基于卷積神經網絡的雷達點跡分類技術研究

齊永梅，劉正成，余承智，戴 霄

(中國船舶重工集團公司第七二三研究所，江蘇 揚州 225101)

0 引 言

在雷達目標環境中，目標以外的其他散射體的回波會使雷達顯示器上的圖像變得雜亂，妨礙對目標回波的檢測，這類回波被稱為雷達雜波。雷達目標和雜波的含義具有相對性，視雷達的用途而定。例如，地面回波對于防空雷達而言是雜波，而對地形測繪雷達則是目標；云雨回波對于氣象雷達來說是目標，而對防空雷達則是雜波。對本文研究的艦載搜索雷達來說，艦船、飛機、導彈的回波為目標，而地物、海浪、云雨、島嶼的回波則為雜波。雷達在搜索和跟蹤過程中不可避免地會受到地物雜波、氣象雜波等影響，在信號處理檢測時會產生雜波點跡，尤其是在雜波密集區，此類雜波點跡數量會更多，從而會建立大量的虛假航跡。在作戰指揮時，如果態勢中存在大量的虛假航跡必然會給指揮員的作戰決策帶來嚴重的干擾。由于雜波是不可避免的，信號處理和數據處理的一個重要任務就是盡可能地對雜波和雜波產生的疑似點跡進行過濾。

法國泰利斯公司研制的Master系列雷達自動化和智能化水平較高，能夠實現對目標的全自動檢測與跟蹤，該雷達可實時監測背景環境，采用環境匹配技術(地形、海雜波、云雨雜波及干擾)自動調整雷達參數，并利用點跡多種特征信息對點跡質量進行綜合評估，采用點跡過濾技術濾除雜波及干擾，提高雷達處理能力。目前國內雷達數據處理的自動化和智能化水平與國外相比還有一定差距，以深度學習為代表的機器學習技術并沒有在數據處理領域得到充分的研究及應用。

深度學習概念是由Hinton等人于2006年初次提出，近些年它在各個領域大放異彩，成為人工智能(AI)領域中一個較為熱門的話題。伴隨深度學習技術的高速發展，不同分支的深度神經網絡也得以在越來越多的領域進行應用。卷積神經網絡作為其中之一，這些年不僅在架構性能上不斷創新提升，而且應用領域也越來越廣泛。卷積神經網絡改變傳統神經網絡全連接的形式，通過引入局部感受野和共享參數的概念，大幅度減小了參數，并且提高了模型的性能。卷積神經網絡結構通常有5個主要層次：輸入層、卷積層、激勵層、池化層和全連接層。

Tensorflow 是Google的深度學習框架，是利用人工智能神經網絡來分析和處理復雜數據結構的系統，是一種支持深度學習的開源軟件庫，目前支持眾多編程語言、操作系統環境和硬件架構(CPU和GPU)，可以實現卷積神經網絡、循環神經網絡和深度神經網絡等經典算法。

本文提出用深度學習方法研究雷達點跡分類問題，以TensorFlow作為深度學習的基礎框架，針對信號處理輸出的點跡數據中混入的雜波數據，利用卷積神經網絡判斷該數據是更可能來自真實目標還是雜波，相當于對點跡質量進行評估，分類結果將為后續的數據處理提供技術支撐，減少雜波環境下虛假航跡數量，提高機動目標跟蹤能力。

1 雷達點跡多維特征信息提取

在機器學習中,所有用于描述實體的數字的組合就是一個實體的特征向量，邏輯回歸算法可以從訓練數據中計算出每個特征和預測結果的相關度。特征向量的提取對機器學習的效果至關重要。如果每個特征和任務之間的關聯不大，邏輯回歸算法無法從數據中習得更好的特征表達。

目前，雷達點跡數據中最常用的信息為距離、方位、仰角等位置信息。其實，目標回波除了攜帶目標的距離方位仰角信息外，其波形還攜帶了與目標密切相關的信息。這些信息主要表現為隨時間和作用距離遠近呈現出漸變或者相對穩定的狀態變化，我們稱之為“特性信息”，主要包括目標在徑向距離單元的跨度(或稱之為距離寬度)、目標方位碼跨度(或稱之為方位寬度)、最大幅度、平均幅度、規整度等。

在大數據分析中，數據參數種類越多，所帶來的信息就越多，就越有可能挖掘出更為有用的知識。當然，上述描述并不是嚴格成立的，前提是其參數必須是對解決問題有幫助的。因此，必須對于當前點跡信息中的所有參數進行分析研究，提取出對點跡分類有用的參數。通過整理，針對點跡數據，本文提取如下幾種信息(包括位置信息、特征信息)，具體如表1所示。

表1 點跡特征信息

(1) 距離和仰角

相對來說，雷達波束的仰角越低，數據中的雜波就越多，這是因為絕大多數的雜波均是由地物或海浪而引起的。另外，由于地球曲率的影響，艦載或陸基雷達視距大約40 km左右。因此對于距離小于40 km的點跡，其仰角越低，來自于雜波的可能性就越高。因此距離和仰角可作為評估點跡真假的特征值。由于雜波與目標點跡有可能來自任何方位，無法依據方位值判斷點跡的真假程度，所以方位不作為點跡特征參數使用。

(2) 距離寬度和方位寬度

目標距離寬度和方位寬度從某個側面反映了目標的尺寸大小。由于雷達所關注的目標多種多樣，既有大尺寸的艦船，也有小尺寸的無人機。但相對于地物雜波來說，目標尺寸還是相對較小(如圖1所示)。以距離寬度為例，在相同回波幅度條件下，點目標尺寸小、擴展少，地物雜波尺寸大、擴展多，方位寬度差異的產生原因與距離擴展類似。

圖1 目標和雜波的回波距離展寬原理示例

(3) 規整度

對于雷達所關注的常見目標(艦船、固定翼飛機、直升機、導彈)來說，其在距離、方位上通常呈現一定的規律，即相對規則的長方形，如圖2所示。而對于雜波來說，常常并不是非常規則，如圖3所示。

圖2 民航飛機的回波視頻

圖3 雜波視頻

為了能夠更加直觀地表述點跡視頻的規則程度，現采用示意圖的方式給出，圖中每個“格子”為分辨單元，其中灰色為參與凝聚的過門限(該門限為信號處理恒虛警門限)視頻數據，白色說明該分辨單元的視頻數據沒有過門限。

如圖4所示，目標方位左右沿、距離前后沿可圍成一個矩形，然后通過方位寬度(

A

，單位°)、距離寬度(

D

，單位m)、雷達掃描周期(

T

，單位s)、重頻(

f

，單位Hz)、信號采樣帶寬(

B

，單位MHz)即可計算出該矩形內所有分辨單元的數量(

N

):

圖4 真實目標點跡視頻示意圖

N

=(

A

×

T

×

f

/

360)×(

D

×

B/

150)

(1)

這時，可以引入一個概念“規整度”，即表示該點跡的規則程度

R

，具體公式如下：

R

=

N

/N

(2)

式中：

N

為參與點跡凝聚的單元數量。

顯然，規則度越高則點跡來自真實目標的可能性就越高，反之可能來自雜波。圖5是雜波點跡視頻示意圖。

圖5 雜波點跡視頻示意圖

2 基于卷積神經網絡的雷達目標分類

2.1 數據說明

本文中使用的數據全部采用雷達實測點跡數據，根據劇情對數據中的每個點跡進行標注，雜波標簽為0，目標標簽為1。利用其中大部分數據對模型進行訓練，再留一部分數據用于驗證模型。本文中用于模型訓練的數據集稱為訓練集數據，用于模型驗證的數據稱為測試集數據。

2.2 損失函數優化

判斷一個分類器對所有樣本的分類能力或者在不同的應用場合時，需要有不同的指標。在本文雷達雜波和真實目標分類問題研究中，漏警可能造成很嚴重的損失，也就是說將目標判為雜波的代價要遠高于將雜波判為目標的代價。因此需要進行損失函數優化，對經典交叉熵損失函數進行加權。當目標被判為雜波時，代價權重為0.9；雜波判為目標時，代價權重為0.1。加權交叉熵損失函數為：

(3)

2.3 模型效果評估指標

本文綜合利用準確率、目標損失率和雜波濾除率評估卷積神經網絡模型效果。經過前述分析，針對本文應用場景，在降低目標損失率的前提下，盡量提高準確率或者說是雜波濾除率。為了對這3個模型效果評估指標進行說明，作出如下定義：“目標”是正類別，“雜波”是負類別。

可以使用表2來概括“雜波預測”模型，里面描述了所有可能出現的結果(共4種)。

表2 “雜波預測”模型結果

準確率是一個用于評估分類模型的指標，是指模型預測正確的結果所占的比例，公式如下：

(4)

在本文場景中，目標損失率是一個重要指標，優化損失函數目的也是為了盡量降低目標損失率，公式如下：

(5)

在降低目標損失率的同時，要盡量濾除雜波，其公式如下：

(6)

2.4 訓練過程

本文中卷積神經網絡的結構形式為輸入層→卷積層(

C

)→卷積層(

C

)→池化層→卷積層(

C

)→卷積層(

C

)→池化層→全連接層→輸出層。表3是卷積層所用的卷積核個數、卷積核寬、步長以及填充情況。

表3 卷積神經網絡結構參數

作為神經網絡輸入的特征向量直接從點跡文件中獲取，激活函數為ReLU函數，最大池化方法，損失函數則為期望輸出與真實輸出的加權交叉熵。用于網絡訓練的訓練集有6 400個數據，驗證集為2 000個數據。訓練流程如圖6所示。

圖6 訓練流程圖

步驟如下：

(1) 初始化。初始化訓練次數為0，將網絡的連接權值和偏置量均初始化為隨機值，初始學習速率為0.001，每訓練10輪后學習率乘以衰減系數0.99。

(2) 前向傳播。從訓練數據集中隨機抽取128個特征數據輸入網絡，逐層計算各層網絡的輸出，獲得預測值。

(3) 反向傳播。得到輸出層的真實值后，根據優化損失函數計算真實值與數據標簽的誤差，更新網絡連接權值和偏置量。

(4) 迭代訓練。當訓練集中所有數據都被抽取訓練，完成一次迭代訓練，訓練數加1。然后使用當前狀態的網絡對測試數據集進行分類，得到分類準確率、目標損失率和雜波濾除率。80次迭代訓練后，停止訓練。

3 訓練結果

每次迭代后打印結果，訓練集和驗證集數據準確率、損失函數以及學習率隨迭代次數變化如圖7所示。

圖7 訓練集數據準確率、損失函數和學習率變化圖

圖8是最后幾組迭代結果截圖，圖9和圖10是目標損失率和雜波濾除率隨迭代次數變化圖。

圖8 最后幾組迭代結果圖

圖9 目標損失率變化圖

圖10 雜波濾除率變化圖

優化損失函數后，經過多次迭代，目標損失率只有0.04左右，雜波濾除率為0.93左右，準確率也達到0.94左右，表明提取的雷達點跡多維特征信息以及用卷積神經網絡的方法能夠對雷達點跡進行分類。

4 結束語

本文利用卷積神經網絡研究雷達點跡分類問題，對雷達點跡質量進行評估。根據工程經驗提取雷達點跡多維特征信息作為輸入，針對性地優化損失函數，通過測試集數據驗證模型效果，在高準確率的同時使目標損失率下降到可接受范圍。

當有點跡數據時，利用本文保存的卷積神經網絡模型對點跡進行分類，分類結果可以為后續的航跡起始以及虛假航跡剔除提供技術支撐，最終達到減少雜波環境下虛假航跡數量的目的。