接收到回波信號(hào)后需要進(jìn)行一系列操作提升信號(hào)信噪比。首先對(duì)每幀回波進(jìn)行匹配濾波，完成脈沖壓縮，一幀的脈壓結(jié)果如圖3 所示。

圖3 信噪比7.84 dB 下脈壓結(jié)果

然后對(duì)同一距離門脈壓結(jié)果進(jìn)行256 點(diǎn)的FFT運(yùn)算，以此可以測出目標(biāo)速度，得到距離多普勒形式的回波數(shù)據(jù)，回波數(shù)據(jù)形式如圖4 所示。

圖4 信噪比7.84 dB 下距離多普勒?qǐng)D

3）結(jié)果對(duì)比

實(shí)驗(yàn)對(duì)比方法包含CFAR、SVM 算法和TWSVM 算法，測試數(shù)據(jù)統(tǒng)一，評(píng)價(jià)指標(biāo)為Pd、Pf和ACC。按照預(yù)設(shè)模型參數(shù)搭建好模型，設(shè)置梯度下降算法為學(xué)習(xí)算法，訓(xùn)練輪次為1 000，學(xué)習(xí)率為0.5，經(jīng)過固定輪次訓(xùn)練后得到TWSVM 模型。對(duì)全部信噪比下的數(shù)據(jù)統(tǒng)一進(jìn)行完測試后，結(jié)果指標(biāo)參數(shù)如表1 所示。

表1 3 種算法檢測結(jié)果對(duì)比表

由此可見，高信噪比時(shí)，TWSVM 和SVM 性能均高于CFAR，且TWSVM 優(yōu)于SVM。隨著信噪比下降，3 種算法性能均有不同程度的下降，但TWSVM 性能下降程度小于SVM，且各信噪比下性能都優(yōu)于SVM。因此綜上，在不同信噪比下，TWSVM 對(duì)2 類樣本的區(qū)分能力均優(yōu)于SVM，并且在低信噪比時(shí)仍能發(fā)揮較好的性能水平。

圖5 為CFAR、SVM 和TWSVM3 種算法在不同信噪比下的ACC。由此可見，隨著信噪比的降低，3 種算法的ACC有所下降，而SVM 和TWSVM 的檢測性能要優(yōu)于CFAR。圖6 為SVM、TWSVM 的ACC局部放大圖，可明顯看出TWSVM 的檢測性能要優(yōu)于SVM。

圖5 3 種算法不同信噪比ACC

圖6 2 種算法不同信噪比ACC

3 結(jié)束語

基于CFAR 的檢測方法在高信噪比下檢測性能良好，但是當(dāng)信噪比降低時(shí)CFAR 的檢測效果會(huì)顯著下降。而基于SVM 的檢測方法雖然在一定程度上緩解了傳統(tǒng)方法在低信噪比下出現(xiàn)的檢測性能變差等問題，但從工程應(yīng)用的角度出發(fā)改進(jìn)效果還不夠。針對(duì)以上問題，本文提出了一種基于TWSVM 的雷達(dá)目標(biāo)檢測方法，在高信噪比上提升了檢測精度，并在一定程度上緩解了傳統(tǒng)算法在低信噪比下檢測精度不高等問題，對(duì)基于機(jī)器學(xué)習(xí)算法的雷達(dá)目標(biāo)檢測算法應(yīng)用于工程問題上有一定的推動(dòng)作用。在算法復(fù)雜度上，本算法較傳統(tǒng)算法而言提高了算法復(fù)雜度，因此在算法實(shí)時(shí)性上有一定降低，未來需要對(duì)此問題進(jìn)行繼續(xù)研究。