一種基于Kohonen神經網絡的雷達回波特征識別和分類方法研究

桑鵬偉　王鵬　白艷萍

【摘 要】本文針對雷達三維目標回波特征抽取和分類問題，提出了一種基于均值濾波器和Kohonen自組織映射神經網絡相結合的方法。仿真實驗表明該方法抽取的特征具有良好的穩定性，且精度高，比單一的自組織分類器有更強的優勢，最后通過采用實地錄取的兩組雷達目標回波數據進行檢驗，實驗數據表明該方法可以使準確率達到90%以上，具有良好的提取效果和實用性。

【關鍵詞】雷達三維目標回波；均值濾波器；神經網絡

【Abstract】The paper focuses on the research and application of neural network for feature extraction from the radar echo data， proposed a method of combining the mean filter and Kohonen neural network to resolve it. Simulation results show that the proposed method in the paper is feasible， the results is more stable and more accurate， apparently has an advantage over the ordinary self-organization neural network. To validate this method by applied to two groups of real radar data set. Result show that the proposed method is practical with ninety percent accuracy.

【Key words】Three dimensional radar echo； Mean filter； Kohonen neural network

0 引言

由于軍事領域的需求推動，雷達技術有了較大的提升。其主要技術是利用目標對電磁波的散射特性來發現并測定目標的空間位置[1]，而傳統的雷達回波只能以二維的形式展現，不能很好的對回波的細節進行研究。Matlab具有強大的圖像、圖形處理能力，可以更好的展現雷達回波數據和圖像的細節情況[2]，在雷達目標回波技術中，準確識別各類信號是關鍵所在。而目標識別作為當前研究的熱點，關鍵是提取回波信號的特征信號，也就是說必須除去回波的噪聲。

本文在均值濾波的方法和自組織神經網絡的結合下，研究了三維雷達回波的特征抽取和分類[3]所以利用神經網絡技術對雷達回波信號進行分類和抽取，對雷達準確識別各類信號有很重要的實際意義[4]。

1 Kohonen網絡和均值濾波器的原理及算法

1.1 Kohonen自組織映射網絡原理及算法

Kohonen自組織映射網絡，是由全互連接的神經元陣列組成的神經網絡[5]。該網絡由輸入層和輸出層構成。輸入層通過權向量將外界信息匯集到輸出層各神經元，其形式與BP網相同，節點數對應于一個r維的輸入矢量x=[x1，…，xr]，其中r為輸入數據的維數。輸出層也是競爭層，它最典型的結構是二維形式，假定共有m*n個節點，每個節點分別對應一個r維權矢量m=[m1，…，mr]。該網絡采用的是Kohonen算法，算法的主要過程為：

（1）初始化網絡、學習速率lr、鄰域半徑r0，隨機初始化輸入層節點與競爭層節點的連接權值Wij（i=1，…，n；j=1，…，m）。

（2）輸入訓練樣本X，計算樣本與每個輸出節點之間的距離dj（本文選用歐氏距離），找出距離最小的對應節點，則該節點稱為獲勝節點v，距離計算為：

（3）確定獲勝神經元v的鄰域

Nv（j）=（jfind（norm（posj，posv）

式子中的posv posj分別為神經元v和j的位置；r為領域半徑。

（4）根據權值學習規則修正權值，權值的改變量為

d？棕=lr*a2*（x′-？棕）

其中lr為學習速率，函數a2由輸出a、神經元之間距離d和自定義的學習鄰域大小r決定：

a2（i，q）=1， 如果a（i，q）=10.5， 如果a（j，q）=1且D（i，j）0， 其他≤r

（5）重新輸入，重復以上（2）-（4）步驟直至訓練結束

1.2 均值濾波器原理

實際采錄數據信號中常常有各種干擾噪聲，這些噪聲會對數據的分析造成很大的影響，所以本文根據回波數據所展示的三維圖，引入了一種空間域濾波方法，均值濾波器。均值濾波器的基本原理是把圖像中一點的值用包含該點的一個鄰域中各點值的均值代替。這種濾波可以用來減弱實際采樣數據中的各種干擾。

這個鄰域一般被稱為窗口，是一個滑動的二維窗口，在應用窗口時其尺寸一般從小逐漸增大，直到達到要求的濾波效果。均值濾波器對異常值敏感度較低，因此它可以在不減小圖像對比度的情況下減小異常值的影響。

2 Kohonen網絡和均值濾波器結合設計

本文用均值濾波器和自組織競爭神經網絡結合設計了一種雷達回波信號提取的方法，在進行均值濾波前需要先把數據由原來的矩陣形式轉化為一維的形式。主要步驟如下：

（1）數據預處理。將數據中的實部虛部轉化為模的形式。

（2）均值濾波。將上述數據用均值濾波器進行濾波。

（3）將（2）中濾波后的模矩陣首尾相連排成一維的矩陣，把對應的實部虛部同樣的分別排成一維矩陣。將這三個一維矩陣合并為一個三行或者三列的矩陣，并做歸一化處理。

（4）Kohonen自組織映射網絡分類。把處理好的矩陣通過自組織競爭神經網絡進行分類，選出其中平均值最高的一組作為目標值（大目標識別）。

（5）結果分析。把選出的分類結果數據還原成矩陣形式，只選用模的矩陣。對比原始數據中目標信號元素個數S，找出準確覆蓋元素個數Y和無效的元素個數N。定義有效信息率？琢和冗余信息率？茁函數：

（6）實驗操作。首先，采用一組仿真數據進行無濾波的Kohonen網絡分類；下一步，按上述方法進行一次濾波后的Kohonen網絡分類，查看？琢和？茁的結果是否有較大的提升。根據結果表現的理想程度決定是否進行實際數據實驗驗證。

3 仿真實驗

模擬雷達實際數據的實部與虛部的模矩陣作為三維圖的高度，三維圖的另外兩維均使用單位坐標系（實際信號和此方法一致）。隨機生成一個111*111的矩陣作為草坪信號的模，人為添加四個較大的目標作為車輛信號的模。按照流程設計，首先用單一的Kohonen網絡進行分類，篩選出其中模最大的一組數據圖像，其中包含人工輸入的目標信號。

下一步，在進行自組織神經網絡信號提取之前加入均值濾波器進行濾波，再進行Kohonen網絡分類，同樣選用其中模最大的一組數據。這兩次運行可以得出表1所示結果。

表1 仿真實驗濾波前后的分類結果對比

從表1中可以看出，濾波后的有效信息率比濾波前高了約4倍，冗余信息率減少約50%，經過均值濾波的分類結果明顯比單一的自組織分類結果顯示出的目標更明確，噪聲顯然減少。

以上結果非常理想，考慮到仿真實驗的人為性因素，下面用實地采錄的兩組數據來驗證方法的可行性。

4 三維回波實際信號提取驗證實驗

采用兩組實際數據測試。第一組數據目標為四個實驗人員，雷達回波信號數據為111*121的虛數矩陣；第二組數據將四個實驗人員去掉，目標為車輛，雷達回波信號數據為96*121的虛數矩陣。

按照流程設計，首先進行單一的自組織競爭神經網絡分類，其分類結果可以看出，單一的進行Kohonen網絡分類所選出的結果已經把大部分的非目標除去，剩下的圖像中明顯還含有小部分噪聲，會對識別結果造成一定的干擾。

下一步，進行濾波后的Kohonen神經網絡分類。結合第一次的運行結果和原始圖像做對比，第二次的運行結果更為精簡和明確，圖像中基本不存在小型的信號凸起干擾。

根據之前定義的？琢和？茁來對圖像的數據進行分析，結果如表2所示。數據和圖像均顯示這兩次試驗中，經過濾波處理的數據均比未出理過的數據所分類呈現出來的結果更精準，基本把噪聲全部去掉，該方法具有很穩定的適用性和很好的提取效果。

表2 兩組實際數據濾波前后的分類結果對比

5 結論

本文將均值濾波與神經網絡相結合用于雷達三維回波信號的特征抽取，充分發揮了這兩種方法的優勢，通過仿真實驗和對實測數據的提取，證明該方法是切實可行的。通過該方法所抽取的特征有效率信息率提高約3到4倍，冗余信息率減小約1倍，且具有良好的穩定性和很高的分類精度，其性能較傳統的自組織神經網絡分類器有很大提升。

【參考文獻】

[1]孟祥青.雷達目標回波信號特性分析及仿真[D].河海大學，2007.

[2]劉煥乾，胡燕，劉寶豐.基于Matlab實現的雷達回波三維顯示[C]//中國氣象學會大氣探測與儀器委員會、中國氣象學會雷達氣象學委員會、中國氣象局氣象探測中心.第26屆中國氣象學會年會第三屆氣象綜合探測技術研討會分會場論文集.中國氣象學會大氣探測與儀器委員會、中國氣象學會雷達氣象學委員會、中國氣象局氣象探測中心，2009：5.

[3]查品德.毫米波雷達回波去噪與特征提取研究[D].哈爾濱工程大學，2005.

[4]劉璇.基于無源雷達的動目標回波仿真與定位研究[D].大連理工大學，2013.

[5]羅亮，李國璋，楊權，賈志杰，滕飛.SOM-BP神經網絡在機械故障診斷中的應用研究[J].車用發動機，2008，02：72-75.

[6]蘇純，胡紅萍，劉輝，王曉燕，王建中，白艷萍.基于Kohonen網絡的激光超聲缺陷探測研究[J].數學的實踐與認識，2014，23：185-190.

[責任編輯：王楠]