一種窄帶雷達(dá)艦船目標(biāo)分類的決策方法?

王曙光,田西蘭

(

1.中國(guó)電子科技集團(tuán)公司第三十八研究所,安徽合肥230088;2.孔徑陣列與空間探測(cè)安徽省重點(diǎn)實(shí)驗(yàn)室,安徽合肥230088;3.智能情報(bào)處理重點(diǎn)實(shí)驗(yàn)室,安徽合肥230088)

0 引言

從20世紀(jì)初誕生至今,雷達(dá)在導(dǎo)航、氣象探測(cè)、定位和跟蹤等領(lǐng)域都已獲得了廣泛的應(yīng)用[1-3]。在軍事應(yīng)用方面,雷達(dá)更是具有不可替代的重要價(jià)值。現(xiàn)代雷達(dá)的一個(gè)重要發(fā)展方向是雷達(dá)目標(biāo)識(shí)別,該技術(shù)對(duì)于提升雷達(dá)的情報(bào)提取與分析能力具有至關(guān)重要的支撐作用。

我國(guó)現(xiàn)役雷達(dá)多為窄帶體制,自身分辨率較低,無法提供足夠的信息以實(shí)現(xiàn)對(duì)目標(biāo)種類的準(zhǔn)確判決,從而制約了目標(biāo)識(shí)別技術(shù)在這類平臺(tái)上的應(yīng)用[4-5]。提升窄帶雷達(dá)的目標(biāo)判決能力,推進(jìn)目標(biāo)識(shí)別技術(shù)在窄帶平臺(tái)上的應(yīng)用,可有效增強(qiáng)現(xiàn)役雷達(dá)的情報(bào)支撐力度,迅速提升我國(guó)雷達(dá)組網(wǎng)的作戰(zhàn)能力。

本文以某型機(jī)載窄帶雷達(dá)的實(shí)際觀測(cè)數(shù)據(jù)為基礎(chǔ),提出了一種面向艦船目標(biāo)分類的決策方法。該方法充分利用歷史判決信息,所獲得的判決信息準(zhǔn)確率更高、穩(wěn)定性更好。

1 目標(biāo)特征提取

文中所用的數(shù)據(jù)為某型雷達(dá)對(duì)不同艦船目標(biāo)采集的多次觀測(cè)數(shù)據(jù)。依據(jù)艦船的尺寸及噸位信息,將其分為大、中、小三類目標(biāo)。3類目標(biāo)的劃分依據(jù)如下:

1)大型目標(biāo):艦船長(zhǎng)度大于220 m,萬噸以上;

2)中型目標(biāo):艦船長(zhǎng)度為80～180 m,千噸以上;

3)小型目標(biāo):艦船長(zhǎng)度為20～70 m,千噸以下。

目標(biāo)反射的回波經(jīng)過恒虛警監(jiān)測(cè)后獲得原始點(diǎn),進(jìn)而經(jīng)過點(diǎn)跡凝聚形成對(duì)應(yīng)的凝聚點(diǎn)。在此過程中,原始點(diǎn)的個(gè)數(shù)及分布情況體現(xiàn)了目標(biāo)的尺寸、布局等結(jié)構(gòu)信息。因此,在特征提取時(shí),針對(duì)原始點(diǎn)到凝聚點(diǎn)的匯集過程,本文提取了對(duì)應(yīng)的統(tǒng)計(jì)數(shù)據(jù)作為凝聚特征。同時(shí),考慮到不同目標(biāo)的運(yùn)動(dòng)形式及回波強(qiáng)度之間的差異性,提取了相應(yīng)的速度特征及回波強(qiáng)度特征。這些特征匯總起來形成了六維特征向量。對(duì)于航跡中的每個(gè)點(diǎn),均有一個(gè)六維特征向量與之對(duì)應(yīng)。為便于后續(xù)描述,在此定義對(duì)應(yīng)航跡中的單個(gè)點(diǎn)為一幀。

對(duì)特征值進(jìn)行歸一化,選取不同的特征進(jìn)行組合,并將其在三維特征空間中作圖,得到3類目標(biāo)在不同特征空間中的樣本分布情況,如圖1所示。

圖1 3類目標(biāo)在不同特征空間中的分布

圖1中,不同形狀的圖標(biāo)表示不同種類的樣本,每個(gè)圖標(biāo)代表該類樣本的一幀數(shù)據(jù)。從圖中可以看出,3類目標(biāo)在特征空間中的分布存在重疊與交叉,說明在該三維度的特征空間中不同類別目標(biāo)間的可分性較弱。

可分性弱的原因在于窄帶雷達(dá)的探測(cè)性能有限[6]。如前文所述,較窄的工作頻帶致使雷達(dá)分辨率較低,無法有效地獲取目標(biāo)的細(xì)節(jié)信息。本文中所用雷達(dá)的工作帶寬為2.5 MHz,對(duì)應(yīng)的距離分辨率約為60 m。帶寬不足導(dǎo)致其回波數(shù)據(jù)中僅包含目標(biāo)的粗略情況,進(jìn)而導(dǎo)致提取的特征無法準(zhǔn)確描述目標(biāo)的精確信息。

2 分類器設(shè)計(jì)與決策機(jī)制

2.1 分類器設(shè)計(jì)

除分類性能外,計(jì)算復(fù)雜度也是分類器設(shè)計(jì)中需要考慮的因素。過于龐大的運(yùn)算量在占據(jù)大量計(jì)算資源和內(nèi)存資源的同時(shí),也會(huì)顯著降低系統(tǒng)的運(yùn)算速度,進(jìn)而影響系統(tǒng)的實(shí)時(shí)性。與常規(guī)分類器相比,K-近鄰分類器的運(yùn)算量和計(jì)算復(fù)雜度較低,且其分類性能滿足分類識(shí)別需求[7-8]。綜合考慮以上因素,本文采用K-近鄰分類器(K=10)。對(duì)于特定的測(cè)試數(shù)據(jù)X=(x1,x2,x3,x4,x5),首先通過下式計(jì)算其與模板數(shù)據(jù)Y=(y1,y2,y3,y4,y5)之間的距離:

以距離為依據(jù),尋找與當(dāng)前對(duì)象距離最近的K個(gè)模板樣本,統(tǒng)計(jì)該K個(gè)樣本中不同種類標(biāo)簽出現(xiàn)的次數(shù),取得票數(shù)最多的結(jié)果作為該測(cè)試數(shù)據(jù)的分類結(jié)果。

2.2 決策機(jī)制

本文提出的決策算法流程如圖2所示。

圖2 決策算法

特征向量首先進(jìn)行分類器判決,得到對(duì)應(yīng)的判決結(jié)果;然后,對(duì)各幀判決結(jié)果進(jìn)行多幀融合,本文中融合的幀數(shù)設(shè)為3。實(shí)際操作中,將連續(xù)的3幀數(shù)據(jù)看作一個(gè)數(shù)據(jù)片段,統(tǒng)計(jì)該段數(shù)據(jù)中各判決結(jié)果出現(xiàn)的次數(shù),將頻次最高的結(jié)果作為該數(shù)據(jù)段的判決結(jié)果。與此同時(shí),記下該結(jié)果出現(xiàn)的頻次,作為后續(xù)綜合判決的參考。最后,在綜合判決中,統(tǒng)計(jì)各歷史數(shù)據(jù)段的判決結(jié)果及對(duì)應(yīng)頻次,取綜合頻次最高的結(jié)果作為判決結(jié)果。判決結(jié)果的置信度通過求取決策結(jié)果頻次C與其他結(jié)果頻次R的比值θ實(shí)現(xiàn):

根據(jù)θ值的大小,給出對(duì)應(yīng)的置信度等級(jí):

式中:σ=1表示低置信等級(jí);σ=2表示中置信等級(jí);σ=3表示高置信等級(jí)。

多幀融合降低了分類器誤判帶來的判決結(jié)果跳變,從而提高判決結(jié)果的穩(wěn)定性。綜合判決中各歷史結(jié)果的引入則是為了充分挖掘數(shù)據(jù)中的有效信息,提高判決結(jié)果的可靠性。

3 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

本節(jié)基于某型窄帶雷達(dá)在不同日期下所采集的實(shí)測(cè)數(shù)據(jù)為例進(jìn)行分析。采集到的艦船數(shù)據(jù)通過自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System,AIS)進(jìn)行類別的標(biāo)定,對(duì)應(yīng)的類型包含捕魚船、雜貨船、化學(xué)品運(yùn)輸船、散裝船和大型集裝箱船。其中,捕魚船包含兩種尺寸,對(duì)應(yīng)目標(biāo)種類為小型目標(biāo);雜貨船和化學(xué)品運(yùn)輸船屬于中型目標(biāo);散裝船和大型集裝箱船為大型目標(biāo)。

分類器對(duì)不同艦船的判決結(jié)果如表1所示。

表1 分類器判決結(jié)果

表1中,判決結(jié)果中的1,2和3分別代表小型、中型和大型目標(biāo)。由結(jié)果可知,分類器對(duì)3類目標(biāo)的平均分類準(zhǔn)確率為70.17%。經(jīng)過多幀融合之后各數(shù)據(jù)段的結(jié)果如表2所示。

表2 多幀融合后的判決結(jié)果

由2表可知,多幀融合后判決結(jié)果出現(xiàn)小幅提升,平均分類準(zhǔn)確率上升到74.43%。

綜合判決在多幀融合后的判決結(jié)果上進(jìn)行,結(jié)果如表3所示。

表3 綜合判決后的判決結(jié)果

由表3可知,經(jīng)綜合判決后,各類型目標(biāo)的判決效果均得到大幅提升,其分類準(zhǔn)確率達(dá)到90%以上,平均分類準(zhǔn)確率提高到96.35%。

為了更直觀地展現(xiàn)決策機(jī)制對(duì)判決效果的提升,對(duì)各類目標(biāo)主要判決步驟的分類準(zhǔn)確率進(jìn)行了統(tǒng)計(jì),其結(jié)果如圖3所示。

圖3 各類目標(biāo)的分類準(zhǔn)確率統(tǒng)計(jì)

從圖中結(jié)果可以看出,隨著決策機(jī)制的逐級(jí)推進(jìn),各目標(biāo)的分類準(zhǔn)確率均有不同程度的提升。與單幀的分類器判決結(jié)果相比,分類準(zhǔn)確率提升作用顯著。

置信度判定方面,隨著歷史判決信息的累積,置信度等級(jí)也呈現(xiàn)逐漸攀升。本節(jié)以集裝箱船為例,對(duì)其置信度判決結(jié)果進(jìn)行作圖,所得結(jié)果如圖4所示。

圖4 置信度判決案例

圖4中,橫坐標(biāo)為參與判決的歷史數(shù)據(jù)段的個(gè)數(shù),縱坐標(biāo)為對(duì)應(yīng)的頻次比值θ,虛線為置信度判決時(shí)的閾值。從圖中結(jié)果可以看出,當(dāng)參與判決的歷史信息較少時(shí),θ值隨著分類器判決結(jié)果呈現(xiàn)出一定的波動(dòng)。當(dāng)歷史判決信息開始累積,θ值呈現(xiàn)出上升的趨勢(shì)。隨著歷史信息的增多,目標(biāo)種類的判決結(jié)果趨于穩(wěn)定,且置信度等級(jí)逐漸升高,最終達(dá)到高置信度水平。

4 結(jié)束語

針對(duì)窄帶雷達(dá)所提供的目標(biāo)特征信息有限的問題,本文提出了一種充分考慮歷史信息的綜合決策方法。該方法在分類器判決的基礎(chǔ)上,通過多幀融合提高判決結(jié)果的穩(wěn)定性,并進(jìn)一步綜合歷史判決信息提高判決結(jié)果的可靠性?；谀承驼瓗Ю走_(dá)的實(shí)測(cè)數(shù)據(jù)對(duì)所提判決方法進(jìn)行數(shù)據(jù)驗(yàn)證。結(jié)果表明,所提方法能夠較大幅度地提高各目標(biāo)的分類準(zhǔn)確率、穩(wěn)定性與可靠性。由于決策過程未利用任何的先驗(yàn)知識(shí)與假設(shè)條件,因此,該方法具有良好的通用性。

[1]黎湘,范梅梅.認(rèn)知雷達(dá)及其關(guān)鍵技術(shù)研究進(jìn)展[J].電子學(xué)報(bào),2012,40(9):1863-1870.

[2]李程,王偉,施龍飛,等.基于多源信息融合的有源雷達(dá)組網(wǎng)方式序貫識(shí)別方法[J].電子與信息學(xué)報(bào),2014,36(10):2456-2463.

[3]王福友,羅釘,劉宏偉.低分辨機(jī)載雷達(dá)飛機(jī)目標(biāo)分類識(shí)別技術(shù)研究[J].雷達(dá)學(xué)報(bào),2014,3(4):444-449.

[4]戴幻堯,來慶福,趙晶,等.雷達(dá)目標(biāo)特征數(shù)據(jù)采集及應(yīng)用[J].艦船電子對(duì)抗,2008,31(5):44-50.

[5]INGGS M R,ROBINSON A D.Ship Target Recognition Using Low Resolution Radar and Neural Networks[J].IEEE Trans on Aerospace and Electronic Systems,1999,35(2):386-393.

[6]張海成,楊江平,王晗中.反導(dǎo)預(yù)警雷達(dá)目標(biāo)特征識(shí)別方法[J].雷達(dá)科學(xué)與技術(shù),2012,10(2):156-160.ZHANG Haicheng,YANG Jiangping,WANG Hanzhong.An Overview of Target Recognition Methods in Ballistic Missile Early Warning Radar[J].Radar Science and Technology,2012,10(2):156-160.(in Chinese)

[7]甄蜀春,馮有前,卜雪妮.基于距離分類準(zhǔn)則的雷達(dá)目標(biāo)識(shí)別方法[J].空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,5(6):18-20.

[8]關(guān)欣,孫祥威,曹昕瑩.改進(jìn)的K-Means算法在特征關(guān)聯(lián)中的應(yīng)用[J].雷達(dá)科學(xué)與技術(shù),2014,12(1):81-85.GUAN Xin,SUN Xiangwei,CAO Xinying.A Novel Algorithm for Feature Association Based on Gray Correlation Cluster[J].Radar Science and Technology,2014,12(1):81-85.(in Chinese)