基于自適應時延神經網絡的空間紅外點目標識別

呂江北 劉 濤 高 峰等

摘 要:神經網絡方法是當前解決空間點目標識別問題的一類主要方法。為提高目標的正確識別率,提出一種基于空間點目標紅外輻射序列的自適應時延神經網絡(ATNN)識別方法。ATNN采用可調整的時延結構,在網絡訓練時可以針對輸入自適應調整延遲步長,更加適用于變化劇烈的紅外時序信號識別。該方法以目標的雙波段紅外輻射強度序列作為網絡特征輸入,對ATNN進行訓練,然后用訓練好的ATNN對目標進行分類識別。實驗表明,該方法在不同信噪比的條件下,均能有效提高目標的正確識別率,并且具有一定的抗噪性,應用前景良好。

關鍵詞:空間目標;紅外輻射;自適應時延神經網絡;目標識別

中圖分類號:TP391.41;P472.1

0 引 言

隨著軍事斗爭空域的擴展,特別是空間電子對抗的興起,大氣層外的空間目標數量迅速增加。空間目標群在大氣層外飛行時,由于距離探測器較遠,它們在探測器上所成形的像的面積較小,可近似為點目標,無法從形狀上對它們進行分別。同時由于沒有大氣衰減的影響,空間目標及其伴飛物的速度、運動軌跡也基本相同,這使得用于識別目標的信息很少。紅外光譜輻射是物體的本質屬性,它不僅易于測量,而且對于不同空間物體具有不同的輻射特性,因而有效利用紅外光譜輻射信息對空間目標進行識別已成為倍受關注的研究課題之一[1[CD*2]3]。時延神經網絡(Time Delay Neural Network,TDNN)[4[CD*2]7]是一種常用的空間目標識別方法,它在BP網絡的基礎上加入延時器,具有記憶功能,同時它以目標的紅外輻射度作為特征輸入,解決了空間點目標特征提取困難的問題,對紅外輻射序列具有較好的識別效果。但由于它對所有時刻的輸入樣本采用固定的時延,對紅外輻射強度變化劇烈的目標識別效果較差。本文通過對目標在大氣層外飛行過程中的紅外輻射強度序列仿真數據進行分析,提出利用自適應時延神經網絡[7[CD*2]10](Adaptive Time[CD*2]Delay Neural Network,ATNN)對目標進行識別。ATNN是在TDNN的基礎上改變延時器的時延,針對不同輸入采用可以自適應調整的時延,更加適應復雜環境下紅外輻射度變化劇烈的紅外點目標識別。在研究了自適應時延神經網絡(ATNN)的網絡結構后,對網絡的權值和時延變化進行了推導,提出基于ATNN的紅外點目標識別訓練方法,最后利用空間目標的多波段動態紅外輻射強度仿真數據進行目標識別實驗研究。實驗結果表明,本文所提出的方法對空間紅外點目標識別率較時延神經網絡方法約高4%,有較好的抗噪性能,在空間紅外點目標識別領域中也有較好的應用前景。

1 自適應時延神經網絡識別方法

1.1 ATNN網絡模型及識別算法

自適應時延神經網絡(ATNN)是由多層前饋感知器引入自適應時間延遲器擴展而來的。圖1為一個┤層自適應時延神經網絡的結構圖,網絡中相鄰兩層節點之間的連接為并行延遲單元組成的自適應時間延遲器。圖2為網絡的第l-1層的節點i與第l層的節點j之間的自適應時間延遲器結構,節點i與節點j之間有﹏個連接,每個連接k都有獨立的時間延遲

對于三層獳TNN網絡,假設輸出層第j個節點在t璶時刻的期望輸出為d璲(t璶),則網絡在

以上權值和時延推導過程參考了文獻[10]的推導過程。

1.2 ATNN網絡目標識別訓練過程

基于ATNN網絡模型以及對神經網絡權值和時延的修正過程,進一步提出基于ATNN的紅外點目標識別訓練方法。在訓練過程中,為避免誤差發生大幅度的振蕩,采用批處理的訓練方法,即當訓練集中的所有樣本訓練完成一次后,只對網絡的權值做一次更新。訓練流程如圖3所示,訓練步驟如下:

(1) 從每類目標中選取一定數目的特征序列構成訓練集T,設特征序列的長度為S;

(2) 構建三層自適應時延神經網絡,設定網絡的收斂誤差為E

(3) 初始化的獳TNN網絡權值和時延;

(4) 置s=0,總誤差E=0,權值變化Δω﹋ik,l-1=0,時延變化Δτ﹋ik,l-1=0;

(5) 令s=s+1,根據式(1)~式(3)計算當輸入┑趕個序列特征時隱含層和輸出層的輸出;

(6) 計算并累加誤差E=E+e璼,根據式(4)~┦(12)計算并累加第s步權值和時延的變化量,

(7)若s

(8)若E

2 目標識別實驗研究

2.1 參數選擇方案

ATNN網絡識別方法需要確定網絡結構,包括輸入/輸出神經元數、隱含層層數及隱含層神經元數的設計和各層神經元激活函數的選擇。理論上單隱含層網絡可以實現對任何不相交凸類域模式的正確分類,含┝礁霆隱含層的神經網絡可以實現對不相交的任意形狀類域模式進行正確分類。綜合考慮識別效果和網絡復雜程度,在此采用單隱含層ATNN網絡;輸入層神經元數目由樣本數據特征維數決定;輸出層神經元數等于樣本的類別數。某類樣本對應的期望輸出編碼為:對應的樣本類別的輸出為1 ,其他輸出均為0。隱含層和輸出層的激活函數則采用Sigmoid 函數,即:

2.2 實驗結果與分析

實驗采用空間某觀測點觀測四類目標在大氣層外飛行過程中紅外輻射強度序列的仿真數據,時間長度為1 000 s,探測波段為3~8 μm和8~16 μm,采樣頻率為10 Hz。在同等條件下仿真四次,其中訓練樣本集為┑諞華次仿真結果,測試樣本集為另外三次仿真結果。

由于太陽、觀測點的位置以及噪聲等的存在,給目標特征的提取帶來了很大困難。本文在分析紅外輻射數據的基礎上采用文獻[11]中所提出的特征提取方法,采用波段比值作為神經網絡的輸入。由于同一觀測點,可視為各類目標的外在條件基本相同,因而通過比值就可以消除太陽輻射及探測距離等外部因素的影響。┟扛霆目標的特征選擇如下:

式中:I玀(t)表示目標在中波波段的紅外輻射強度;I獿(t)表示目標在長波波段的紅外輻射強度;F1(t)是反映目標紅外輻射度比序列;F2(t)和F3(t)是目標在┝礁霆波段上經過歸一化處理的輻射度序列。由于有4類目標,每類目標的特征數目為3,所以網絡的輸入層節點數為3,輸出層節點數為4。實驗采用TDNN網絡和ATNN網絡在同等條件下對目標進行識別。網絡為┤層,節點數分別為3,10,4;網絡延時器的基本時延為1 s,輸入層節點到隱含層節點之間的連接數為8,隱含層節點到輸出層節點之間的連接數為6,ATNN網絡的延時器初始化時延與TDNN網絡延時器的時延相同;程序總迭代次數設為1 000;學習步長取為Е仟1=0.5/(1+k),η2=0.3/(1+k)。其中,k為當前已經迭代的次數。識別結果如表1所示。

表1列出在信噪比為30 dB,20 dB及10 dB條件下兩種網絡對測試樣本集的識別結果。結果表明,ATNN網絡對各目標的識別率都要高于TDNN網絡,而且在10 dB的信噪比條件下,ATNN網絡仍具有良好的識別效果,說明ATNN網絡具有良好的抗噪性。

3 結 語

基于紅外輻射信息對空間點目標進行識別是國內外關注的熱點課題之一。在此研究了用于空間目標序列識別的自適應時延神經網絡模型及其學習算法,并對算法中權值和時延的變化進行了推導。以目標紅外輻射強度比值作為特征,應用ATNN網絡并利用探測器對空間目標紅外輻射仿真數據,進行了目標識別實驗研究。實驗結果表明,利用自適應時延神經網絡對空間紅外點目標的正確識別率高,有較好的抗噪性能,因此,在空間紅外點目標識別領域中有良好的應用前景。

參 考 文 獻

[1]武春風,張偉,李潔,等.基于時空信息的紅外成像系統在探測識別目標時所面臨的問題及分析[J].光學技術,2005,31(2):231[CD*2]234.

[2]豐松江,聶萬勝.中段彈道導彈和背景紅外輻射研究概況[J].紅外,2006,27(11):19[CD*2]22.

[3]舒銳,周彥平,陶坤宇,等.空間目標紅外輻射特性研究[J].光學技術,2006,32(2):196[CD*2]199.[LL]

[4]肖懷鐵,付強,莊釗文,等.寬帶毫米波雷達目標時延神經網絡識別新方法[J].紅外與毫米波學報,2001,20(6):459[CD*2]463.

[5]劉志剛.紅外成像點目標的檢測與識別技術研究[D].長沙:國防科技大學,2005.

[6]Cheryl Resch.Exo[CD*2]atmospheric Discrimination of Thrust Termination Debris and Missile Segments[J].Johns Hopkins APL Technical Digest,1998,19(3):315[CD*2]321.

[7]Haykin S.神經網絡原理[M].葉世偉,史忠植,譯.北京:機械工業出版社,2004.[HJ*2]

[8]Lin D T.Trajectory Production with the Adaptive Time[CD*2]delay Neural Network[J].Neural network,1995,8(3):447[CD*2]461.

[9]Lin D T.The Adaptive Time[CD*2]Delay Neural Network:Cha[CD*2]racterization and Applications to Pattern Recognition,Prediction,and Signal Processing[D].University of Marvland at College Park,1994.[HJ*2/3][HJ]

[10]Xiao Huaitie,Zhuang Zhaowen,Chen Zhenpin.AircraftTarget Recognition using Adaptive Time[CD*2]delay Neural Network[A].Aerorpace and Electronics Conference[C].1997,2:764[CD*2]768.[HJ*2/3][HJ]

[11]朱海峰,韓建濤,姜衛東,等.基于多光譜的空間點目標特征提取與識別[J].光電子技術,2005,25(1):16[CD*2]20.[HJ*2/3][HJ]

[12]陳景文.自動識別技術及其在軍事領域中的應用[J].現代電子技術,2006,29(19):30[CD*2]31,39.

[13]趙士文,盧珞先,王昱.一種快速目標檢測跟蹤方法研究與實現[J].現代電子技術,2007,30(22):55[CD*2]57,60.

作者簡介 呂江北 男,1985年出生,河北石家莊人,碩士研究生。主要從事自動目標識別技術研究。

劉 濤 男,1980年出生,陜西漢中人,博士研究生。主要從事數字圖像處理、自動目標識別。

高 峰 男,1982年出生,河南民權人,博士研究生。主要從事圖像處理、目標識別技術研究。