基于自適應徑向基網絡的艦船RCS統計特征識別方法

張建強，汪厚祥，趙霽紅，高世家

（1.海軍工程大學電子工程學院，武漢430033，2.濰坊市公安局，山東濰坊261061）

基于自適應徑向基網絡的艦船RCS統計特征識別方法

張建強1，汪厚祥1，趙霽紅2，高世家2

（1.海軍工程大學電子工程學院，武漢430033，2.濰坊市公安局，山東濰坊261061）

文章采用艦船RCS頻域起伏序列的均值、標準差為識別特征向量，利用提出的基于樣本密度的自適應徑向基網絡，進行艦船分類識別研究。自適應徑向基網絡采用改進的自適應PSO方法估計樣本密度最優鄰域半徑，實現徑向基網絡中心的自適應選擇。改進的自適應PSO方法采用能反映樣本聚類特點的BWP指標為適應度評價函數，采用快慢結合的高斯自適應慣性權重調節策略，提高了最優樣本密度鄰域半徑的搜索速度和精度。實驗結果表明，自適應徑向基網絡能自適應獲得徑向基網絡最優識別率對應的RBF中心及其位置分布，減少了對建模人員經驗的依賴，提高了反艦導彈對艦船類型的識別分類能力。

雷達散射面積；適應度；徑向基網絡；粒子群優化算法

反艦導彈末制導雷達獲取的艦船目標RCS（雷達散射截面積）頻域序列起伏特征，與艦船目標尺寸、結構和形狀相關，可利用艦船RCS頻域序列起伏的統計特征，來進一步提高反艦導彈對艦船目標類型的識別能力［1］。為此，本文采用艦船RCS頻域起伏序列的均值、標準差等統計特征，作為徑向基網絡的分類特征向量，進行艦船分類識別實驗，結果顯示艦船RCS頻域起伏的均值、均方差等統計特征可作為反艦導彈識別艦船類型有效特征，為反艦導彈捕捉價值更大的海上目標提供分類支持。徑向基網絡的學習須要確定RBF（徑向基函數）中心、方差及權值3個參數［2-3］。目前，應用較多的RBF中心選取方法是K-均值自組織選取中心法［4］，該算法實現簡單，但受初始RBF中心數量及其位置分布的影響較大，特別是當初始中心位置分布不均時，容易導致病態矩陣［5］。為此，本文提出一種基于樣本密度的自適應徑向基網絡學習算法，克服上述K-均值自組織選取中心的缺點，減少了對建模人員經驗的依賴，提高了反艦導彈對艦船類型的識別分類能力。該算法的關鍵在于樣本密度最優鄰域半徑估計。粒子群優化（PSO）算法是一種仿生型全局優化智能優化算法，已成功應用于函數優化、約束優化、極大極小問題、多目標優化等問題中。與遺傳算法（GA）相比，PSO算法不需要復雜的交叉、變異的過程，其優勢在于實現簡單并且不必調整許多參數，對問題的適應性較強［6］。為了兼顧最優樣本密度鄰域半徑的搜索速度和精度，本文提出一種改進的自適應PSO算法，該算法采用快慢結合的高斯自適應慣性權重調節策略，實現樣本密度最優鄰域半徑的全局最優估計。

1　艦船目標RCS頻域統計特征

海上艦船目標尺寸、結構和形狀各異，導致不同類型艦船間的RCS頻域序列起伏特征差異明顯。因此，考慮利用艦船RCS頻域序列的多個起伏統計特征，來進一步提高反艦導彈對艦船目標類型的識別分類能力。目前，經常使用的目標RCS頻域序列統計特征包括：反映目標RCS大小的均值與反映RCS序列分散程度的標準差［7］。

1）RCS頻域序列統計均值：

式（1）中：σi為第i個頻點 fi的RCS值；N為頻點數量。

2）RCS頻域序列統計標準差：

2　基于樣本密度的自適應徑向基網絡學習算法

自適應徑向基網絡學習算法由3個階段構成：一是基于樣本密度的RBF中心自適應選取方法；二是RBF方差的確定；三是輸出層權值的學習。

2.1基于樣本密度的RBF中心自適應選取方法

2.1.1樣本密度的定義

定義分布在樣本Xi周圍鄰域R范圍內的樣本數量為Xi的樣本密度：

式（3）中：D（X，Xi）為樣本Xi和X間的歐式距離；R為給定的樣本密度鄰域半徑。

2.1.2RBF中心的選取

步驟1：輸入樣本總體X=［X1，X2，…，XN］T，其中，N為樣本總體數量，初始化樣本密度鄰域半徑R。同時，為了避免“孤立點”或“野值”影響，設置樣本密度ρ（Xi）的最小值ρmin＞1。

步驟2：計算樣本總體中各樣本兩兩之間的距離Dij，存儲為距離矩陣D?？紤]到D為對稱矩陣，為減少計算量，可僅計算距離矩陣D的上三角矩陣或下三角矩陣。

步驟4：掃描樣本密度向量ρ，尋找密度最大的向量Xi作為RBF徑向基網絡的一個中心，RBF中心集合t增加一個元素Xi。

步驟5：樣本密度向量ρ中刪除元素ρ（Xi），并掃描距離矩陣D，所有Dij≤R的元素Xj構成X的一個密度子集，并同時刪除D中的 j行和 j列。

2.1.3基于自適應PSO的樣本密度鄰域半徑最優估計方法

由上述RBF中心的選取方法可以看出，樣本密度鄰域半徑R對基于樣本密度的RBF中心選擇影響較大。為此，本節采用粒子群優化算法選擇最佳樣本密度鄰域半徑。粒子群優化（PSO）算法是一種進化計算方法，它與遺傳算法相比優勢在于簡單、容易實現，需調整的參數較少，不需要復雜的交叉、變異的過程，對問題的適應性較強［8］。利用PSO算法進行最佳樣本密度鄰域半徑估計的流程如下。

步驟1：初始化粒子群，隨機生成每個粒子的初始位置和速度。

為提高搜索效率，需要為粒子的位置搜索和速度變化限定一個范圍。對于樣本總體X=［X1，X2，…，XN］T的RBF中心選取而言，其范圍不會超過各類內散布距離的最大值。采用上述RBF中心選擇方法，根據初始化粒子位置Ri將樣本總體X聚類劃分為C個類，其中第c類樣本集為，Xc中任一個訓練樣本，則類內散布距離為：

粒子的位置搜索最大范圍，

步驟2：計算粒子適應度。適應度評價函數用來計算當前粒子群和單個粒子所處位置與實際問題最優解的接近程度，不同的實際問題具有不同的適應度評價函數。此處目標是衡量粒子所表示的樣本密度鄰域半徑與最佳樣本密度鄰域半徑間的接近程度。一個合適的樣本密度鄰域半徑所形成的、較優的樣本總體聚類劃分應該具有類內緊密性和類間分離性。為此，本文采用能反映類內緊密性和類間分離性的BWP指標［9-10］為適應度評價函數：

步驟3：計算各粒子的局部最優位置Pi和全局最優位置G。

步驟4：更新各粒子的速度和位置。標準PSO的速度及位置更新為：

式（10）中：Ω為慣性權重；c1為個體認知學習因子；c2為群體認知學習系數。

為提高粒子搜索速度，本文設計一種“快慢”結合的高斯自適應慣性權重調節策略：

式（12）中：iter為當前迭代次數；itermax為最大迭代次數；λ＞1為慣性權重衰減系數。

自適應高斯慣性權重調節策略在搜索初期w較大，以增加算法的全局搜索能力快速收斂于某一區域。隨著迭代次數的增加，特別是搜索后期w迅速減小，以求增加局部搜索能力獲得局部精確最優解，從而達到搜索速度與搜索精度的較好結合。

步驟5：更新Pi和G。比較各粒子適應值與其個體最優位置Pi，若較好，則將其作為當前個體最優位置Pi；同樣，全局最優位置G也作相同的比較。

步驟6：判斷是否達到終止條件（迭代達到最大迭代次數或全局最優位置達到設定的最小適應閥值），若是則轉步驟7，否則轉步驟2。

步驟7：得到最優解R*。

2.2RBF方差的選取

RBF中心ti（i=1，2，…，I）確定后，還須進一步確定RBF的方差。假設徑向基網絡最終的RBF中心ti（i=1，2，…，I）兩兩之間的相互距離矩陣Dt為

2.3RBF權值的學習方法

權值的學習可以用LMS方法，也可以直接用偽逆的方法求解：

式（13）中：D=［d1，…，dk，…，dN］是期望響應；G+是矩陣G的偽逆，

2.4人工數據識別分類實驗

二維平面上正態分布的點組成正負兩類樣本數據，其中正樣本類由二維平面上的4個樣本簇構成，每個樣本簇的平均向量分別為，，方差為σ=0.08；與正樣本類類似，負樣本類也由二維平面上的4個樣本簇構成，每個樣本簇的平均向量分別為，，方差為σ=0.08。

自適應徑向基網絡的參數設置為：個體認知學習因子c1=2，群體認知學習系數c2=2，最大迭代次數MaxDT=20，搜索空間維數D=1，初始化群體個體數目N=40，精度要求eps=10-6，慣性權重Ω采用本文2.2節提出的高斯自適應慣性權重調節策略，其中λ=3。標準PSO設置除慣性權重Ω為常數0.8外，其余參數與自適應徑向基網絡相同。BWP全局最優隨迭代次數的變化曲線如圖1所示，R隨迭代次數的變化曲線如圖2所示。

圖1　全局最優BWP隨迭代次數的變化曲線Fig.1 Change curve of global optimal BWP

圖2R隨迭代次數的變化曲線Fig.2Rchange curve with iteration number

由仿真結果可以看出，采用標準PSO迭代次數達到12次后得到最優解，此時BWP的全局最優適應度為0.867 2、R的最優解0.308 2；采用高斯自適應慣性權重調節策略時，迭代次數達到8次后得到最優解，此時BWP的全局最優適應度為0.885 6、R的最優解0.297 2。可以看出，用高斯自適應慣性權重調節策略迭代次數更少，但是其結果更接近最優解0.3，說明高斯自適應慣性權重調整策略的有效性。

綜上所述，利用基于樣本密度的自適應學習算法能得到較為合理的RBF中心點參數。與K-均值自組織學習方法相比，該算法不受RBF中心數量及初始值的選取影響，大大減少了對建模分析人員經驗的依賴。但是從密度的計算方法可以看出，基于樣本密度的自適應學習算法需要多次迭代計算任意2個樣本之間的距離，也就是說當樣本數量為n時，要計算n2個距離值。若每個距離需要4個字節，那么總共需要4n2字節的存儲空間。當n較小時，計算量和存儲量是可以容忍的；當n較大時，則消耗時間將會大大增長，且花費很大的存儲空間。

3　基于自適應徑向基網絡的艦船RCS統計特征分類研究

首先，通過FEKO軟件對巡洋艦、驅逐艦、護衛艦和綜合補給艦等4種典型海上目標RCS頻域序列進行仿真［12］，仿真參數設置為水平角30°、俯仰角4.5°，仿真結果如圖3所示。

圖3　RCS仿真數據Fig.3 Simulation data of RCS

在FEKO軟件仿真結果的基礎上，通過加入10dB瑞利海雜波噪聲，隨機生成巡洋艦、驅逐艦、護衛艦、綜合補給船的仿真序列100組，其中70組為訓練樣本，30組為測試樣本，每一組序列長度為1 002，仿真運行100次，采用K-均值自組織選取中心法的徑向基網絡識別分類結果如圖4所示?？梢钥闯鲭S著徑向基網絡隱層中心點數量的增加，訓練正確率與檢驗正確率均迅速上升，但當隱層中心的數量達到6個后，檢驗正確率不再隨RBF中心數量的增加而增加，相反呈現下降趨勢，原因在于人工神經網絡采取了經驗風險最小化原則，當樣本量充分大時能保證良好的學習效果。但當樣本容量有限時，容易導致“欠學習”或“過擬合”現象，導致學習機器泛化能力下降。也就是說，徑向基網絡試圖用一個復雜的模型去擬合有限樣本時學習機器喪失了對未知數據的推廣能力。可見，徑向基網絡隱層中心的數量等網絡結構參數的設計對其性能影響較大。本文提出的基于樣本密度的自適應徑向基網絡學習算法為徑向基網絡結構的確定提供了一種自適應途徑，減少了對建模者經驗的依賴，其仿真結果如圖5、6所示。圖5為適應度（BWP指標）變化曲線，圖6為自適應徑向基網絡學習過程中密度半徑R隨迭代次數的變化曲線?？梢钥闯鼋涍^18次迭代，自適應神經網絡搜索到了適應度（BWP指標）最大值所對應的最佳密度半徑3.290 7。此時，由最佳密度半徑確定的徑向基網絡隱層中心數量為6，這與采用K-均值自組織選取中心法的徑向基網絡取得最優識別率時所對應的隱層節點數相同，說明了自適應神經網絡方法的有效性。

圖4　K-均值徑向基網絡分類實驗結果Fig.4 Experimental results of K-means RBF network classification

圖5　適應度（BWP）隨迭代次數的變化曲線Fig.5 Fitness（BWP）change curve with iteration number

圖6R隨迭代次數的變化曲線Fig.6Rchange curve with iteration number

4　結論

如何實現目標的正確識別分類成為當前制約反艦導作戰效能的關鍵因素。艦船目標RCS頻域序列起伏特征，與海上艦船目標尺寸、結構和形狀相關，可有效識別反艦導彈識別艦船類型，提高反艦導彈目標識別能力。本文提取了艦船目標RCS頻域序列的均值、均方差統計特征，利用提出的自適應徑向基網絡，實現艦船RCS頻域序列均值、均方差統計特征的識別分類。實驗顯示基于樣本密度的自適應徑向基網絡學習算法，能克服K-均值自組織選取中心算法所存在的、受初始RBF中心數量及其位置影響較大的缺點，減少了對建模人員經驗的依賴。這說明了該方法的有效性。

［1］吳貝貝.基于RCS特征提取的雷達目標識別新方法［D］.蘭州：蘭州大學，2007：44-47. WU BEIBEI.A novel approach for target recognition using feature extraction over RCS data［D］.Lanzhou：Lanzhou University，2007：44-47.（in Chinese）

［2］王兵.一種變基寬徑向基神經網絡的大數據集分類方法［j］.微電子學與計算機，2015，32（6）：112-115. WANG BING.A classification method for large data sets based on the changing width factor RBF networks［J］.Microelectronics&Computer，2015，32（6）：112-115.（in Chinese）

［3］牟洪波.基于BP和RBF神經網絡的木材缺陷檢測研究［D］.哈爾濱：東北林業大學，2010：78-82. MU HONGBO.Study on wood detects testing based on BP and RBF neural networks［D］.Haerbin：Northeast Forestry University，2010：78-82.（in Chinese）

［4］張慶新，崔展博，馬睿，等.基于k-means聚類與徑向基神經（RBF）網絡的電力系統日負荷預測［J］.科學技術與工程，2013，13（34）：10177-10181. ZHANG QINGXIN，CUI ZHANBO，MA RUI，et al.Daily load forecasting of industrial enterprise power system based on K-means clustering and RBF neural network［J］. Science Technology and Engineering，2013，13（34）：10177-10181.（in Chinese）

［5］靳玉萍，黨婕.基于徑向基神經網絡改進算法優化鍋爐燃燒效率［J］.計算機應用，2013，33（6）：1771-1773，1779. JIN YUPING，DANG JIE.Boiler combustion efficiency optimization based on improved radial basis neural network［J］.Journal of Computer Applications，2013，33（6）：1771-1773，1779.（in Chinese）

［6］ KROHLING R A.Gaussian swarm：a novel particle swarm optimization algorithm［C］//Proceedings of the IEEE Conference on Cybernetics and Intelligent Systems（CIS）.Singapore：IEEE，2004：372-376.（in Chinese）

［7］劉增燦，鄧愛明，王森.坦克目標RCS統計模型分析［J］.四川兵工學報，2014，35（7）：13-16. LIU ZENGCAN，DENG AIMING，WANG SEN.Analysis of statistical model for RCS of tank［J］.Journal of Sichuan Ordnance，2014，35（7）：13-16.（in Chinese）

［8］卜祥勇，李全海.基于粒子群算法優化BP神經網絡的地鐵暗挖段地表變形預測［J］.測繪與空間地理信息，2014，37（11）：195-198. BU XIANGYONG，LI QUANHAI.Surface deformation prediction of metro undercutting section based on PSOBP neural network algorithm［J］.Geomatics&Spatial Information Technology，2014，37（11）：195-198.（in Chinese）

［9］周世兵，徐振源，唐旭清.K-means算法最佳聚類數確定方法［J］.計算機應用，2010，30（8）：1995-1998. ZHOU SHIBING，XU ZHENYUAN，TANG XUQING. Method for determining optimal number of clusters in K-means clustering algorithm［J］.Journal of Computer Applications，2010，30（8）：1995-1998.（in Chinese）

［10］邊鵬，趙妍，蘇玉召.一種改進的K-means算法最佳聚類數確定方法［J］.現代圖書情報技術，2011（9）：34-40. BIAN PENG，ZHAO YAN，SU YUZHAO.An improved method for determining optimal number of clursters in K-means clustering algorithm［J］.New Technology of Library and Information Service，2011（9）：34-40.（in Chinese）RCS Statistical Feature Recognition Method for Naval Vessels Based on Adaptive Radial Basis Network

ZHANG Jianqiang1，WANG Houxiang1，ZHAO Jihong2，GAO Shijia2
（1.Electronics Engineering College，Naval University of Engineering，Wuhan 430033，China；2.Weifang’s Public Security Bureau，Weifang Shandong 261061，China）

In this paper，we take the mean and standard deviation of the RCS frequency domain fluctuations was taked as the recognition feature，the adaptive radial basis network based on sample density was used to do research on ship recogni?tion and classification.The improved adaptive PSO method was used to estimate the optimal neighborhood radius of sam?ple density，which realized the adaptive selection of radial basis network center.The improved adaptive PSO method im?proved the search speed and precision of the neighborhood radius of the optimal sample density.It took BWP as the fitness evaluation function，which could reflect sample clustering features，and adopted Gauss adaptive inertia weight adjustment strategy.The experimental results showed that the adaptive radial basis network could adaptively obtain the RBF center and its position distribution corresponding to the optimal identification rate of radial basis network.Therefore，it reduced the dependence on the experience of modeling person，and enhanced the ability of the anti-ship missile to recognize the type of ship.

RCS；fitness；RBF neural network；particle swarm optimization algorithm

TP391.45

A

1673-1522（2015）06-0572-05DOI：10.7682/j.issn.1673-1522.2015.06.014

2015-07-30；

2015-10-26

國家自然科學基金資助項目（61401493）

張建強（1980-），男，講師，博士生。