基于LVQ聚類算法的雷達目標特征分析

程玉堃，丁志輝，王靜嬌

(中國船舶重工集團公司第七二四研究所，南京 211153)

0 引 言

艦載雷達在掃描作業過程中接收到的回波信號中總是混雜著噪聲、雜波和各類干擾，例如氣象雜波、海洋雜波、地物回波、有源或無源干擾以及其他多種偶然擾動。干擾引起的噪聲和雜波會形成具有隨機特性的虛假點跡[1]。雷達數據處理部分的檢測、凝聚等過程無法區分真實目標點跡數據和虛假目標點跡數據。這不僅產生了冗余數據，增大了傳輸的數據量，也不利于目標航跡的跟蹤，更會干擾雷達操作人員的判斷和操作。盡管雷達的信號處理系統已經通過采用諸如動目標處理、恒虛警率檢測、雜波圖等處理方法去盡可能地減少虛假點跡，但對于信號處理后的數據處理環節輸出的真、假目標點跡混合數據中殘留的虛假點跡，目前已有的判別和剔除方法仍然存在一些缺陷。

1 綜 述

對于雷達回波中真、假目標點跡的判別，目前常用的一種方法是基于先驗已知的真、假點跡的訓練樣本，在樣本空間中尋找一個劃分真、假目標的超平面。該超平面應當對訓練樣本局部擾動的“容忍性”最好，即其魯棒性要好，對于新的未知樣本的泛化能力要強[2]。具體原理是，由于真、假目標點跡特征信息的分布特性不同，通過提取真、假性先驗已知的目標點跡的歸一化幅度、距離向展寬、方位向展寬、仰角向展寬、回波點數等特征信息，得到每項特征信息的均值和方差值等統計特性。將這些特征信息兩兩組合形成支持向量，從而生成分隔真、假目標點跡的超平面，得到目標真、假性判別的似然區間。針對每一組需要判別真假的目標，計算其在所有特征信息組合下的似然概率并加權求和，得到每個目標點跡的真、假性綜合評估值，然后根據該評估值判別目標的真假性，進而實現剔除。

該方法最大的缺陷在于需要有一組先驗已知的真、假目標點跡訓練樣本，即真、假目標點跡的多個特征信息的統計特性(均值和方差)已知。然而現實中，數據處理輸出的目標點跡是真、假未知的，因此需要通過某種方法在目標點跡真、假性未知或部分已知的條件下，通過某種準則，盡可能地對點跡進行初步的真、假性分類，以此為基礎才能應用前述的假目標剔除方法。作為聚類算法的一種，學習向量量化(LVQ)算法適用于解決此類問題，根據訓練樣本是否有監督信息，LVQ算法可以應用于有監督和無監督兩種場景。

2 LVQ算法

2.1 算法介紹

對于訓練樣本的標記信息未知的情況，無監督學習算法通過自主學習來揭示數據內在的性質和規律，為進一步的數據分析提供支撐。聚類算法就是這樣一類算法。它將樣本劃分為若干互不相交的子集，稱為樣本簇。聚類的目的是盡量使結果樣本簇的“簇內相似度”盡可能高，“簇間相似度”盡可能低[3]。聚類算法大體分為原型聚類、密度聚類、層次聚類3種類別。LVQ算法是一種原型聚類算法。與一般聚類算法的不同之處在于它假設數據樣本帶有類別標記，學習過程中會利用這些監督信息來輔助聚類。下面介紹LVQ的算法原理。

2.2 算法原理

2.2.1 LVQ算法的準備工作

Ri={‖x-pi‖2≤‖x-pi′‖2,i′≠i}

(1)

2.2.2 LVQ算法的實現步驟

(1) 監督信息初始化

由于用于訓練的樣本數據是在真實回波條件下針對特定目標(飛機、船只)采集的，其距離、方位、仰角等信息基本已知，因此可將樣本中這部分已知目標的真、假標簽設為真，其他目標的標簽全部預設為假。

(2) 原型向量初始化

(3) 原型向量迭代優化

p′=pi*+α·(xj-pi*)

(2)

p′=pi*-α·(xj-pi*)

(3)

(4) 輸出原型向量

3 仿真驗證

本文使用天線采集的14圈回波的CFAR處理后數據，數據方位范圍200°～300°，仰角范圍0°～15°，距離范圍0～300 km。通過分析得到一批飛機目標和一批船只目標在天線采集的第2圈時的距離、方位、仰角位置和第14圈的距離、方位位置如圖1～圖6所示。

從圖1中可以看出，飛機目標距離單元范圍為1 900～1 930，方位范圍280°～288°，距離向展寬為8個距離單元，方位展寬為3°左右。從圖3中可以看出，飛機目標的仰角向展寬為2°左右。從圖2中可以看出，船只目標位于距離單元范圍為4 460～4 490，方位范圍275°～285°，距離向展寬為10個距離單元，方位展寬為5°左右。從圖6中可以看出，船只目標的仰角向展寬為3.5°左右。在進行目標特征分析之前，首先通過設定特定的檢測門限，使用點跡凝聚方法從采集數據中提取得到一組真、假目標點跡混合數據(共23 476個)，將這組數據作為本次訓練的樣本。分析圖1和圖2可知，飛機目標和船只目標在數據采集期間的位置范圍較為固定，且目標附近沒有明顯雜波。因此，首先對所有目標中滿足這兩組目標所在范圍的所有目標設定標簽為真，其他所有目標的標簽為假。使用凝聚算法提取的目標特征信息如表1所示。

表1 凝聚算法提取的目標特征信息

表2 LVQ算法得到的真、假目標特征統計特性

統計結果顯示，使用LVQ算法聚類得到的典型的真目標比典型的假目標在方位展寬、距離展寬、仰角展寬、回波點數、信號幅值這些特征方面的均值和方差都要更大一些。這與實際情況相符。使用上述統計數據作為后續支持向量算法中真、假目標點跡特征信息的統計值，進而根據真、假性綜合評估值進行點跡剔除。仿真的目標剔除范圍為0～150 km，第2圈的剔除前、后效果對比如圖7～8所示。

分別對比圖7和圖8可知，近處雷達回波虛假點跡明顯減少的同時遠處的孤立真目標得到保留，點跡剔除取得了較好的效果。這說明基于LVQ算法對目標粗樣本的初步聚類所得到的真、假目標點跡特征信息的統計值為后續的風險系數計算提供了很好的數據支撐，較好地實現了預期的效果。

4 結束語

針對目前常用的虛假點跡剔除算法在實際應用過程中所面對的缺乏先驗訓練樣本數據支撐的問題，本文討論了如何通過使用LVQ算法對真、假目標點跡混雜的粗糙樣本進行初步聚類以得到真、假目標點跡特征信息的統計特性，為后續的虛假點跡剔除算法提供數據支撐。下一步將圍繞真、假目標統計特性分析、算法效果優化以及硬件平臺驗證和改進等展開更多工作。