基于裝袋決策樹的雷達點跡鑒別方法

孟文涵 林強

（空軍預警學院 湖北省武漢市 430019）

1 引言

雷達設備通過雷達終端向雷達用戶提供經過目標檢測處理后的視頻信號，其中除了有用的目標信號點跡外，還包括了大量由強低雜波、強氣象雜波和仙波處理后的剩余雜波點跡。這些剩余雜波點跡嚴重影響了雜波環境下雷達正常的探測和跟蹤性能[1]。主要影響體現在以下兩個方面：一是剩余雜波點跡容易造成目標屬性誤判，影響雷達探測效果；二是剩余雜波點跡誤判成“偽目標”與目標回波摻雜在一起，容易造成目標混淆，干擾了雷達“航跡關聯”過程，影響雷達跟蹤效能[2]。

目前，一些國內外的專家學者利用雷達回波特征，針對此問題做了一系列相應的研究。文獻[3]提出了一種智能化恒虛警率檢測器，通過支持向量機(SVM) 技術使得檢測器可以選擇適合當前環境的門限，以提高不同背景下的雷達目標檢測性能；文獻[4]中，刑遠見等人對強雜波環境下，信號處理后殘留大量虛警的問題，通過提取目標和雜波的分類特征，將主成分分析法和支撐向量機兩種算法結合起來濾除虛假點跡，抑制了大量的剩余雜波點跡。文獻[5]提出的基于SVM 的多雷達數據機器識別方法實現了對雷達探測數據的自動分類處理。文獻[6]提出了一種基于BP 神經網絡的雷達點跡分類器。這些研究方法為雷達目標點跡和剩余雜波點跡的區分提供了技術參考，但都存在一些難點問題。例如文獻[3]和文獻[5]對雷達點跡分類精度較低，文獻[4]在雜波抑制中，目標損失較大。文獻[6]的訓練過程較繁瑣，且受數據影響性較大的缺點。

本文針對目標檢測后的剩余雜波過多干擾雷達效能發揮的問題，提出了一種基于袋裝決策樹的雷達點跡真偽鑒別模型。該方法可以對雷達終端中經過目標檢測后進一步區分目標點和雜波點，提高目標鑒別的質量。該方法利用了裝袋決策樹強大的學習能力，為雷達點跡訓練分類模型，實現了對目標點跡和雜波點跡的較高精度的自動識別處理。雷達點跡數據中包含多普勒速度、原始幅度、背景幅度、濾波標志、恒虛警類型、雜噪比、濾波器組選擇和EP 質量等特征信息，使用袋裝決策樹開展點跡特征信息分類訓練，測試了在不同特征組合下的目標點和雜波點的鑒別精度和裝袋決策樹在點跡鑒別中泛化能力，并與K 最近鄰域法(Knn)、支持向量機(SVM)和BP 神經網絡(BPNN)作了對比分析。最后，本文給出了3 個結論。

2 袋裝決策樹

決策樹是一種的變量分類方法，決策樹的核心思想是在一個數據集中找到一個最優特征，然后從這個特征的選值中找一個最優候選值，根據這個最優候選值將數據集分為兩個子數據集，然后遞歸上述操作，直到滿足指定條件為止。裝袋決策樹實質是自助抽樣法，該方法多次放回抽樣，便于減小方差，是一種比較常用決策樹分類法。假定Z1、Z1、Z1、Z1為n 個獨立的觀測值，方差為σ2，平均值Z 的方差，因此，為減小方差，從總體樣本集用自助法選擇多個數據集作為訓練集，進行模型擬合及預測，求出多個模型預測結果的平均值，如B 個訓練集預測分別為求其平均為[7]：

裝袋法算法具體步驟如下[8]：

（1）假設k 為樣本集的數目；

（2）生成k 個大小為n 的數據集，每個自助樣本集都和原數據集一樣大；

（3）在k 個樣本集上訓練分類器；

（4）投票決定分類結果。

3 雷達點跡信息數據

3.1 雷達點跡特征提取

本文采用的雷達點跡數據為從某型雷達終端上采集的報文數據。經過規定的格式解析，得到包括多普勒速度、點跡原始幅度、點跡背景幅度、濾波標志、恒虛警類型、雜噪比等級、濾波器組選擇和EP質量共計8個特征屬性的點跡信息。八種特征屬性解釋如下：

（1）多普勒速度反映了目標相對雷達的徑向速度。通常運動目標相對雷達有一定的多普勒速度，而雜波的多普勒速度一般較小，甚至為零，這樣運動目標和雜波就能從多普勒速度上進行區分。

（2）點跡原始幅度表示的含義為雷達原始回波信號經過信號處理后的每個處理單元的原始幅度值。

（3）點跡背景幅度表示的含義為根據多次掃描估計的方位-距離單元的雜波背景強度，即雜波圖幅度。雜波回波點跡相對集中的區域雜波背景強度比較強；而目標回波點跡相對集中的區域雜波背景強度略低。

（4）濾波標志代表該雷達在信號處理過程中，根據雜波背景環境的不同將濾波分為清潔區濾波、弱雜波區濾波、中等雜波區濾波和強雜波區濾波。

（5）恒虛警類型主要有噪聲恒虛警、單元平均恒虛警、單元平均選大恒虛警、和雜波圖恒虛警。根據目標、雜波環境的不同，選用不同的恒虛警類型。

（6）雜噪比所表示的含義為雜波與噪聲功率的比值，可以反映出回波點跡背景環境的復雜度。

（7）濾波器組選擇指的是面對不同的目標、雜波背景環境，根據雷達信號處理中MTD 濾波器組的選擇，將濾波器組分為超強濾波器組、強濾波器組、中等濾波器組和弱濾波器組。

（8）EP 質量是對雷達點跡的EP 數量、方位展寬、距離展寬和信噪比等特征參數進行加權求和得到的。

3.2 數據處理

這些解析出的雷達點跡信息有一些明顯異常的值。為了降低計算量并提高點跡的鑒別精度，首先需要對異常值進行剔除。為探究裝袋決策樹模型在不同目標和雜波分布環境中的鑒別效果，選取雷達工作區域中三個扇區，其點跡數目構成見表1，其雜波與目標數目比值分別約為1:4、1:1、2:1。

表1：三個扇區點跡數目構成

4 基于裝袋決策樹的雷達點跡鑒別實驗效果

本文實驗在Win10 操作系統和Matlab2020b 環境下，采用Classication Learner 工具箱，開展訓練，并使用并行運算加快訓練速度。

4.1 扇區內雷達點跡實驗效果

我們分別將三個扇區的點跡信息按照3:1 劃分訓練集與測試集。使用工具箱對點跡信息的不同特征屬性組合開展分類訓練，訓練與測試效果如表2、3、4 所示。

表2：扇區1 不同屬性組合的鑒別識別率

表3：扇區2 不同屬性組合的鑒別識別率

表4：不同屬性組合下PSO-PNN 鑒別識別率

從表2、3、4 中，我們可以看出，在袋裝決策樹對三個扇區的雷達點跡鑒別中，復雜組合的鑒別效果均優于簡單組合,在復雜組合中，8 屬性組合的鑒別效果均優于6 屬性組合。三個扇區整體識別率識別率分別達到94.5%、92.5%和89.1%。因此，可以得出：當屬性組合數越多時，裝袋決策樹網絡識別效果越好。這就意味著模型獲得的樣本有效屬性維度越多，信息質量越好，對目標點跡和雜波點跡的區分將會愈加有效。同時，三種不同目標雜波分布的扇區的點跡鑒別效果不同，整體鑒別率隨著目標比例的提高也隨之提高，說明裝袋決策樹對目標的識別更敏感。三個扇區的雷達點跡8特征屬性鑒別混淆矩陣如表5、6、7 所示。

表5：扇區1 鑒別效果混淆矩陣

表6：扇區2 鑒別效果混淆矩陣

表7：扇區3 鑒別效果混淆矩陣

4.2 裝袋決策樹對雷達點跡鑒別的泛化效果

為研究裝袋決策樹對雷達點跡分類的泛化效果，這里分別采用裝袋決策樹對雜波目標數目比1:4.、1:1、2:1（“弱雜波”、“正常雜波”和“強雜波”）的三個扇區的點跡信息分別進行8 屬性組合的夸數據集訓練與測試，研究結果見表8。

表8：泛化效果測試

從表8中，我們可以看出，通過三種不同目標雜波分布的扇區互相訓練和測試的結果，我們可以看出即使訓練集與測試集分類分布不統一，裝袋決策樹依然可以取得不錯鑒別效果，說明裝袋決策樹對雷達點跡鑒別具有良好的泛化能力。

4.3 與其他鑒別方法的比較

由于雷達的點跡鑒別的實質是一個二分類問題，所以其他二分類方法都可以用作嘗試。作為比較，本文還利用K 最近鄰域法(Knn)[9]、支持向量機(SVM)[10]和BP 神經網絡(BPNN)[6]（五層）來對雷達點跡進行鑒別檢測。為了簡化研究過程，本文采取扇區二(目標雜波分布相對均勻的情況)的雷達點跡的8 特征信息組合作為鑒別數據，鑒別效果如表9所示。

表9：其他鑒別方法實驗效果

經實驗發現，SVM 最近鄰域法的鑒別精度達84.7%，位居三種對比實驗效果中的最后一名。Knn 的鑒別精度略高于SVM 達85.7%，五層BP 神經網絡在三種對比實驗中效果最佳達87.5%。因此，三種對比實驗效果均低于裝袋決策樹。由此可以看出:裝袋決策樹在雷達點跡鑒別上具有一定的優越性。

5 結束語

本文利用袋裝決策樹，搭建了一種雷達點跡真偽鑒別模型。同時，測試了不同屬性組合和不同分布的數據集對優化后模型鑒別效果的影響及泛化效果。最后，將裝袋決策樹的雷達點跡鑒別模型鑒別效果與其他方法進行比較。可得到以下結論:

（1）復雜特征組合的鑒別效果由于簡單特征組合的鑒別效果。

（2）袋裝決策樹對雷達點跡鑒別效果會受數據集內部分布情況影響，整體識別率會隨集內目標數目比例增大產生一定幅度的上升。

（3）基于裝袋決策樹的雷達點跡鑒別模型具有良好的泛化能力。

（4）基于裝袋決策樹的雷達點跡鑒別方法能夠有效對雷達點跡進行鑒別。相比于BP 神經網絡、SVM 和Knn 的識別率更高，這種算法可以為雷達的點跡鑒別等實際工程應用問題提供了新思路。