基于神經網絡的雷達點跡真偽鑒別方法

張 巖,張曉東

(1.海軍裝備部駐揚州地區軍代室,江蘇 揚州 225001;2.中國船舶集團有限公司第七二三研究所,江蘇 揚州 225101)

0 引 言

雷達作為一種探測目標的重要工具,在軍事和民用領域發揮著越來越重要的作用。雷達利用目標的回波來獲得目標的信息,從而發現和測定目標。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。雜波是雷達信號檢測和處理的固有環境,在雜波背景下進行信息處理是雷達的基本任務之一[1-2]。作為雷達數據處理的一個重難點就是在目標檢測后進行雷達點跡真偽鑒別,區分出目標點和雜波點。

針對雷達點跡真偽鑒別這一問題,國內外專家學者提出了很多不同的研究方法。文獻[3]利用SVM理論實現了對多雷達數據的自動分類處理。文獻[4]將支持向量機用作分類器,通過訓練大量樣本數據實現了對真實目標與虛假目標的分類,其核心思想是將航跡起始問題轉化為機器學習中的真實航跡與虛假目標分類問題來處理。文獻[5]提出了一種基于雙通道卷積神經網絡的雷達海上目標智能檢測方法,從特征提取分類角度,通過深度學習分類方法對目標和雜波的雷達回波信號進行二元分類,達到90.0%的準確率。文獻[6]提出了一種基于反向傳播神經網絡的雷達點跡分類方法,利用雷達點跡數據包含的距離跨度、方位跨度、幅度、距離、方位和信噪比等多種特征信息,訓練的反向傳播神經網絡的分類準確率可達87.3%。

人工神經網絡是一種運算模型,通過大量的帶有數學意義的神經元節點連接組成。每個節點都代表著一種規定的輸出函數,又可以稱為激活函數。節點之間的相互連接代表著信號連接的加權值,由于網絡連接方式、網絡的權重值以及激活函數的多樣性,神經網絡的輸出值也各不相同。神經網絡中最基礎的組成部分是神經元,神經元本質上是受生物學神經元的啟發而建立的一種包括輸入、輸出以及其它計算功能的一個數學模型,它接收已知的輸入向量x并結合相應的權重值w以及偏移量b,然后將獲得的結果用非線性函數來處理,最終獲得結果的預測值輸出。一個網絡層一般由多個神經元組成,而神經網絡通常由多個網絡層組成。隨著計算能力的提升,計算機的計算能力己經足夠支撐多層神經網絡的計算。多層神經網絡的非線性分界擬合能力隨著層數的增加不斷增加,具有更深入的表示特征和更強的函數模擬能力。

本文利用神經網絡研究雷達點跡真偽鑒別問題。即針對信號處理輸出的包含真實目標和雜波的數據,利用神經網絡方法鑒別該數據是來自真實目標回波還是雜波,鑒別結果可以為減少雜波環境下虛假航跡數目,提高機動目標跟蹤能力提供有力的技術支撐。

1 神經網絡結構

基于深度學習算法實現的全連接神經網絡是一種非線性數據建模工具,常用來對輸入與輸出間復雜的關系進行建模,具有獨特的分布并行處理、非線性映射和自適應學習能力等特征[7]。該網絡結構包含多個隱藏層,能以更少模型參數、更快收斂速度和更高擬合精度來逼近現實[8]。

在神經網絡的實際訓練過程中,需要通過輸入的訓練數據集來求解出網絡模型中各層之間的權重參數矩陣w和偏置向量參數b,即反向傳播算法。當訓練好的神經網絡輸入測試數據后,期望得到的輸出值和實際的數據值更加接近,所以需要訓練出更加合適并且更優的權重參數矩陣w和偏置向量參數b。在樣本數據訓練的過程中,可以定義一個損失函數來近似表示實際樣本值和訓練樣本值之間的誤差,在機器學習中常使用梯度下降法來求解損失函數的最小值,最終獲得相關神經網絡模型的權值參數矩陣w和偏置向量參數b。反向傳播算法就是運用梯度下降算法對損失函數迭代求解極值的一個過程,獲得深度神經網絡模型的最佳相關參數,從而完成深度神經網絡模型的訓練,繼而對樣本數據的測試集數據進行測試。

利用神經網絡研究分類問題通常按如下4個步驟進行:

(1) 提取不同實體不同的特征向量作為神經網絡的輸入。

(2) 定義神經網絡如何從輸入得到輸出,即定義神經網絡的前向傳播算法。

(3) 訓練神經網絡,調整神經網絡中各個參數的取值。

(4) 利用訓練好的神經網絡模型預測未知的數據。這個過程和步驟(2)中的前向傳播算法一致。

1.1 激活函數

神經網絡中的激活函數,主要提供網絡的非線性建模的能力,激活函數通常是可微的、單調的,用以保證實現基于梯度的后向傳播算法。常用的激活函數有S曲線函數Sigmoid、雙曲函數tanh、ReLU等。其中ReLU函數的收斂速度比Sigmoid/tanh函數快得多,并且運算十分簡單,因此是當前流行的神經網絡模型中較為常用的激活函數。

1.2 損失函數

通常利用損失函數優化神經網絡模型的訓練效果,從所有樣本中找到一組平均損失“較小”的權重和偏差。損失是對糟糕預測的懲罰,通過一個數值來表示對于單個樣本而言模型預測的準確程度,即如果模型的預測完全準確,則損失為零,否則損失會較大。比較常見的損失函數有交叉熵損失函數、感知損失函數、平方損失函數、對數損失函數、Hinge損失函數、以及0-1損失函數。

本文采用的損失函數是交叉熵損失函數,它是機器學習分類問題中使用非常廣泛的一種損失函數。假設給定p和q2個概率分布,利用q來表示p的交叉熵為:

H(p,q)=-∑p(x)lgq(x)

(1)

通過Softmax回歸將神經網絡前向傳播得到的結果變成概率分布,這樣可以通過交叉熵來計算預測的概率分布和真實答案的概率分布之間的距離。假設原始的神經網絡輸出為y1,y2,…,yn,那么經過Softmax 回歸處理之后的輸出為:

(2)

2 基于神經網絡的雷達點跡真偽鑒別

2.1 雷達點跡特征信息

針對雷達點跡數據,本文利用如下特征信息,具體如表1所示。

表1 點跡特征信息

2.2 訓練數據準備

(1) 異常值剔除

本文采用雷達實測點跡數據進行模型訓練,錄取的雷達點跡數據中通常有很多異常值。為了降低模型算法計算量的同時,提高雷達點跡真偽鑒別準確率,在數據準備初始對這些異常值進行剔除。

(2) 產生訓練數據

按照以下步驟產生訓練數據:

(a) 利用航跡處理程序對每一組點跡數據進行建航處理;

(b) 根據試驗環境和劇情,人工剔除虛假航跡,保留真實航跡。

(c) 將真實航跡所對應的點跡數據標注為1(目標),而將其他點跡標注為0(雜波)。

(d) 將標注好的點跡數據構成的數據集分為兩部分,一部分作為訓練集數據,另一部分作為測試集數據。

(3) 數據預處理

雷達點跡數據包含的不同特征信息間值域差別較大,為避免具有不同量綱的輸入變量不能同等使用,需要對原始數據進行預處理,以消除數據量綱影響。歸一化公式如下所示:

(3)

式中:p和Pnorm表示歸一化前后的值;pmax和pmin表示p的最大值和最小值。

2.3 模型效果評估

本文模型效果評估指標為準確率、目標損失率以及雜波濾除率[9]。下面對3個模型效果對比指標進行說明。

準確率是模型預測正確的結果所占的比例:

(4)

式中:Acc表示準確率;TP為目標被判為目標的數目;TN為雜波被判為雜波的數目;FP為雜波被判為目標的數目;FN為目標被判為雜波的數目。

在本文雷達點跡數據真偽鑒別方法研究中,漏警造成的損失遠高于將雜波判為目標的損失。因此在評估模型效果時,需要將目標損失率rt作為一項重要指標,公式如下:

(5)

在降低目標損失率的同時,要盡可能多地濾掉雜波,雜波濾除率rc公式如下:

(6)

2.4 神經網絡模型搭建與訓練

本文所用的神經網絡結構圖如圖1所示。

圖1 神經網絡結構

輸入層有8個神經元,輸入雷達點跡有8種特征,共4層隱藏層,每個隱藏層分別包含64、128、64和32個神經元,每一層神經元的輸入為上一層神經元的輸出,每層神經元的輸出均乘以權重w,再加上偏置b,通過ReLU激活函數后作為下一層神經元的輸入。最后的輸出層使用Softmax函數進行分類,分別輸出各個類別的可能性(0.0～1.0),最后選擇可能性得分最高的類別作為預測的類別。

本文用于神經網絡訓練的訓練集數據為8 034個,用于驗證分類效果的測試集數據為2 000個。訓練次數初始化為0,將網絡的連接權值和偏置量均初始化為隨機值,初始學習速率設置為0.001,每訓練10輪后學習率乘以衰減系數0.99。每次從訓練數據集中隨機抽取512個特征數據輸入神經網絡進行迭代訓練,逐層計算各層神經網絡的輸出,獲得預測值。使用經典的交叉熵損失函數為訓練模型優化目的時,經過多次迭代后目標損失率只能達到0.11左右,準確率為0.89。因為漏警即目標判為雜波的損失要遠高于將雜波判為目標的損失,因此增加目標被判為雜波的代價權重。優化損失函數后目標損失率下降到只有0.03左右,準確率為0.85。

3 實測數據驗證

將分類模型應用于雷達實測數據進行雜波點跡過濾,過濾前雷達原始點跡見圖2,是雷達20個掃描周期的累積點跡,點跡總數3 798個,有一個目標軌跡20個點跡,剩余3 778個點跡均是雜波。

圖2 原始點跡圖

過濾雜波后的雷達點跡如圖3所示,目標點跡全部保留,雜波點跡減少到1 133個。雜波過濾效果對比如表2所示。

圖3 雜波過濾效果圖

表2 雜波過濾效果對比

4 結束語

本文利用神經網絡研究雷達點跡真偽鑒別問題,判斷該點數據是來自目標還是雜波。根據工程中積累的經驗,提煉出雷達點跡特征信息作為神經網絡的輸入,通過分析具體應用場景優化損失函數,使目標損失率下降到可接受范圍。利用該分類模型處理雷達實測數據,給出雜波過濾效果。

當有點跡數據時,利用本文神經網絡模型對點跡數據進行真偽鑒別,鑒別結果可以為后續數據處理過程如航跡起始以及虛假航跡剔除等提供技術支撐,最終達到減少雜波環境下虛假航跡數量的目的。