一種基于Kohonen神經(jīng)網(wǎng)絡(luò)的雷達(dá)回波特征識(shí)別和分類方法研究

桑鵬偉　王鵬　白艷萍

【摘 要】本文針對(duì)雷達(dá)三維目標(biāo)回波特征抽取和分類問題，提出了一種基于均值濾波器和Kohonen自組織映射神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法。仿真實(shí)驗(yàn)表明該方法抽取的特征具有良好的穩(wěn)定性，且精度高，比單一的自組織分類器有更強(qiáng)的優(yōu)勢，最后通過采用實(shí)地錄取的兩組雷達(dá)目標(biāo)回波數(shù)據(jù)進(jìn)行檢驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)表明該方法可以使準(zhǔn)確率達(dá)到90%以上，具有良好的提取效果和實(shí)用性。

【關(guān)鍵詞】雷達(dá)三維目標(biāo)回波；均值濾波器；神經(jīng)網(wǎng)絡(luò)

【Abstract】The paper focuses on the research and application of neural network for feature extraction from the radar echo data， proposed a method of combining the mean filter and Kohonen neural network to resolve it. Simulation results show that the proposed method in the paper is feasible， the results is more stable and more accurate， apparently has an advantage over the ordinary self-organization neural network. To validate this method by applied to two groups of real radar data set. Result show that the proposed method is practical with ninety percent accuracy.

【Key words】Three dimensional radar echo； Mean filter； Kohonen neural network

0 引言

由于軍事領(lǐng)域的需求推動(dòng)，雷達(dá)技術(shù)有了較大的提升。其主要技術(shù)是利用目標(biāo)對(duì)電磁波的散射特性來發(fā)現(xiàn)并測定目標(biāo)的空間位置[1]，而傳統(tǒng)的雷達(dá)回波只能以二維的形式展現(xiàn)，不能很好的對(duì)回波的細(xì)節(jié)進(jìn)行研究。Matlab具有強(qiáng)大的圖像、圖形處理能力，可以更好的展現(xiàn)雷達(dá)回波數(shù)據(jù)和圖像的細(xì)節(jié)情況[2]，在雷達(dá)目標(biāo)回波技術(shù)中，準(zhǔn)確識(shí)別各類信號(hào)是關(guān)鍵所在。而目標(biāo)識(shí)別作為當(dāng)前研究的熱點(diǎn)，關(guān)鍵是提取回波信號(hào)的特征信號(hào)，也就是說必須除去回波的噪聲。

本文在均值濾波的方法和自組織神經(jīng)網(wǎng)絡(luò)的結(jié)合下，研究了三維雷達(dá)回波的特征抽取和分類[3]所以利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)雷達(dá)回波信號(hào)進(jìn)行分類和抽取，對(duì)雷達(dá)準(zhǔn)確識(shí)別各類信號(hào)有很重要的實(shí)際意義[4]。

1 Kohonen網(wǎng)絡(luò)和均值濾波器的原理及算法

1.1 Kohonen自組織映射網(wǎng)絡(luò)原理及算法

Kohonen自組織映射網(wǎng)絡(luò)，是由全互連接的神經(jīng)元陣列組成的神經(jīng)網(wǎng)絡(luò)[5]。該網(wǎng)絡(luò)由輸入層和輸出層構(gòu)成。輸入層通過權(quán)向量將外界信息匯集到輸出層各神經(jīng)元，其形式與BP網(wǎng)相同，節(jié)點(diǎn)數(shù)對(duì)應(yīng)于一個(gè)r維的輸入矢量x=[x1，…，xr]，其中r為輸入數(shù)據(jù)的維數(shù)。輸出層也是競爭層，它最典型的結(jié)構(gòu)是二維形式，假定共有m*n個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)一個(gè)r維權(quán)矢量m=[m1，…，mr]。該網(wǎng)絡(luò)采用的是Kohonen算法，算法的主要過程為：

（1）初始化網(wǎng)絡(luò)、學(xué)習(xí)速率lr、鄰域半徑r0，隨機(jī)初始化輸入層節(jié)點(diǎn)與競爭層節(jié)點(diǎn)的連接權(quán)值Wij（i=1，…，n；j=1，…，m）。

（2）輸入訓(xùn)練樣本X，計(jì)算樣本與每個(gè)輸出節(jié)點(diǎn)之間的距離dj（本文選用歐氏距離），找出距離最小的對(duì)應(yīng)節(jié)點(diǎn)，則該節(jié)點(diǎn)稱為獲勝節(jié)點(diǎn)v，距離計(jì)算為：

（3）確定獲勝神經(jīng)元v的鄰域

Nv（j）=（jfind（norm（posj，posv）

式子中的posv posj分別為神經(jīng)元v和j的位置；r為領(lǐng)域半徑。

（4）根據(jù)權(quán)值學(xué)習(xí)規(guī)則修正權(quán)值，權(quán)值的改變量為

d？棕=lr*a2*（x′-？棕）

其中l(wèi)r為學(xué)習(xí)速率，函數(shù)a2由輸出a、神經(jīng)元之間距離d和自定義的學(xué)習(xí)鄰域大小r決定：

a2（i，q）=1， 如果a（i，q）=10.5， 如果a（j，q）=1且D（i，j）0， 其他≤r

（5）重新輸入，重復(fù)以上（2）-（4）步驟直至訓(xùn)練結(jié)束

1.2 均值濾波器原理

實(shí)際采錄數(shù)據(jù)信號(hào)中常常有各種干擾噪聲，這些噪聲會(huì)對(duì)數(shù)據(jù)的分析造成很大的影響，所以本文根據(jù)回波數(shù)據(jù)所展示的三維圖，引入了一種空間域?yàn)V波方法，均值濾波器。均值濾波器的基本原理是把圖像中一點(diǎn)的值用包含該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的均值代替。這種濾波可以用來減弱實(shí)際采樣數(shù)據(jù)中的各種干擾。

這個(gè)鄰域一般被稱為窗口，是一個(gè)滑動(dòng)的二維窗口，在應(yīng)用窗口時(shí)其尺寸一般從小逐漸增大，直到達(dá)到要求的濾波效果。均值濾波器對(duì)異常值敏感度較低，因此它可以在不減小圖像對(duì)比度的情況下減小異常值的影響。

2 Kohonen網(wǎng)絡(luò)和均值濾波器結(jié)合設(shè)計(jì)

本文用均值濾波器和自組織競爭神經(jīng)網(wǎng)絡(luò)結(jié)合設(shè)計(jì)了一種雷達(dá)回波信號(hào)提取的方法，在進(jìn)行均值濾波前需要先把數(shù)據(jù)由原來的矩陣形式轉(zhuǎn)化為一維的形式。主要步驟如下：

（1）數(shù)據(jù)預(yù)處理。將數(shù)據(jù)中的實(shí)部虛部轉(zhuǎn)化為模的形式。

（2）均值濾波。將上述數(shù)據(jù)用均值濾波器進(jìn)行濾波。

（3）將（2）中濾波后的模矩陣首尾相連排成一維的矩陣，把對(duì)應(yīng)的實(shí)部虛部同樣的分別排成一維矩陣。將這三個(gè)一維矩陣合并為一個(gè)三行或者三列的矩陣，并做歸一化處理。

（4）Kohonen自組織映射網(wǎng)絡(luò)分類。把處理好的矩陣通過自組織競爭神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，選出其中平均值最高的一組作為目標(biāo)值（大目標(biāo)識(shí)別）。

（5）結(jié)果分析。把選出的分類結(jié)果數(shù)據(jù)還原成矩陣形式，只選用模的矩陣。對(duì)比原始數(shù)據(jù)中目標(biāo)信號(hào)元素個(gè)數(shù)S，找出準(zhǔn)確覆蓋元素個(gè)數(shù)Y和無效的元素個(gè)數(shù)N。定義有效信息率？琢和冗余信息率？茁函數(shù)：

（6）實(shí)驗(yàn)操作。首先，采用一組仿真數(shù)據(jù)進(jìn)行無濾波的Kohonen網(wǎng)絡(luò)分類；下一步，按上述方法進(jìn)行一次濾波后的Kohonen網(wǎng)絡(luò)分類，查看？琢和？茁的結(jié)果是否有較大的提升。根據(jù)結(jié)果表現(xiàn)的理想程度決定是否進(jìn)行實(shí)際數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證。

3 仿真實(shí)驗(yàn)

模擬雷達(dá)實(shí)際數(shù)據(jù)的實(shí)部與虛部的模矩陣作為三維圖的高度，三維圖的另外兩維均使用單位坐標(biāo)系（實(shí)際信號(hào)和此方法一致）。隨機(jī)生成一個(gè)111*111的矩陣作為草坪信號(hào)的模，人為添加四個(gè)較大的目標(biāo)作為車輛信號(hào)的模。按照流程設(shè)計(jì)，首先用單一的Kohonen網(wǎng)絡(luò)進(jìn)行分類，篩選出其中模最大的一組數(shù)據(jù)圖像，其中包含人工輸入的目標(biāo)信號(hào)。

下一步，在進(jìn)行自組織神經(jīng)網(wǎng)絡(luò)信號(hào)提取之前加入均值濾波器進(jìn)行濾波，再進(jìn)行Kohonen網(wǎng)絡(luò)分類，同樣選用其中模最大的一組數(shù)據(jù)。這兩次運(yùn)行可以得出表1所示結(jié)果。

表1 仿真實(shí)驗(yàn)濾波前后的分類結(jié)果對(duì)比

從表1中可以看出，濾波后的有效信息率比濾波前高了約4倍，冗余信息率減少約50%，經(jīng)過均值濾波的分類結(jié)果明顯比單一的自組織分類結(jié)果顯示出的目標(biāo)更明確，噪聲顯然減少。

以上結(jié)果非常理想，考慮到仿真實(shí)驗(yàn)的人為性因素，下面用實(shí)地采錄的兩組數(shù)據(jù)來驗(yàn)證方法的可行性。

4 三維回波實(shí)際信號(hào)提取驗(yàn)證實(shí)驗(yàn)

采用兩組實(shí)際數(shù)據(jù)測試。第一組數(shù)據(jù)目標(biāo)為四個(gè)實(shí)驗(yàn)人員，雷達(dá)回波信號(hào)數(shù)據(jù)為111*121的虛數(shù)矩陣；第二組數(shù)據(jù)將四個(gè)實(shí)驗(yàn)人員去掉，目標(biāo)為車輛，雷達(dá)回波信號(hào)數(shù)據(jù)為96*121的虛數(shù)矩陣。

按照流程設(shè)計(jì)，首先進(jìn)行單一的自組織競爭神經(jīng)網(wǎng)絡(luò)分類，其分類結(jié)果可以看出，單一的進(jìn)行Kohonen網(wǎng)絡(luò)分類所選出的結(jié)果已經(jīng)把大部分的非目標(biāo)除去，剩下的圖像中明顯還含有小部分噪聲，會(huì)對(duì)識(shí)別結(jié)果造成一定的干擾。

下一步，進(jìn)行濾波后的Kohonen神經(jīng)網(wǎng)絡(luò)分類。結(jié)合第一次的運(yùn)行結(jié)果和原始圖像做對(duì)比，第二次的運(yùn)行結(jié)果更為精簡和明確，圖像中基本不存在小型的信號(hào)凸起干擾。

根據(jù)之前定義的？琢和？茁來對(duì)圖像的數(shù)據(jù)進(jìn)行分析，結(jié)果如表2所示。數(shù)據(jù)和圖像均顯示這兩次試驗(yàn)中，經(jīng)過濾波處理的數(shù)據(jù)均比未出理過的數(shù)據(jù)所分類呈現(xiàn)出來的結(jié)果更精準(zhǔn)，基本把噪聲全部去掉，該方法具有很穩(wěn)定的適用性和很好的提取效果。

表2 兩組實(shí)際數(shù)據(jù)濾波前后的分類結(jié)果對(duì)比

5 結(jié)論

本文將均值濾波與神經(jīng)網(wǎng)絡(luò)相結(jié)合用于雷達(dá)三維回波信號(hào)的特征抽取，充分發(fā)揮了這兩種方法的優(yōu)勢，通過仿真實(shí)驗(yàn)和對(duì)實(shí)測數(shù)據(jù)的提取，證明該方法是切實(shí)可行的。通過該方法所抽取的特征有效率信息率提高約3到4倍，冗余信息率減小約1倍，且具有良好的穩(wěn)定性和很高的分類精度，其性能較傳統(tǒng)的自組織神經(jīng)網(wǎng)絡(luò)分類器有很大提升。

【參考文獻(xiàn)】

[1]孟祥青.雷達(dá)目標(biāo)回波信號(hào)特性分析及仿真[D].河海大學(xué)，2007.

[2]劉煥乾，胡燕，劉寶豐.基于Matlab實(shí)現(xiàn)的雷達(dá)回波三維顯示[C]//中國氣象學(xué)會(huì)大氣探測與儀器委員會(huì)、中國氣象學(xué)會(huì)雷達(dá)氣象學(xué)委員會(huì)、中國氣象局氣象探測中心.第26屆中國氣象學(xué)會(huì)年會(huì)第三屆氣象綜合探測技術(shù)研討會(huì)分會(huì)場論文集.中國氣象學(xué)會(huì)大氣探測與儀器委員會(huì)、中國氣象學(xué)會(huì)雷達(dá)氣象學(xué)委員會(huì)、中國氣象局氣象探測中心，2009：5.

[3]查品德.毫米波雷達(dá)回波去噪與特征提取研究[D].哈爾濱工程大學(xué)，2005.

[4]劉璇.基于無源雷達(dá)的動(dòng)目標(biāo)回波仿真與定位研究[D].大連理工大學(xué)，2013.

[5]羅亮，李國璋，楊權(quán)，賈志杰，滕飛.SOM-BP神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用研究[J].車用發(fā)動(dòng)機(jī)，2008，02：72-75.

[6]蘇純，胡紅萍，劉輝，王曉燕，王建中，白艷萍.基于Kohonen網(wǎng)絡(luò)的激光超聲缺陷探測研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，23：185-190.

[責(zé)任編輯：王楠]