一種窄帶雷達艦船目標分類的決策方法?

王曙光,田西蘭

(

1.中國電子科技集團公司第三十八研究所,安徽合肥230088;2.孔徑陣列與空間探測安徽省重點實驗室,安徽合肥230088;3.智能情報處理重點實驗室,安徽合肥230088)

0 引言

從20世紀初誕生至今,雷達在導航、氣象探測、定位和跟蹤等領域都已獲得了廣泛的應用[1-3]。在軍事應用方面,雷達更是具有不可替代的重要價值。現代雷達的一個重要發展方向是雷達目標識別,該技術對于提升雷達的情報提取與分析能力具有至關重要的支撐作用。

我國現役雷達多為窄帶體制,自身分辨率較低,無法提供足夠的信息以實現對目標種類的準確判決,從而制約了目標識別技術在這類平臺上的應用[4-5]。提升窄帶雷達的目標判決能力,推進目標識別技術在窄帶平臺上的應用,可有效增強現役雷達的情報支撐力度,迅速提升我國雷達組網的作戰能力。

本文以某型機載窄帶雷達的實際觀測數據為基礎,提出了一種面向艦船目標分類的決策方法。該方法充分利用歷史判決信息,所獲得的判決信息準確率更高、穩定性更好。

1 目標特征提取

文中所用的數據為某型雷達對不同艦船目標采集的多次觀測數據。依據艦船的尺寸及噸位信息,將其分為大、中、小三類目標。3類目標的劃分依據如下:

1)大型目標:艦船長度大于220 m,萬噸以上;

2)中型目標:艦船長度為80～180 m,千噸以上;

3)小型目標:艦船長度為20～70 m,千噸以下。

目標反射的回波經過恒虛警監測后獲得原始點,進而經過點跡凝聚形成對應的凝聚點。在此過程中,原始點的個數及分布情況體現了目標的尺寸、布局等結構信息。因此,在特征提取時,針對原始點到凝聚點的匯集過程,本文提取了對應的統計數據作為凝聚特征。同時,考慮到不同目標的運動形式及回波強度之間的差異性,提取了相應的速度特征及回波強度特征。這些特征匯總起來形成了六維特征向量。對于航跡中的每個點,均有一個六維特征向量與之對應。為便于后續描述,在此定義對應航跡中的單個點為一幀。

對特征值進行歸一化,選取不同的特征進行組合,并將其在三維特征空間中作圖,得到3類目標在不同特征空間中的樣本分布情況,如圖1所示。

圖1 3類目標在不同特征空間中的分布

圖1中,不同形狀的圖標表示不同種類的樣本,每個圖標代表該類樣本的一幀數據。從圖中可以看出,3類目標在特征空間中的分布存在重疊與交叉,說明在該三維度的特征空間中不同類別目標間的可分性較弱。

可分性弱的原因在于窄帶雷達的探測性能有限[6]。如前文所述,較窄的工作頻帶致使雷達分辨率較低,無法有效地獲取目標的細節信息。本文中所用雷達的工作帶寬為2.5 MHz,對應的距離分辨率約為60 m。帶寬不足導致其回波數據中僅包含目標的粗略情況,進而導致提取的特征無法準確描述目標的精確信息。

2 分類器設計與決策機制

2.1 分類器設計

除分類性能外,計算復雜度也是分類器設計中需要考慮的因素。過于龐大的運算量在占據大量計算資源和內存資源的同時,也會顯著降低系統的運算速度,進而影響系統的實時性。與常規分類器相比,K-近鄰分類器的運算量和計算復雜度較低,且其分類性能滿足分類識別需求[7-8]。綜合考慮以上因素,本文采用K-近鄰分類器(K=10)。對于特定的測試數據X=(x1,x2,x3,x4,x5),首先通過下式計算其與模板數據Y=(y1,y2,y3,y4,y5)之間的距離:

以距離為依據,尋找與當前對象距離最近的K個模板樣本,統計該K個樣本中不同種類標簽出現的次數,取得票數最多的結果作為該測試數據的分類結果。

2.2 決策機制

本文提出的決策算法流程如圖2所示。

圖2 決策算法

特征向量首先進行分類器判決,得到對應的判決結果;然后,對各幀判決結果進行多幀融合,本文中融合的幀數設為3。實際操作中,將連續的3幀數據看作一個數據片段,統計該段數據中各判決結果出現的次數,將頻次最高的結果作為該數據段的判決結果。與此同時,記下該結果出現的頻次,作為后續綜合判決的參考。最后,在綜合判決中,統計各歷史數據段的判決結果及對應頻次,取綜合頻次最高的結果作為判決結果。判決結果的置信度通過求取決策結果頻次C與其他結果頻次R的比值θ實現:

根據θ值的大小,給出對應的置信度等級:

式中:σ=1表示低置信等級;σ=2表示中置信等級;σ=3表示高置信等級。

多幀融合降低了分類器誤判帶來的判決結果跳變,從而提高判決結果的穩定性。綜合判決中各歷史結果的引入則是為了充分挖掘數據中的有效信息,提高判決結果的可靠性。

3 實測數據驗證

本節基于某型窄帶雷達在不同日期下所采集的實測數據為例進行分析。采集到的艦船數據通過自動識別系統(Automatic Identification System,AIS)進行類別的標定,對應的類型包含捕魚船、雜貨船、化學品運輸船、散裝船和大型集裝箱船。其中,捕魚船包含兩種尺寸,對應目標種類為小型目標;雜貨船和化學品運輸船屬于中型目標;散裝船和大型集裝箱船為大型目標。

分類器對不同艦船的判決結果如表1所示。

表1 分類器判決結果

表1中,判決結果中的1,2和3分別代表小型、中型和大型目標。由結果可知,分類器對3類目標的平均分類準確率為70.17%。經過多幀融合之后各數據段的結果如表2所示。

表2 多幀融合后的判決結果

由2表可知,多幀融合后判決結果出現小幅提升,平均分類準確率上升到74.43%。

綜合判決在多幀融合后的判決結果上進行,結果如表3所示。

表3 綜合判決后的判決結果

由表3可知,經綜合判決后,各類型目標的判決效果均得到大幅提升,其分類準確率達到90%以上,平均分類準確率提高到96.35%。

為了更直觀地展現決策機制對判決效果的提升,對各類目標主要判決步驟的分類準確率進行了統計,其結果如圖3所示。

圖3 各類目標的分類準確率統計

從圖中結果可以看出,隨著決策機制的逐級推進,各目標的分類準確率均有不同程度的提升。與單幀的分類器判決結果相比,分類準確率提升作用顯著。

置信度判定方面,隨著歷史判決信息的累積,置信度等級也呈現逐漸攀升。本節以集裝箱船為例,對其置信度判決結果進行作圖,所得結果如圖4所示。

圖4 置信度判決案例

圖4中,橫坐標為參與判決的歷史數據段的個數,縱坐標為對應的頻次比值θ,虛線為置信度判決時的閾值。從圖中結果可以看出,當參與判決的歷史信息較少時,θ值隨著分類器判決結果呈現出一定的波動。當歷史判決信息開始累積,θ值呈現出上升的趨勢。隨著歷史信息的增多,目標種類的判決結果趨于穩定,且置信度等級逐漸升高,最終達到高置信度水平。

4 結束語

針對窄帶雷達所提供的目標特征信息有限的問題,本文提出了一種充分考慮歷史信息的綜合決策方法。該方法在分類器判決的基礎上,通過多幀融合提高判決結果的穩定性,并進一步綜合歷史判決信息提高判決結果的可靠性。基于某型窄帶雷達的實測數據對所提判決方法進行數據驗證。結果表明,所提方法能夠較大幅度地提高各目標的分類準確率、穩定性與可靠性。由于決策過程未利用任何的先驗知識與假設條件,因此,該方法具有良好的通用性。

[1]黎湘,范梅梅.認知雷達及其關鍵技術研究進展[J].電子學報,2012,40(9):1863-1870.

[2]李程,王偉,施龍飛,等.基于多源信息融合的有源雷達組網方式序貫識別方法[J].電子與信息學報,2014,36(10):2456-2463.

[3]王福友,羅釘,劉宏偉.低分辨機載雷達飛機目標分類識別技術研究[J].雷達學報,2014,3(4):444-449.

[4]戴幻堯,來慶福,趙晶,等.雷達目標特征數據采集及應用[J].艦船電子對抗,2008,31(5):44-50.

[5]INGGS M R,ROBINSON A D.Ship Target Recognition Using Low Resolution Radar and Neural Networks[J].IEEE Trans on Aerospace and Electronic Systems,1999,35(2):386-393.

[6]張海成,楊江平,王晗中.反導預警雷達目標特征識別方法[J].雷達科學與技術,2012,10(2):156-160.ZHANG Haicheng,YANG Jiangping,WANG Hanzhong.An Overview of Target Recognition Methods in Ballistic Missile Early Warning Radar[J].Radar Science and Technology,2012,10(2):156-160.(in Chinese)

[7]甄蜀春,馮有前,卜雪妮.基于距離分類準則的雷達目標識別方法[J].空軍工程大學學報(自然科學版),2004,5(6):18-20.

[8]關欣,孫祥威,曹昕瑩.改進的K-Means算法在特征關聯中的應用[J].雷達科學與技術,2014,12(1):81-85.GUAN Xin,SUN Xiangwei,CAO Xinying.A Novel Algorithm for Feature Association Based on Gray Correlation Cluster[J].Radar Science and Technology,2014,12(1):81-85.(in Chinese)