一種并行在線算法在彈道目標識別中的應用研究

田西蘭++郭法濱

摘要：本文針對非合作性彈道目標識別樣本規模小、計算實時性需求高的特點，提出一種并行在線識別算法。該算法基于多核學習的不同核矩陣權重的自適應學習實現對不同飛行階段目標特征的自選擇，并進一步利用增量學習實現算法的在線化應用。進一步地，針對不同的飛行階段人工干預參與學習的目標特征選擇。仿真試驗結果表明，該算法可用于彈道目標的頭體分辨，計算效率高，準確率滿足工程需求。

關鍵詞：彈道目標識別 并行計算 多核學習

中圖分類號：V271.4 文獻標識碼：A 文章編號：1007-9416（2016）10-0138-01

1 引言

彈道導彈為現代戰爭中最具威脅的攻擊性武器之一，具有速度快、破壞力強、打擊精度高、突防能力強等特點。對應地，彈道導彈攻防之間的博弈，便決定了導彈防御系統具有非合作性、決策時間短、資源效率有限的問題。作為彈道導彈防御系統的關鍵支撐技術，反導目標識別則面臨樣本規模極為有限、實時計算效率必須滿足工程需求的特點。

由于反導目標識別的樣本匱乏，多方面綜合攫取彈道導彈的雷達目標測量特性便顯得極為重要。多核機器學習能夠同時完成多個特征空間的自學習，且各權重為學習過程中自動生成，滿足多特征聯合挖掘彈道導彈雷達特性的需求。同時，為滿足實時進行目標屬性決策并上報的需求，本文引入一種在線多核學習作為反導目標識別的決策器，仿真結果表明了該方法的有效性。

2 彈道導彈目標特性分析

彈道導彈主要飛行軌跡在大氣層外，利用火箭到達預定的飛行軌道并達到預定的速度后，火箭熄火，頭體分離。不同類型的彈道導彈的飛行軌跡、速度和加速度等信息差距較大，本文主要針對中近程彈道導彈。此類導彈全程飛行時間往往僅持續近十分鐘，助推段時間不足兩分鐘，中段主要指導彈在大氣層外飛行的時間，在整個飛行過程中持續時間最長，也為目標識別的最佳時機。該階段往往已完成頭體分離，進一步地，戰術彈道導彈在頭體分離時通常會釋放多個目標構成彈頭群以實現自身突防。各級彈體殘骸、級間分離碎片等則形成彈體群目標。彈頭目標往往具有姿態控制裝置，因此，其RCS序列等往往表現出周期性特征，而彈體目標則不具備。再入段又稱末段，為頭體等目標進入大氣層向打擊目標飛行的階段。該階段由于大氣過濾的作用，會將輕誘餌、箔條等目標過濾掉，僅剩彈頭目標與重誘餌。

3 目標特性提取

折中考慮現役裝備的帶寬與識別任務，本文以窄帶特征為主要手段，綜合利用彈道導彈的基本運動特征、軌道特征、RCS序列特征實現對彈道導彈的頭體分辨。

3.1 基本運動特征

彈道目標的運動特性與其軌道特性直接相關。導彈目標的“宏運動”特征涵蓋速度、高度、加速度、距離等，“微運動”特征即微動特征，涵蓋彈頭目標的自旋周期、進動周期等。多數情況下，彈頭目標的飛行高度要高于彈體目標，也在彈體目標的前方。

3.2 軌道特征

彈道導彈為軌道目標，發射后無推力作用時，其運動過程是可預測的，通常軌道特征可用于彈道目標的落發點預測。最為常用的軌道特征為軌道六根數，即軌道長半軸、偏心率、軌道傾角、升交點赤經口、近地點幅角和過近地點的時刻。

3.3 RCS序列統計特征

彈頭目標在中段具有高速、自旋等特點，其動態RCS的規律性較強。而彈體目標則通常表現為翻滾等隨機運動，并且這種隨機性往往體現在量測得到的RCS時間序列上。本節采用RCS序列的均值、方差、變異系數來綜合衡量RCS的起伏特性。其中，變異系數的定義如下：

式中，為標準差，為均值。目標運動趨勢越穩定，其值越小。

3.4 質阻比

質阻比表征彈道目標質量與沿速度矢量上的有效阻力面積之比，表達式為

式中，為目標受到的空氣阻力系數，為目標在速度方向上的投影面積，為彈道目標的質量（單位為千克/平方米）。通常情況下，再入戰術彈頭的質阻比約為5000～8000，誘餌則更輕。該特征在再入段最為有效。

4 基于在線多核學習的頭體分辨

如前所述，不同特征在不同飛行階段的有效性不同。常規算法中，所有特征往往組成一個特征向量，難以實現對不同特征的分類處理。在多核機器學習框架下，不同種類特征空間的學習可用不同的核函數執行。本文采用Rakotomamonjy等提出的SimpleMKL完成多核學習，其優化問題表述如下：

為第個核函數的權重，其大小代表了當前核函數表征的分布假設在最終決策中所占的比重。取值越大，該假設便越重要。本文啟用三個核矩陣分別對應運動特征（含軌道特征）、RCS序列統計特征、質阻比的特征空間學習。決策函數表征如下：

與經典SimpleMKL算法不同的是，本文采用增量式學習實現算法在線化。同時學習過程中，針對質阻比特征增加對飛行段的指示標志。其作用為飛行中段禁用質阻比特征，而再入段僅使用質阻比以實現彈頭與誘餌的分類識別。

本節以仿真數據為例驗證所提算法的有效性。其中，彈頭目標有50個樣本，彈體目標有50個樣本。三個基本核矩陣的類型均采用“gaussian”型核函數，對應地，核參數設置為“0.5”、“1”和“2”。其中50%作為訓練數據，50%作為測試數據，并且，將中段的測試數據與再入段的測試數據分開。驗證過程中，設置彈道目標飛行階段的標志，中段將質阻比特征對應的核矩陣置零，再入段則自動僅啟用該劇鎮。所得結果見表1。進一步地，在該數據上利用常規SVM算法進行驗證，所獲得的最優分類準確率為89.29%。

5 結語

本文基于多核學習提出一種并行在線分類算法，由干預不同核矩陣的權重實現對不同飛行階段目標特征的自選則。仿真結果證明了所提算法的有效性。

參考文獻

[1]A.Rakotomamonjy，F.Bach，S.Canu，Y.Grandvalet，SimpleMKL，Journal of Machine Learning Research，vol.9，2491-2521，2008.

[2]馮德軍，王博，王偉，彈道中段雷達目標識別研究進展綜述.中國電子科學研究院學報，142-148，vol.8，2013.

收稿日期：2016-07-25

作者簡介：田西蘭（1981—），女，山東泰安人， 高級工程師，博士，雷達目標識別設計師，中國電子科技集團公司第三十八研究所，研究方向為雷

達目標識別，機器學習；郭法濱（1979—），男，山東泰安人，高級工程師，博士，雷達總體設計師，中國電子科技集團公司第三十八研究所，研

究方向為雷達總體設計，架構設計。