基于支撐向量機(jī)的地雜波虛警抑制技術(shù)

邢遠(yuǎn)見(jiàn)，陳　翼，?！g，李國(guó)剛

(1. 中國(guó)電子科技集團(tuán)公司 智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室，　南京 210039；)(2. 南京電子技術(shù)研究所,　南京 210039)

?

·信號(hào)處理·

基于支撐向量機(jī)的地雜波虛警抑制技術(shù)

邢遠(yuǎn)見(jiàn)1,2，陳翼1，2，祝歡1，2，李國(guó)剛2

(1. 中國(guó)電子科技集團(tuán)公司 智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室，南京 210039；)(2. 南京電子技術(shù)研究所,南京 210039)

由于雜波的非均勻特性，傳統(tǒng)雜波抑制技術(shù)的雜波濾除能力有限。在強(qiáng)雜波環(huán)境下，處理后回波仍殘留大量虛警。文中提出了新的點(diǎn)跡濾波技術(shù)，用于抑制雜波虛警。針對(duì)地面動(dòng)目標(biāo)檢測(cè)體制雷達(dá)，通過(guò)提取目標(biāo)和雜波的五種分類(lèi)特征和五種先驗(yàn)特征，使用主成分分析和支撐向量機(jī)方法過(guò)濾虛假點(diǎn)跡。試驗(yàn)結(jié)果表明：文中提取的特征和設(shè)計(jì)的分類(lèi)器，可在較少目標(biāo)損失下，有效地抑制地雜波虛警。

點(diǎn)跡濾波；支撐向量機(jī)；地雜波

0　引　言

雷達(dá)通過(guò)發(fā)射電磁波照射目標(biāo)并接收其回波，由此獲得目標(biāo)至電磁波發(fā)射點(diǎn)的距離、距離變化率(徑向速度)、方位、高度等信息。但是，復(fù)雜地理環(huán)境所產(chǎn)生的雜波信號(hào)嚴(yán)重地影響了雷達(dá)目標(biāo)探測(cè)性能。恒虛警檢測(cè)(CFAR)[1]、雜波圖檢測(cè)技術(shù)[2]和點(diǎn)跡凝聚技術(shù)[3]是地面雷達(dá)中常用的檢測(cè)手段，用來(lái)提高目標(biāo)的檢測(cè)概率，并減少雜波虛警。然而，由于電磁環(huán)境復(fù)雜多變，雜波表現(xiàn)出非平穩(wěn)和非均勻的特性，使仍有許多雜波虛警被檢出報(bào)送，造成虛假航跡產(chǎn)生和影響目標(biāo)航跡關(guān)聯(lián)。

另一類(lèi)雜波抑制方法被稱(chēng)為點(diǎn)跡濾波，它從被檢出的目標(biāo)和雜波點(diǎn)跡著手，挖掘二者的回波內(nèi)在差異，從而剔除雜波虛警。其實(shí)現(xiàn)過(guò)程可歸結(jié)為兩步：首先，提取可區(qū)分目標(biāo)點(diǎn)和雜波點(diǎn)的特征；然后，設(shè)計(jì)分類(lèi)器區(qū)分判別。本文提出的點(diǎn)跡濾波方法區(qū)別于傳統(tǒng)方法[4-11]在于：第一，針對(duì)地面動(dòng)目標(biāo)檢測(cè)(MTD)體制雷達(dá)，提取更本質(zhì)、更精細(xì)特征，包括五種分類(lèi)特征和五種先驗(yàn)特征；第二，引入機(jī)器學(xué)習(xí)中的支撐向量機(jī)方法，對(duì)多維特征聯(lián)合分類(lèi)。實(shí)測(cè)數(shù)據(jù)顯示，本文方法在目標(biāo)損失5%情況下，可有效剔除45%的雜波虛警。

1　點(diǎn)跡濾波框架

點(diǎn)跡濾波框架為有監(jiān)督的機(jī)器學(xué)習(xí)過(guò)程，如圖1所示。訓(xùn)練集為點(diǎn)跡數(shù)據(jù)及其所屬類(lèi)別標(biāo)簽，用來(lái)訓(xùn)練分類(lèi)器。測(cè)試集為待測(cè)數(shù)據(jù)，經(jīng)訓(xùn)練好的分類(lèi)器，報(bào)送分類(lèi)結(jié)果。分類(lèi)器輸入通常是能夠區(qū)分不同類(lèi)別數(shù)據(jù)的特征，而非原始數(shù)據(jù)本身。因此，特征提取過(guò)程非常關(guān)鍵，直接影響分類(lèi)器效果。此外，特征提取后對(duì)特征的去噪、規(guī)范、約簡(jiǎn)等操作，同樣重要。

圖1　點(diǎn)跡濾波流程框架

2　特征提取

該階段目標(biāo)是提取盡量多的，可體現(xiàn)雜波和目標(biāo)差異的“好”特征?！昂谩钡奶卣鲬?yīng)具備穩(wěn)健和物理可解釋兩種特性。通過(guò)對(duì)雜波點(diǎn)跡和目標(biāo)點(diǎn)跡形成機(jī)理的研究，發(fā)現(xiàn)雜波和目標(biāo)在以下兩大類(lèi)屬性存在本質(zhì)不同：

1)目標(biāo)運(yùn)動(dòng)，地雜波靜止。基于此，我們提取兩種特征反映該屬性。

(1)中心頻率：定義為輸出最大信噪比的多普勒通道，它反映了點(diǎn)跡的徑向運(yùn)動(dòng)特性。地物雜波的中心頻率多出現(xiàn)在零多普勒通道，而目標(biāo)的中心頻率在各通道均可能出現(xiàn)。該特征局限是對(duì)切向目標(biāo)失效。

(2)最近鄰點(diǎn)：定義為最近若干圈中其他點(diǎn)與該點(diǎn)的最近距離，它反映某位置回波是否重復(fù)被檢測(cè)到。地物雜波位置固定，最近鄰點(diǎn)較近；目標(biāo)由于運(yùn)動(dòng)，最近鄰點(diǎn)較遠(yuǎn)。該特征局限是對(duì)目標(biāo)飛入雜波區(qū)域時(shí)失效。

2)目標(biāo)點(diǎn)狀，地雜波面狀(點(diǎn)雜波除外)。點(diǎn)狀和面狀差異，造成目標(biāo)和地雜波在回波擴(kuò)展方面存在不同，我們提取三種特征表現(xiàn)該屬性。

(1)距離展寬：定義為凝聚成該點(diǎn)的所有回波點(diǎn)的最大距離差。

(2)方位展寬：定義為凝聚成該點(diǎn)的所有回波點(diǎn)的最大方位差。

(3)回波數(shù)：定義為凝聚成該點(diǎn)的所有回波點(diǎn)數(shù)量。

以距離展寬為例，圖2示意了造成點(diǎn)目標(biāo)與面雜波在該特征下差異的產(chǎn)生原因?；夭ň嚯x向展寬大小與目標(biāo)、雜波尺寸相關(guān)。在相同回波幅度條件下，點(diǎn)目標(biāo)尺寸小、擴(kuò)展少，面雜波尺寸大、擴(kuò)展多。方位擴(kuò)展和回波數(shù)差異的產(chǎn)生原因與距離擴(kuò)展類(lèi)似。

圖2　目標(biāo)和雜波的回波距離展寬原理示例

以上五種特征，即中心頻率、最近鄰點(diǎn)、距離展寬、方位展寬、回波數(shù)，其數(shù)值大小與目標(biāo)或雜波的回波幅度，所處位置、周?chē)h(huán)境等均有關(guān)系。我們稱(chēng)前者為分類(lèi)特征，稱(chēng)后者為先驗(yàn)特征。比如：回波幅度提高，則目標(biāo)或雜波的距離展寬、方位展寬、回波數(shù)均會(huì)相應(yīng)增大，但增加的程度可能不同。因此，利用上述五種特征進(jìn)行點(diǎn)跡分類(lèi)時(shí)，應(yīng)綜合考慮其先驗(yàn)信息，從而實(shí)現(xiàn)精細(xì)化點(diǎn)跡分類(lèi)。我們提取五種先驗(yàn)特征：信噪比表征其幅度信息，距離和方位表征其位置信息，距離向上點(diǎn)跡周?chē)幕夭◤?qiáng)度和該點(diǎn)跡所屬雜噪?yún)^(qū)域類(lèi)型表征其周?chē)h(huán)境信息。

綜上，共十種特征被用于對(duì)目標(biāo)和雜波判別。

3　數(shù)據(jù)規(guī)約

3.1異常值剔除

異常值剔除是根據(jù)人工經(jīng)驗(yàn)，剔除明顯異常的數(shù)據(jù)，避免其對(duì)分類(lèi)器產(chǎn)生擾亂?？紤]雷達(dá)探測(cè)的實(shí)際場(chǎng)景中，目標(biāo)的方位擴(kuò)展受天線波束寬度限制，不會(huì)過(guò)寬；目標(biāo)的距離擴(kuò)展受自身尺寸限制，不會(huì)過(guò)長(zhǎng)；目標(biāo)的回波數(shù)受天線波束寬度和自身尺寸雙重限制，不會(huì)過(guò)多。根據(jù)對(duì)某車(chē)載雷達(dá)實(shí)錄回波數(shù)據(jù)統(tǒng)計(jì)，真實(shí)飛機(jī)目標(biāo)的方位擴(kuò)展不超過(guò)5°，距離擴(kuò)展不超過(guò)150 m，回波數(shù)不超過(guò)12個(gè)。

3.2維度約簡(jiǎn)

維度約簡(jiǎn)的目的是去除冗余特征，降低問(wèn)題復(fù)雜度和觀測(cè)噪聲，實(shí)現(xiàn)等效甚至更高的分類(lèi)效果。主成分分析(PCA)是常用的特征約簡(jiǎn)手段。它通過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。然后，使用若干最大主成分作為綜合指標(biāo)，盡可能多地保留原始信息。

3.3特征白化

白化的目的是去除特征間相關(guān)聯(lián)度，并歸一化至同一尺度。白化需滿足兩個(gè)條件：1)不同特征之間的相關(guān)性接近零；2)所有特征的方差相近。將數(shù)據(jù)通過(guò)PCA降維后，每一維是獨(dú)立的，滿足了白化的第一個(gè)條件。然后，對(duì)每一維都除以其標(biāo)準(zhǔn)差，方差相同，即滿足了白化第二個(gè)條件。

顯然，我們提取的十種特征之間存在信息冗余。比如：回波數(shù)與方位擴(kuò)展、距離擴(kuò)展相關(guān)，點(diǎn)跡周?chē)夭üβ逝c該點(diǎn)跡所屬雜噪?yún)^(qū)標(biāo)志相關(guān)。本文采用主成分分析法，將原十種特征轉(zhuǎn)換為不相關(guān)變量，選擇最重要的若干主成分，輸入分類(lèi)器判別。

4　支撐向量機(jī)分類(lèi)器

支撐向量機(jī)(SVM)思想是在高維空間中尋找一個(gè)分類(lèi)超平面，將不同類(lèi)別的數(shù)據(jù)樣本點(diǎn)分開(kāi)，使不同類(lèi)別的點(diǎn)之間的間隔最大，該分類(lèi)超平面即為最大間隔超平面，對(duì)應(yīng)的分類(lèi)器稱(chēng)為最大間隔分類(lèi)器。

兩個(gè)分類(lèi)超平面之間具有最大間隔，需要知道訓(xùn)練樣本中的支撐向量，距離支撐向量最近的平行超平面。設(shè)w是分類(lèi)超平面的法向量；b為位移量。求解SVM可以變成解決如下凸優(yōu)化問(wèn)題。

(1)

需要注意的是：1)當(dāng)數(shù)據(jù)是線性可分的時(shí)候，才可以找到一個(gè)分類(lèi)超平面將數(shù)據(jù)完全分開(kāi)。為處理非線性數(shù)據(jù)，可使用核函數(shù)方法對(duì)線性SVM進(jìn)行推廣。2)雖然通過(guò)核函數(shù)映射將原始數(shù)據(jù)映射到高位空間后，能夠線性分類(lèi)的概率增大，但并非一定，比如：噪聲數(shù)據(jù)。對(duì)于這種偏離正常位置很遠(yuǎn)的數(shù)據(jù)，稱(chēng)之為野值。為解決該問(wèn)題，可對(duì)原約束條件引入松弛變量ζi解決，即

(2)

5　實(shí)驗(yàn)結(jié)果

5.1實(shí)驗(yàn)數(shù)據(jù)

我們使用某窄帶車(chē)載雷達(dá)，在西安架設(shè)，探測(cè)空中目標(biāo)。對(duì)雷達(dá)回波進(jìn)行脈沖壓縮和MTD處理，然后，經(jīng)CFAR檢測(cè)，雜波圖檢測(cè)和回波點(diǎn)凝聚處理，形成初始點(diǎn)跡。結(jié)合民航廣播式自動(dòng)相關(guān)檢測(cè)(ADS-B)信息和人工逐圈比對(duì)，將點(diǎn)跡標(biāo)注為雜波點(diǎn)和目標(biāo)點(diǎn)兩類(lèi)，形成試驗(yàn)用的訓(xùn)練集和測(cè)試集，詳細(xì)信息見(jiàn)表1。

表1　點(diǎn)跡數(shù)據(jù)集描述

5.2特征提取

去除擴(kuò)展異常點(diǎn)后，提取了訓(xùn)練集中的目標(biāo)/雜波點(diǎn)的五種運(yùn)動(dòng)特征和擴(kuò)展特征。

1)中心頻率

目標(biāo)和雜波的中心頻率分布如圖3所示，共16個(gè)頻率通道。由于地雜波主要分布在低頻區(qū)域，因此，大多數(shù)雜波點(diǎn)的中心頻率分布在零和近零頻率通道，而目標(biāo)則分布在各通道。圖中所示零通道雜波點(diǎn)數(shù)量少是因?yàn)樵撏ǖ离s波幅度強(qiáng)，采用了更高的檢測(cè)門(mén)限以抑制虛警，同時(shí)零通道的目標(biāo)數(shù)量也相應(yīng)較少。

圖3　目標(biāo)和雜波在各頻率通道的數(shù)量分布

2)最近鄰點(diǎn)

目標(biāo)和雜波的最近鄰分布如圖4所示。在過(guò)去三圈雷達(dá)掃描中，僅1.6%的目標(biāo)點(diǎn)的最近鄰點(diǎn)在300 m以?xún)?nèi)，而雜波則多達(dá)19%。這說(shuō)明目標(biāo)由于運(yùn)動(dòng)，很少會(huì)在多圈的相同位置重復(fù)出現(xiàn)，而固定的地物雜波則可能在多圈的相同位置被重復(fù)檢測(cè)到。

圖4　目標(biāo)和雜波的最近鄰點(diǎn)分布

3)方位擴(kuò)展

目標(biāo)和雜波的方位擴(kuò)展分布如圖5所示，可見(jiàn)，目標(biāo)方位擴(kuò)展較雜波方位擴(kuò)展大。按檢測(cè)信噪比，對(duì)目標(biāo)點(diǎn)和雜波點(diǎn)進(jìn)一步細(xì)分為四類(lèi)：20 dB以下、20 dB～25 dB、25 dB～30 dB和30 dB以上。這四類(lèi)中，目標(biāo)方位擴(kuò)展仍大于雜波，但差異程度不同。中等信噪比下的目標(biāo)和雜波方位擴(kuò)展差異較大。

圖5　目標(biāo)和雜波的方位擴(kuò)展隨信噪比的分布

4)距離擴(kuò)展

目標(biāo)和雜波的距離擴(kuò)展分布如圖6所示，可見(jiàn)，目標(biāo)距離擴(kuò)展較雜波距離擴(kuò)展大。與方位擴(kuò)展分析相同，按檢測(cè)信噪比對(duì)目標(biāo)點(diǎn)和雜波點(diǎn)進(jìn)一步細(xì)分為四類(lèi)。這四類(lèi)中，目標(biāo)擴(kuò)展均仍大于雜波擴(kuò)展，但擴(kuò)展的差異程度不同，低信噪比和高信噪比下的目標(biāo)和雜波距離擴(kuò)展差異較大。

圖6　目標(biāo)和雜波的距離擴(kuò)展隨信噪比的分布

5)回波數(shù)

目標(biāo)和雜波的回波數(shù)擴(kuò)展分布如圖7所示。目標(biāo)擴(kuò)展較雜波回波數(shù)多。與方位擴(kuò)展分析相同，按檢測(cè)信噪比對(duì)目標(biāo)點(diǎn)和雜波點(diǎn)進(jìn)一步細(xì)分為四類(lèi)。這四類(lèi)中，目標(biāo)回波數(shù)均仍大于雜波回波數(shù)，但回波數(shù)的差異程度不同，高信噪比下的目標(biāo)和雜波的回波數(shù)差異較大。

圖7　目標(biāo)和雜波的回波數(shù)擴(kuò)展隨信噪比的分布

5.3點(diǎn)跡過(guò)濾

首先檢驗(yàn)維度約簡(jiǎn)處理對(duì)分類(lèi)效果的改善。

對(duì)數(shù)據(jù)特征進(jìn)行PCA處理后，各不相關(guān)維所含信息量由其特征值表征。圖8顯示了對(duì)訓(xùn)練集數(shù)據(jù)特征PCA處理后各維度的特征值大小?？梢?jiàn)數(shù)據(jù)的80%的信息可由前三維特征表示，96%的信息可由前七維特征表示。

圖8　訓(xùn)練集點(diǎn)跡特征經(jīng)PCA處理后的比重分布

圖9顯示了使用PCA處理后的前三維、前七維和全部十維特征訓(xùn)練和測(cè)試SVM分類(lèi)器的效果，通過(guò)調(diào)整分類(lèi)門(mén)限，實(shí)現(xiàn)不同的目標(biāo)識(shí)別精度和雜波識(shí)別率?？梢?jiàn)，使用了全部特征的分類(lèi)效果反而并不如前兩種。造成這種結(jié)果的原因可能是數(shù)據(jù)本身存在噪聲，PCA處理后舍棄了包含噪聲的信息，從而提升了分類(lèi)準(zhǔn)確性。允許目標(biāo)損失6%～10%的情況下，使用三維PCA不相關(guān)特征的分類(lèi)器可以剔除更多雜波虛警；在僅允許5%以?xún)?nèi)目標(biāo)損失的情況下，使用七維PCA不相關(guān)特征的分類(lèi)器可以剔除更多雜波虛警。

圖9　不同PCA降維數(shù)后的分類(lèi)性能

圖10對(duì)比了使用七維特征對(duì)測(cè)試集分類(lèi)前后的雷達(dá)P顯點(diǎn)跡分布。圖9a)為點(diǎn)跡過(guò)濾前分布，‘.’表示飛機(jī)目標(biāo)，‘+’表示虛警；圖9b)為點(diǎn)跡過(guò)濾后分布。P顯畫(huà)面雜波剔除比例明顯(45%)，目標(biāo)損失較少(5%)，驗(yàn)證了算法有效性。

圖10　點(diǎn)跡濾波前后的點(diǎn)跡P顯分布

6　結(jié)束語(yǔ)

針對(duì)地面MTD體制雷達(dá)，提取五種分類(lèi)特征和五種先驗(yàn)特征。對(duì)數(shù)據(jù)進(jìn)行異常點(diǎn)剔除，并基于PCA方法對(duì)特征約簡(jiǎn)、白化，然后，選擇若干最重要的不相干特征，使用支撐向量機(jī)點(diǎn)跡分類(lèi)，實(shí)現(xiàn)了在較小目標(biāo)損失下，剔除大量雜波虛警的目的。在雷達(dá)中利用此項(xiàng)技術(shù)可獲得較大得益。

[1]NITZBERG R. Constant-false-alarm-rate signal processors for several types of interferences[J]. IEEE Transactions on Aerospace & Electronic Systems, 1972, 8(1): 27-34.

[2]陶海紅，李明，廖桂生. 雷達(dá)雜波圖的形成算法及實(shí)現(xiàn)[J]. 現(xiàn)代雷達(dá), 2002, 24(3): 13-15.

TAO Haihong, LI Ming, LIAO Guisheng. Forming algorithm and realization of radar clutter map[J]. Modern Radar, 2002, 24(3): 13-15.

[3]劉樹(shù)鋒. 雷達(dá)目標(biāo)點(diǎn)跡分裂與改進(jìn)的點(diǎn)跡提取器設(shè)計(jì)[J]. 電子科技, 2010, 23(1): 45-47.

LIU Shufeng. The design of radar target plot extractor based on target split and plot agglomeration[J]. Electronic Science and Technology, 2010, 23(1):45-47.

[4]HAYKIN S, DENG C. Classification of radar clutter using neural networks[J]. IEEE Transactions on Neural Network, 1991, 2(6): 589-600.

[5]HAYKIN S, STEHWEN W, DENG C, et al. Classification of radar clutter in an air traffic control environment[J]. Procedings of the IEEE, 1991, 79(6): 742-772.

[6]陳志堅(jiān). 雷達(dá)數(shù)據(jù)處理中非真實(shí)目標(biāo)點(diǎn)跡的處理[J]. 現(xiàn)代雷達(dá), 1995, 17(3): 43-48.

CHEN Zhijian. The processing of false target plots in radar data processing[J]. Modern Radar, 1995, 17(3): 43-48.

[7]徐曉群，呂江濤. 艦載雷達(dá)數(shù)據(jù)處理的雜波抑制方法[J]. 現(xiàn)代雷達(dá), 2004, 26(8): 36-38.

XU Xiaoqun, Lü Jiangtao. Method of clutter suppression in data processing for shipborne radars[J]. Modern Radar, 2004, 26(8): 36-38.

[8]李為民, 朱永鋒, 付強(qiáng). 基于自適應(yīng)模糊聚類(lèi)分析的目標(biāo)冗余信息處理[J]. 計(jì)算機(jī)應(yīng)用, 2005, 25(4): 949-951.

LI Weimin, ZHU Yongfeng, FU Qiang. Information processing of target redundancy based on adaptive fuzzy C-Means clustering analysis[J]. Computer Applications, 2005, 25(4): 949-951.

[9]竇澤華，張仕元，李明. 基于雷達(dá)回波識(shí)別的雜波抑制[J]. 信號(hào)處理, 2009, 25(8): 1193-1197.

DOU Zehua, ZHANG Shiyuan, LI Ming. Clutter suppression based on radar return classification[J]. Signal Processing, 2009, 25(8): 1193-1197.

[10]張飚, 張仕元, 竇澤華. 警戒雷達(dá)仙波特性分析[J]. 現(xiàn)代雷達(dá), 2008, 30(6): 65-72.

ZHANG Biao, ZHANG Shiyuan, DOU Zehua. Angels character analysis based on surveillance radar[J]. Modern Radar, 2008, 30(6): 65-72.

[11]於建生,馬紅星,朱征宇. 基于雷達(dá)回波相關(guān)特征的海雜波抑制方法[J]. 艦船電子工程, 2009, 29(6): 121-124.

YU Jiansheng, MA Hongxing, ZHU Zhengyu. Correlation character of radar echo based sea clutter suppression algorithm[J]. Ship Electronic Engineering, 2009,29(6):121-124.

邢遠(yuǎn)見(jiàn)男，1987年生，博士，工程師。研究方向?yàn)槔走_(dá)雜波抑制和目標(biāo)識(shí)別。

陳翼男，1985年生，碩士，工程師。研究方向?yàn)槔走_(dá)陣列信號(hào)處理和反干擾。

祝歡男，1985年生，博士，高級(jí)工程師。研究方向?yàn)槔走_(dá)陣列信號(hào)處理和雜波抑制。

李國(guó)剛男，1983年生，碩士，工程師。研究方向?yàn)闄C(jī)載雷達(dá)系統(tǒng)。

Filtering Ground-clutter-false-alarms Using Supported Vector Machine

XING Yuanjian1,2，CHEN Yi1,2，ZHU Huan1,2，LI Guogang2

(1. Key Laboratory of Intellisense Technology, CETC,Nanjing 210039, China)(2. Nanjing Research Institute of Electronics Technology,Nanjing 210039, China)

For the heterogeneity of clutter, traditional methods are limited in clutter suppression. In strong clutter environment, a large number of false alarms still exist in the processed radar echo. With respect to ground-based moving-target-detection radar, five classification-features and five prior-features of target/clutter plots are extracted in this paper. Then, techniques of principal component analysis and supported vector machine are adopted for plot classifying. Experimental results show that the extracted features and designed classifier can effectively filter ground-clutter-false-alarms while few target plots are lost.

plot filtering; supported vector machine; ground-clutter

10.16592/ j.cnki.1004-7859.2016.08.008

邢遠(yuǎn)見(jiàn)Email：yuanjiangx@qq.com

2016-04-30

2016-07-01

TN957

A

1004-7859(2016)08-0034-05