無源雷達目標識別的神經網絡模型構建

(1.空軍預警學院空天預警系， 湖北武漢 430019； 2.空軍預警學院教研保障中心， 湖北武漢 430019)

0 引言

無源雷達作為一種新型預警探測裝備，自身不發射信號，具有抗電子干擾、目標識別能力強等特性，可與有源雷達一體化運用來提高雷達網整體性能，是未來信息戰條件下預警探測體系的重要構成力量。當前，該類裝備對目標識別主要依靠與數據庫對比分析，不僅識別效率低，而且無法確保裝備實際作戰時能夠準確有效地識別目標，成為備受關注的熱點和難點問題。因此，開展無源雷達目標識別模型研究，加緊推動無源雷達目標識別相關研究，對于促進該類裝備戰斗力生成具有重要軍事意義。

目前，針對雷達目標識別及智能識別方法等方面已開展了大量研究，形成了比較系統和完整的雷達目標識別理論方法體系，其中，基于神經網絡的目標識別是目前研究的熱點之一，但無源雷達目標識別的研究并不多見。文獻[1]給出了一個BP神經網絡在無源雷達目標識別中的應用思路，并進行了仿真驗證；文獻[2]建立了利用徑向基函數(RBF)神經網絡逼近非線性的空中目標識別模型；文獻[3]對智能算法在空中目標識別中的應用進行了理論探討；文獻[4]對神經網絡的技術現狀和發展進行了總結和梳理。以上這些研究為本文的研究提供了很好的參考和借鑒。

以下圍繞無源雷達目標識別效率提升等問題，對無源雷達目標識別問題和神經網絡原理進行梳理分析，構建目標識別總體流程和神經網絡目標識別模型，并給出模型運用的關鍵問題及解決思路，為無源雷達智能目標識別提供方法途徑。

1 無源雷達目標識別

目標識別是現代防空作戰的熱點研究內容。無源雷達目標識別就是通過偵收敵方雷達信號，對探測到的信號進行分析和處理，獲得目標雷達等輻射源的相關參數，完成輻射源和載機類型等的識別。現代新體制雷達往往采用調制復雜、參數多變的信號形式，如頻率捷變、相位編碼等方式，甚至采用誘餌欺騙等戰術，導致戰場空間電磁信號密集復雜，頻譜范圍十分寬，目標識別面臨前所未有的挑戰。

未來戰場無源雷達將是有源雷達的重要補充，提升預警探測網的作戰效能和生存能力，目標識別是其重要作戰任務。無源雷達目標識別的主要目的包括：1)支持無源雷達情報分析。目標識別可對偵收信號進行脈內和脈間特征分析，獲取信號時頻域特性，并通過與電子情報數據庫進行對比、分析和推理，支撐無源雷達情報分析的重要內容。2)協同有源雷達進行空中目標判性。無源雷達有強大數據庫技術作支撐，具有較強的目標識別和屬性判斷能力，綜合運用有源、無源探測信息，可以有效降低虛警率，增強預警探測網對空中目標識別判性的可信度。3)輔助指揮員制定反干擾決策。無源雷達可精確測定干擾源一次信號的干擾頻率、脈沖寬度、重復周期、頻帶寬度等信息，進而輔助指揮員準確判定干擾類型、干擾頻段及主要干擾方向等，為指揮員定下反干擾決策提供依據。

目前，無源雷達目標識別的主要問題包括：1)掌握目標航跡受限于目標輻射源。由于目標機載雷達具有很強的方向性，在飛機轉彎、高度變化大、超低空和背站飛行時，很難發現目標，特別是目標實施無線電靜默時，就無法捕捉目標信號。2)無法判定目標架數和準確解算高度。當跟蹤一批多架目標時，若只有一架目標發射電磁信號，無源雷達只能判斷為一批一架，無法準確判定其架數，而且無法提供準確的目標高度信息。3)當參數相近時，無法準確識別。例如，臺軍改進型IDF戰機與F-16戰機火控雷達重復頻率相近，無源雷達易發生錯判、誤判，影響指揮協同效果。4)分析數據庫不夠完善。由于無源雷達情報數據庫的數據累積需要一個過程，目前只能對部分戰機型號進行識別、判斷。總的來說，目前無源雷達存在目標識別率低、容錯性不足等問題，不能滿足高時效性要求的指揮決策需要，以神經網絡為代表的智能目標識別是未來的發展方向。

2 神經網絡原理

2.1 神經元基本原理

人工神經元是神經網絡的基本元素，其原理如圖1所示。

圖1 人工神經元示意圖

圖中，x1～xn表示從其他神經元傳來的輸入信號，wij表示從神經元j到神經元i的連接權值，θ表示一個閾值，或稱為偏置。

神經元i的輸入與輸出關系表示為

neti=xw

(1)

yi=f(neti)=f(xw)

(2)

式中，x表示輸入向量，用w表示權重向量，yi表示神經元i的輸出，函數f稱為激活函數或轉移函數，neti稱為凈激活。

若神經元的凈激活net為正，稱該神經元處于激活狀態或興奮狀態，否則，則稱神經元處于抑制狀態。

2.2 常用神經網絡結構

神經網絡是由大量的神經元互聯而構成的網絡，根據互聯方式的不同，神經網絡結構可以分為如下3類[4]：

1) 前饋神經網絡

也稱前向網絡。這種網絡只在訓練過程會有反饋信號，在分類過程中數據只能向前傳送，直到到達輸出層，層間沒有向后的反饋信號。BP神經網絡屬于前饋網絡，廣泛應用于模式識別、分類等領域。BP神經網絡或其變化形式占目前神經網絡應用中的80%～90%，是前饋網絡的核心部分，體現了人工神經網絡最精華的部分。

2) 反饋神經網絡

反饋神經網絡是一種從輸出到輸入具有反饋連接的神經網絡，其結構比前饋網絡要復雜得多。典型的反饋型神經網絡包括Elman網絡和Hopfield網絡。Elman網絡是一種典型的局部反饋神經網絡，可以看作是前向BP神經網絡的改進形式。Hopfield網絡是一種遞歸神經網絡，結合存儲系統和二元系統，保證了向局部極小的收斂，但也存在收斂到錯誤的局部極小值的可能。

3) 自組織網絡

自組織網絡是通過自動尋找樣本中的內在規律和本質屬性，自組織、自適應地改變網絡參數與結構，是具有自學習功能的神經網絡。典型例子為多層感知機。這種網絡中，輸出節點與其領域其他節點廣泛相連，并通過某種規則，不斷調整輸入節點和輸出節點之間連接強度，使得在穩定時，每一領域的所有節點對某種輸入具有類似輸出。

2.3 常用激活函數和學習算法

激活函數和學習算法的選取是構建神經網絡的重要內容。其中，激活函數包含線性激活函數和非線性激活函數。BP神經網絡通常采用非線性激活函數。常用的非線性激活函數如下：

S形函數為

(3)

雙極S形函數為

(4)

兩者的主要區別在于函數的值域，雙極S形函數為(-1,1)，而S形函數為(0,1)。

學習算法是用來調整神經元間的連接權，使得網絡輸出更符合實際。學習算法分為有導師學習與無導師學習兩類[4]。BP網絡一般采用有導師學習算法。

無導師學習抽取樣本集合中蘊含的統計特性，并以神經元之間的連接權的形式存于網絡中。Hebb學習律是一種經典的無導師學習算法，其核心思想是：當兩個神經元同時處于激發狀態時兩者間的連接權會被加強，否則被減弱。

有導師學習算法將一組訓練集送入網絡，根據網絡的實際輸出與期望輸出間的差別來調整連接權。Delta學習規則是一種簡單的有導師學習算法。該算法根據神經元的實際輸出與期望輸出差別來調整連接權，調整幅度計算的數學表示為

wij(t+1)=wij(t)+a(di-yi)xj(t)

(5)

式中，xj表示神經元j狀態，若神經元j處于激活狀態則xj為1，若處于抑制狀態則xj為0或-1，a表示學習速度常數。

3 神經網絡目標識別模型構建

3.1 無源雷達目標識別總體流程

基于神經網絡的無源雷達目標識別總體工作流程如圖2所示。

圖2 無源雷達目標識別總體工作流程

基于神經網絡進行無源雷達目標識別時，首先要提取目標特征參數，進而完善目標特征數據庫，并提取數據庫中典型數據進行樣本學習，實現對神經網絡參數和結構的優化配置。如果神經網絡滿足了學習訓練的中止條件，則認為得到成熟的神經網絡模型，運用該模型，并將空情數據作為測試樣本，就可以實現無源雷達目標識別，并輸出識別結果。

3.2 神經網絡目標識別模型構建

3.2.1 網絡結構和函數選取

無源雷達目標識別可采用典型的前饋神經網絡BP網絡。本文采用經典的3層BP網絡，即輸入層、輸出層和隱含層，如圖3所示。

激活函數的選取上，從輸入層到隱含層以及從隱含層到輸出層均選擇S形函數，可以實現從輸入到輸出的任意非線性映射。學習函數選擇梯度下降自適應學習率訓練函數[9]。訓練參數包括學習速率、期望誤差最小值、最大循環次數和顯示中間結果周期[2]。Matlab神經網絡工具箱中有相應函數。

圖3 無源雷達目標識別BP神經網絡

3.2.2 目標特征參數及歸一化

目標特征參數選取原則上應當盡可能典型和完備。本文側重于模型方法的驗證，選取載頻、重頻和脈寬三個典型特征來表征空中目標，作為目標識別的特征參數[5-7]。由于不同輻射信號特征通常有不同量綱，需要對特征參數進行歸一化，將數據映射到(0，1)區間。無源雷達目標識別模型采用對數歸一化法。對數歸一化算法為[2]

(6)

式中，C=lnγ，γ為滿足αγ≥1的常數。對數中的常數γ是為保證小數據取對數后為正值。

3.2.3 網絡節點確定及模式定義

3層BP神經網絡的節點包括：輸入層節點、輸出層節點和隱含層節點。

1) 輸入層節點數確定

在目標識別應用中，神經網絡輸入是未知信號特征向量，輸入層節點數對應目標特征參數的數量，因此，無源雷達目標識別模型輸入節點數對以上特征參數數量，即為3。

2) 隱含層節點數確定

隱含層節點的作用是從樣本中提取并存儲內在規律。隱含單元數目的選擇是一個相對較復雜的問題，它與輸入輸出單元的多少有直接的關系，太多太少都可能影響網絡的性能。本文提出的無源雷達目標識別神經模型，屬于支持模式分類的BP網絡，隱含層節點數確定可以參照以下經驗公式[8]：

(7)

式中，N為隱含層節點數,ni為輸入節點數,n0為輸出節點數,a為1～10之間的常數。

利用上式進行多次實驗，實驗結果如表1所示，選取實際均方誤差最小時的N作為隱含層數目。

表1 隱含層節點數對應誤差

計算結果表明，當隱含層數為8時，系統的均方誤差最小。因此，確定無源雷達目標識別模型的隱含層數目為8。

3) 輸出層節點數確定

輸出層節點的數量取決于空中目標類型的數量。無源雷達作戰對象可以分為戰斗機、預警機、偵察機和干擾機。進行無源雷達的目標類型識別時，輸出層節點個數由目標所需分的類型數決定。具體的數學換算方法為：若設待分類模式的總數為m，則輸出層的節點數為log2m[1-2]，因此，無源雷達目標識別的BP模型的輸出節點數確定為2。

4) 目標模式的定義

由于模型選擇S型激活函數，其對應的輸出結果限制在0到1之間，因此，分別用(0.2,0.2)，(0.4,0.4)，(0.6,0.6)，(0.8,0.8)表示戰斗機、預警機、偵察機和干擾機[10-11]，如表2所示。

表2 目標類型及模式定義表

3.3 神經網絡目標識別模型運用

3.3.1 基于目標數據庫的樣本訓練

樣本訓練的目的是得到成熟的神經網絡模型。無源雷達目標識別的樣本訓練是從目標數據庫提取樣本數據，通過神經網絡模型的樣本學習，不斷調整網絡權值，使得輸出的期望誤差滿足要求，或者達到設定的訓練次數，則完成網絡訓練，輸出相對成熟的網絡模型，用于樣本測試。網絡訓練工作流程如圖4所示。

圖4 無源雷達目標識別神經網絡訓練過程

3.3.2 樣本測試與目標識別

樣本測試的目的是檢驗神經網絡模型的性能，檢測通過的神經網絡模型就可用于無源雷達目標識別。神經網絡的性能好壞主要看其是否具有很好的泛化能力，對泛化能力的測試應該用訓練數據之外的驗證集，這里可以用空情數據。空情數據和部分數據庫數據構成測試樣本。來自數據庫的樣本用于模型測試，而空情數據則用于目標識別。通過樣本測試得到的神經網絡輸出數據，或者說仿真結果數據，與定義的目標類型進行模式匹配，匹配的結果就是目標識別結果。目標工作流程如圖5所示。

圖5 樣本測試及目標識別過程示意圖

4 仿真示例

基于Matlab GUI和神經網絡工具箱，設計了BP神經網絡仿真實驗平臺，如圖6所示。

圖6 無源雷達BP神經網絡仿真實驗平臺主界面

實驗參數配置包括網絡結果參數配置和網絡訓練參數配置。依據以上所述的無源雷達神經網絡模型的構建及相關設計，仿真實驗參數配置如下：

1) 網絡結構參數配置

無源雷達神經網絡目標識別模型，其隱含層神經元個數為8，傳遞函數設置為S形函數(logsig)，學習函數設置為梯度下降自適應學習率訓練函數(traingdx)。

實驗參數配置如表3所示。

表3 神經網絡結構參數配置

2) 網絡訓練參數配置

無源雷達目標識別的訓練參數配置方案如表4所示。

表4 神經網絡訓練參數配置

取無源雷達的32組空中目標數據，4類目標每類8組信號，利用對數歸一化法，對特征參數進行歸一化，結果如表5所示。

將以上參數作為平臺外部導入數據，用于開展仿真實驗。同時，為了驗證BP神經網絡目標識別模型的容錯性，另外設計一組擾動后的樣本數據，用于開展無源雷達目標識別擾動實驗。

表5 特征參數的歸一化結果

在無源雷達目標識別時，將空情數據加入到測試樣本中，則輸出的仿真結果就是無源雷達的目標識別結果。仿真完成后平臺輸出結果，并繪制10個樣本的測試誤差折線圖，如圖7所示。

圖7 測試誤差表現圖

樣本測試對一組樣本數據進行了網絡預測，輸出一組結果數據，如表6所示。

為了檢驗模型的數據容錯能力，對于測試集數據進行一定程度的擾動，基于擾動后的數據開展容錯性檢驗實驗。擾動的位置是最后一個樣本。通過網絡訓練和仿真測試，輸出仿真數據。最后一個樣本的仿真結果為(0.523 1，0.448 0)，匹配模式為(0.4，0.4)，識別結果為預警機，與以上識別結果是完全一致的。

表6 測試集目標識別結果

根據仿真結果分析，本文設計的神經網絡目標識別模型具有較好的自學習能力以及較強的容錯能力，將部分樣本數據改動后仍具有較強的穩定性。如果提取更多的目標信號數據，擴充實驗樣本的數量，識別效果會更好。

5 結束語

目標識別是無源雷達的重要作戰任務之一。現代信息戰場作戰態勢瞬息萬變，傳統的數據庫比對識別方法存在識別率低、容錯性不足等問題，已經遠遠不能滿足對高時效性的作戰指揮要求。本文針對無源雷達的智能目標識別問題，構建了一個BP神經網絡目標識別模型，具有識別效率高、識別容錯能力強的特點，可有效克服傳統識別方法的不足，可用于支持無源雷達作戰性能提升。

本文的模型主要是針對目標的類型識別，通過重新定義識別對象的模式表示方式，這種方法可以推廣到對目標的機型識別，可見，該模型方法在無源雷達目標識別中具有很好的推廣應用價值。下一步的主要工作包括：無源雷達目標識別的特征選取和優化；無源雷達智能目標識別算法庫建設；無源雷達智能模型識別決策工具設計。