基于RCS統計特征的船舶目標識別方法

紀永強，劉 通，徐高正，石宇豪，張玉萍，楊金鴻

(中國船舶工業系統工程研究院，北京 100190)

0 引 言

無論是軍用還是民用方面，船舶目標識別都有極其重要的應用背景。雷達是船舶目標探測的重要手段之一，雷達目標識別是在雷達對目標定位基礎上，根據目標的雷達回波信號，提取目標特征，實現船舶目標屬性、類型的判定[1]。船舶目標特征隱藏于雷達回波中，通過對雷達回波的幅度和相位的處理、分析和變換，可得到雷達散射面積（RCS）及其統計特征、極化散射矩陣、散射中心分布等反映目標固定特性的參數[2]。

船舶RCS與目標的形狀、尺寸、材料的電磁參數，入射波的頻率和波形，入射波和接收天線的極化形式以及目標相對入射和散射方向的姿態角有關。所以，RCS測量數據起伏劇烈。如何從目標RCS測量數據中發現目標雷達起伏分布規律并提取目標特征值，這對雷達有效探測、識別目標非常重要。本文在對起伏劇烈的RCS測量數據進行野值剔除和平滑簡化處理基礎上，對RCS測量數據進行統計特征描述，并基于BP神經網絡實現對不同工況船舶目標識別。

1 船舶 RCS 統計特征分析

受海上電磁環境及雷達船舶目標復雜結構形狀等因素的影響，船舶目標RCS具有一定程度的隨機性，需要采取特定方法提取RCS參量的特征信息。目前經常使用的船舶目標RCS統計數字模型參數包括最值、均值、極差、標準差、偏度系數、峰度系數等。均值主要用于描述目標RCS的平均大小，極差、標準差用于表示目標RCS的離散程度，偏度系數、峰度系數表征了船舶目標RCS分布特點。同時，為了避免RCS劇烈變化造成誤導，還采取一些數據處理技術簡化數據，如概率密度分布（PDF）、累計概率分布（CDF）和百分概率值等[3]。

1.1 位置特征參數（均值、方差和極差）

均值：

標準差：

極差：

1.2 分布特征參數（偏度系數、峰度系數）

偏度系數：

峰度系數：

1.3 分布分析（概率密度函數、累計分布函數）

在RCS統計特征提取時，除了分析RCS統計特征參數時，還需將船舶目標RCS的所有數據統一考慮，通過繪制概率密度函數（PDF）和累計分布函數（CDF）等分析RCS參數的幅值分布信息。

對于離散的RCS測量數據，按如下方法計算：設船舶目標的RCS最大值和最小值分別為和，將在第值段中，RCS出現的次數即為，從第1個值段到第個值段（包括第個值段）中RCS數據累計出現的次數記為，全扇區內RCS數據個數的總和記為，離散數據的概率密度函數如式（7）所示。

累積分布函數定義為雷達散射截面低于或等于某個σ值的概率，它是由概率密度函數曲線積分而得，如式（8）所示。

對于離散的RCS測量數據，采取類似概率密度函數的計算方法，累計概率函數如式（9）計算求得。

1.4 百分概率值分布（10%概率值，50%概率值和90%概率值）

百分概率值為累計概率值CDF達到一定概率值的對應的RCS幅度值。一般采用累計概率值為10%、50%和90%的RCS值作為統計分析參數。

百分概率值在統計分析中有時也常用10%和90%慨率的RCS值，分別記作和，分別如式（12）和式（13）所示。

采用式（11）類似方法，可求得離散參數下達到10%和90%概率值的艦船RCS值。

2 基于 BP 神經網絡的船舶目標識別方法

2.1 BP神經網絡

BP網絡是一種根據誤差值反向傳遞，運用逆傳播算法來對神經網絡進行訓練的多層前饋型網絡。這種網絡模型有一個最大的有點，就是它不需要事先知道相關的映射函數方程，就能學習和處理信息。這種網絡模型主要是基于最速下降法的原理，利用反向信息傳播來對網絡中的突觸權重和閾值進行自行調整，最終使所得誤差的平方和最小。

BP網絡可分為正向信息傳遞和誤差值反向傳遞傳遞2部分。具體過程如圖1所示。外界信息傳遞給輸入層，而后輸入層將外界信息傳遞給中間隱含層，這些信息在各隱含層經過處理后，最終傳遞給輸出層，輸出層則將這個結果輸出。

圖1 三層 BP 神經網絡示意圖Fig.1 Diagram of BP Neural Networks with three layers

這時若輸出結果與期望不服時，會在輸出層根據兩者的誤差調整突觸權重，接著則按照輸出層——隱含層——輸入層的方向反向一層一層的傳遞回去，如此反復來回傳遞，不斷調整神經網絡，直至誤差達到精度要求，或者達到設定的迭代次數[4,5]。

2.2 基于BP神經網絡的船舶目標識別

利用RCS統計特征進行BP神經網絡的船舶目標識別方法主要包括特征提取和分類判決2個環節，特征提取采用本文第2部分的統計特征提取方法，分類識別利用BP神經網絡方法。樣本數據經預處理、特征提取及變換后經樣本學習得到目標特征知識庫；測量數據經特征提取及變換后基于目標特征知識庫經BP神經網絡完成船舶目標識別，如圖2所示。

圖2 基于RCS統計特征的船舶目標識別框圖Fig.2 The diagram of ship target identification based on statistical characteristics from RCS

3 數據分析驗證

這里以某船在跟蹤雷達為10 GHz工作頻率下，距離雷達4.5 km時在360°方向的RCS數據，如圖3所示。

圖3 某船的 RCS 數據Fig.3 The RCS data of a ship

為驗證本文RCS參數統計特征在船舶目標識別的有效性。這里根據測量獲取的艦艇不同工況下360°方向的100組RCS參數為基礎，進行統計特征提取及基于特征的識別。其中，工況1～工況6對應的船舶目標與雷達距離及雷達的工作參數如表1所示。

表1 不同工況下對應的不同工作狀態Tab.1 Different working conditons corresponding to the different working conditions

本文采用Ploak-Ribiere共軛梯度法對不同工況下的船舶RCS參數進行BP神經網絡進行訓練。將不同工況下船舶在360°方向的每組RCS參數分為2組樣本，前50組作為訓練樣本，后50組參數作為測試樣本。表2為工況1～工況6的不同樣本個數下的識別概率。

由上述結果可知，基于BP神經網絡對船舶RCS參數統計特征分析，可得到識別率為90%以上的識別效果，甚至可以完全識別。總體而言，對于多數工況，當樣本數目增大時，其識別率也有所提升。

4 結 語

船舶目標RCS包含了豐富的目標特征信息，但由于船舶目標結構、形狀復雜，電磁散射機理復雜及雷達探測角度及所在海域電磁環境等因素的影響，船舶的RCS呈現明顯的起伏變化特性。本文提取了船舶目標RCS參量的多個統計特征數據，最后基于統計數據利用BP神經網絡識別船舶目標。實測數據表明，該方法提取了船舶目標RCS參數的有效統計特征，取得了較好的識別分類效果，可實現對若干工況下不同類型船舶的精準識別。

表2 不同工況下不同樣本數下的識別概率統計表Tab.2 Statistial table of recognition probability under different conditions