基于神經網絡的認知雷達目標優先級綜合評價方法

馮偉業 廖可非 歐陽繕 牛耀

摘? 要： 為了解決認知雷達資源自適應調度中評價指標和評價方法單一而導致主、客觀評價不一致的問題，根據空中目標威脅度以及目標圖像質量，提出一種基于神經網絡的認知雷達目標優先級綜合評價方法，為認知雷達資源調度系統提供準確的調度依據。該方法首先建立目標的威脅度和成像質量的評價指標體系，然后采用BP神經網絡和自組織特征映射（SOFM）神經網絡對目標的優先級進行綜合評價。仿真結果表明，該方法能夠對多個目標的優先級進行客觀、準確的評價。

關鍵詞： 優先級綜合評價; 認知雷達目標; 資源調度系統; 評價模型建立; 評價方法; 目標成像圖分析

中圖分類號： TN956?34? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）09?0062?05

A cognitive radar target priority comprehensive evaluation method

based on neural network

FENG Weiye， LIAO Kefei， OUYANG Shan， NIU Yao

（School of Information and Communication， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： In order to solve the problems of inconsistent subjective and objective evaluation due to single evaluation index and evaluation method in the adaptive scheduling of cognitive radar resource， a cognitive radar target priority comprehensive evaluation method based on neural networks is proposed according to threat degree and image quality of aerial targets， which provides accurate scheduling basis for the cognitive radar resource scheduling system. In this method， an evaluation index system of target threat degree and imaging quality is established firstly， and then the target priority is comprehensively evaluated with BP （Back Propagation） neural network and SOFM （Self Organizing Feature Map） neural network. The simulation results show that the priority sequence of multiple targets can be objectively and accurately evaluated with this method.

Keywords： priority comprehensive evaluation; cognitive radar target; resource scheduling system; evaluation model establishment; evaluation method; target image analysis

0? 引? 言

近年來，隨著世界各國航空航天活動的日益頻繁，空間活動規模不斷擴大，使得提高空間目標的探測與識別能力具有越來越重要的意義。但現有雷達成像技術對目標的自適應能力不強，發射波形、調制參數、工作頻譜等往往不能隨目標特征的變化而變化，尚不具備對不同性質目標的自適應調整能力，同時，對空間多目標的成像難以高效地利用雷達資源。而認知雷達技術因為能夠解決對目標自適應能力不強的問題，已經成為當前雷達技術領域的一個研究熱點[1?6]。在認知雷達理論體系中，將神經網絡與目標特征信息相結合，可提升雷達對目標的成像能力。在對多目標成像時，可以根據不同目標特征及初步成像結果，形成對目標優先級的綜合評價，根據優先級對有限的雷達資源進行合理分配，以實現對多目標的高效成像，從而實現雷達整體性能的優化。

但傳統的優先級評價方法——層次分析法（Analytic Hierarchy Process，AHP）根據專家的知識經驗而定，具有主觀性;而采用數據聚類的評價方法往往忽略數據本身所具有的重要屬性[7?8]，同時，在評價指標方面并未很好地將雷達圖像質量和威脅度結合起來[9]。因此，本文提出基于神經網絡的認知雷達目標優先級綜合評價方法，使雷達圖像質量指標與目標威脅度指標相結合，并將反向傳播（Back Propagation，BP）和自組織特征映射（Self Organizing Feature Map，SOFM）神經網絡應用于優先級評價。該評價體系能夠借助神經網絡的自我學習能力將專家的經驗自動存儲到權矩陣中，實現指標權重、優先級的動態評價，為雷達資源自適應調度提供準確的調度依據。

1? 目標優先級綜合評價模型的建立

本節是整體評價模型的概述，所設計的認知雷達評價系統主要包括目標威脅度評價和圖像質量評價。其中，圖像質量評價又作為目標優先級綜合評價的子指標，二者共同反饋給認知雷達資源調度體系。該評價系統首先通過多功能雷達獲取飛行目標的威脅度參數以及雷達粗分辨成像圖，并采用BP神經網絡對圖像質量的權值作初步評價，再將圖像質量和威脅度等優先級參數輸入SOFM神經網絡中進行聚類分析，完成目標優先級的最終評價。然后將評價結果反饋給認知雷達資源調度體系，為雷達資源自適應調度提供準確的調度依據。認知雷達目標優先級綜合評價系統結構如圖1所示。

2? 目標優先級評價指標的建立

2.1? 目標威脅度評價指標的建立

空中目標的威脅度是指敵方空襲目標對我方保衛目標破壞的可能性以及破壞程度，結合雷達資源成像的需求和空襲兵器的特點，本文選取目標速度、目標距離、航路捷徑、成像窗口為威脅度指標。

2.1.1? 目標速度

空中目標的飛行速度是衡量目標優先級重要度指標之一，通常目標的飛行速度越快，目標的威脅程度也就越大，對其成像的優先級就越高。目標速度的隸屬函數為：

[η（v）=1-e-α1?v，? ? v>0]? （1）

式中[α1=0.005]，該參數可根據實際的空戰環境調整。

2.1.2? 目標距離

目標距離的遠近在一定程度上反映了目標威脅度，通常目標的距離越近，威脅度就越大，成像優先級就越高。目標距離的隸屬函數為：

[η（r）=1，? ? ?0≤r≤a1 e-k1（r-a1）2，? ? a1≤r≤2 000;k1>0]? （2）

式中：[k1=10-5]，[a1=500] km，該參數可根據實際的空戰環境調整。

2.1.3? 航路捷徑

航路捷徑是指空中飛行目標到成像雷達的飛行軌跡在水平面上投影的最短距離。飛行目標的航路捷徑越大，威脅度越低，當飛行目標的航路捷徑等于零時，目標的威脅度最大。目標航路捷徑的隸屬函數為：

[η（p）=e-k2?p2，? ? -200≤p≤200] （3）

式中，[k2=5×10-4]，該參數可根據實際的空戰環境調整。

2.1.4? 成像窗口

成像窗口作為目標優先級評價的參數之一，主要是評價對目標成像任務的緊迫性。成像窗口時間越短，優先級應當越高。目標成像窗口時間的隸屬函數為：[η（t）=1，? ? t≤a211+α2（t-a2）β，? ? a20，β>0] （4）

式中：[α2=0.1，β=1，a2=5]，該參數可根據實際的空戰環境調整。

2.2? 目標成像質量評價模型的建立

電磁環境和戰場環境復雜多變，一般很難獲得理想的雷達成像圖，同時，也缺乏很好的雷達成像圖作為參考進行評判。因此，在對空中目標粗分辨成像圖評價時，采用無參考的圖像評價方法對雷達圖像質量進行評價。本文選取標準差、平均梯度、圖像熵、無參考結構清晰度4個圖像參數為雷達圖像質量提供評價依據[10?13]。

2.2.1? 標準差

標準差是指圖像像素灰度值相對于均值的離散程度。標準差越大，表明圖像中灰度級越分散，圖像質量也就越好，其計算公式為：

[σ=1M?Nn=1Nm=1M[f（m，n）-μ]2] （5）

式中：[f（m，n）]表示雷達圖像中坐標為[（m，n）]的像素灰度值;[μ]為圖像的平均灰度值。

2.2.2? 平均梯度

平均梯度能反映圖像的邊界點或影線兩側附近灰度的明顯差異，它反映了圖像微小細節反差變化的速率，可以對圖像的像素清晰度進行表征。一般地，平均梯度計算公式如下：

[G=1（M-1）（N-1）m=1Mn=1NΔI2x+ΔI2y2] （6）

式中：[ΔIx]和[ΔIy]分別為[x]與[y]方向上的灰度差分，其計算公式分別為：

[ΔIx=f（m，n）-f（m+1，n）] （7）

[ΔIy=f（m，n）-f（m，n+1）] （8）

2.2.3? 圖像熵

熵是一種基于信息論的統計量，雷達圖像熵越大，說明圖像所包含的信息量就越多，而且其聚焦性能也越好，圖像越清晰。對于一幅像素[M×N]大小的雷達圖像，圖像熵[H]定義如下：

[H=-i=0255pilnpi] （9）

式中：

[pi=m=1Mn=1NgiM?N] （10）

[gi]定義如下：

[gi=1，? ? ?f（m，n）=i0，? ? f（m，n）≠i? ] （11）

式中：[pi]表示灰度值[i]在所有灰度中出現的概率;[ f（m，n）]表示雷達圖像中坐標為[（m，n）]的像素灰度值。

2.2.4? 無參考結構清晰度

無參考結構清晰度（No?Reference Structural Sharpness，NRSS）是一種改進的結構相似度評價方法，對圖像的清晰度具有很好的評判效果，圖像的NRSS越大，清晰度越好，其計算公式如下：

[NRSS=1-1Ni=1NSSM（xi，yi），? ? ?i=1，2，…，N] （12）

式中：[xi，yi]表示待評價圖像和對應的構造圖像中梯度信息最豐富的[N]個圖像塊[14]。

3? 基于神經網絡的目標優先級評價模型

3.1? 基于BP神經網絡的圖像質量指標權重確定

對于2.1節的圖像質量指標，AHP是根據專家經驗進行權值確定，指標權值較為固定，并無法根據數據進行指標的動態調整，為了實現指標的動態評價，本文采用BP神經網絡來確定圖像質量高指標的權值。BP神經網絡是一種誤差逆向傳播算法訓練的多層前饋神經網絡，其網絡結構由輸入層、隱含層和輸出層組成。BP神經網絡可以對優先級指標間的未知關系進行系統辨識，進而實現圖像質量指標權重的確定[15]。同時，BP神經網絡可隨著數據樣本的增多，通過不斷地自我學習，進行指標權重的動態更新。

3.1.1? 構建BP神經網絡結構

為了確定圖像質量指標權重，本文建立了三層BP神經網絡結構模型，如圖2所示。由于理論上已經證明，單個隱含層的網絡可以通過適當增加神經元節點的個數實現任意非線性映射，因此，在本文中設定單個隱含層即可滿足需求。由圖2可知，輸入層包含4個節點（對應圖像質量的4個評價指標），隱含層根據神經網絡經驗公式設定10個神經元節點，輸出層只包含1個節點，輸出結果包含設定的4個評價等級之一。

3.1.2? 確定指標權重

BP神經網絡訓練完成，達到分類精度后，輸入層和隱含層之間的權重矩陣也就確定下來，輸入層和隱含層之間的權重表示每個輸入節點對圖像質量好壞的影響大小，在獲得連接權矩陣后，計算各輸入層節點到所有隱含層節點間的絕對值之和，然后進行歸一化處理，得到[m]個指標的權重，計算公式如下：

[qi=l=1kvili=1ml=1kvil，? ? ?i=1，2，…，m]? ?（13）

式中：[m]代表指標個數;[k]是隱含層神經元個數。

在確定指標權重后，將圖像質量評價的4項指標數據[（σ，G，H，NRSS）]代入下述公式，得出單個目標的圖像質量綜合評價結果[U]：

[U=q1σ+q2G+q3H+q4?NRSS] （14）

3.2? 基于SOFM的目標優先級綜合評價

對第2節確定的目標優先級評價指標體系，由于在復雜多變空間作戰環境中，很難找到多個典型的飛行目標樣本作為參考，指標體系存在樣本少、參數多的特點，無法滿足傳統神經網絡的訓練要求，因此選用了無監督的SOFM神經網絡。其網絡結構由競爭層和輸入層組成，SOFM可以將任意維度的輸入信號通過計算映射轉變為一維或者二維的離散映射，并且以自適應的方式實現這個過程[16]。SOFM神經網絡并不需要大量的數據樣本進行訓練，相比有監督學習的神經網絡，對不存在的數據樣本會有誤判的情況，SOFM會將它歸入最接近的模式類，在一定程度上避免了誤判。

3.2.1? 數據初始化

由于目標的圖像質量指標以及目標的威脅度指標具有不同的單位和量綱，因而其數值的差異很大，因此在指標確定之后，對指標數據進行標準化處理。通常的標準化處理方法有：總和標準化、標準差標準化、極大值標準化、極差標準化。在SOFM神經網絡評價模型中采用極差標準化，公式如下：

1） 正向指標（越大越好）：

[zi=yi-min1≤i≤syimax1≤i≤syi-min1≤i≤syi，? ?1≤i≤s]? （15）

2） 逆向指標（越小越好）：

[zi=max1≤i≤syi-yimax1≤i≤syi-min1≤i≤syi，? ?1≤i≤s]? ?（16）

式中[s]表示目標個數。

3.2.2? 參數設計

輸入層設計：輸入層選擇 5個神經元，對應于4個威脅度參數和1個圖像質量總評價參數。

輸出層設計：選擇恰當的聚類參數，這里的參數設置是聚類的類別個數。本文中目標優先級類別采用SOFM神經網絡進行評價時，過細的類別可能將很多飛行目標單獨化為一類，從而失去意義，而粗線條的二分類意義也并不大。輸出層采用通常認為具有最好排列方式的六邊形網格和二維神經元排列結構[16]。通過多次實驗，選擇2×2的結構可得到較好的網絡訓練結果，即將目標的優先級劃分為4個級別。

網絡參數設計：為了使SOFM神經網絡有很好的聚類評價效果，加快評價的訓練收斂速度，設置總的訓練步數為100步，這樣保證了網絡權值有很好的學習效果，同時波動較少。因為初始領域大小對識別的結果影響不大，在此設定初始化神經元領域的大小為3。距離計算公式采用鏈路距離公式函數，這樣可以保證系統能夠很快捕捉到輸入的大致特征，加快收斂。

4? 仿真實現

4.1? 圖像質量指標權值確定

利用本文確定的BP神經網絡結構對144個ISAR成像樣本進行訓練，其中，116（80%）個數據樣本作為訓練樣本，28（20%）個數據樣本作為測試樣本，訓練結果如圖3所示。在300批次時均方誤差開始收斂，在3 000批次時，均方誤差能達到0.010 818，對樣本的識別概率能達到92.857%，滿足對圖像質量等級評價的要求。

根據式（13）可求出4個圖像質量評價的歸一化權重為：[qi]=[0.221 2，0.250 4，0.271 6，0.256 8]。

在某一成像雷達資源調度系統模型中，由多個傳感器和成像雷達采集得到的10個飛行目標的逆合成孔徑雷達（Inverse Synthetic Aperture Radar， ISAR）粗分辨成像圖如圖4所示，處理得到的圖像數據如表1所示。

將圖像質量評價的4項指標數據[（σ，G，H，NRSS）]代入式（14），得出單個目標的圖像質量綜合評價結果[U]，見表2。

從圖像質量評價的參數表可以看出，以目標9，目標10為例，圖像質量較好，對應的各項參數值較高，圖像評價的數據基本與圖像是吻合的，圖像質量綜合評價結果與實際中應體現的成像質量結果一致。

4.2? 圖像優先級的綜合評價

圖像質量綜合評價結果[U]與目標威脅度參數共同構成5個評價參數，如表3所示。

代入相應的模糊度隸屬函數，經計算得到飛行目標的隸屬度值如表4所示。

將10個飛行目標優先級參數放入訓練好的SOFM網絡中，定義優先級等級為4，即聚類的類別為4，最后計算所得SOFM神經網絡訓練時間及目標優先級綜合評價結果如圖5所示。

分析數據可以看出：以目標1，6，9為例，在10個目標中，目標1，6的速度較高，距離、航路捷徑較短，威脅度較高，在成像方面，成像窗口時間較短、成像質量較差，得出的綜合優先級最高;目標9的速度較低，距離、航路捷徑較短，在成像方面，成像窗口時間較長，成像質量較好，得出的綜合優先級最低。故目標最終的優先級與飛行參數、圖像質量相一致，驗證了優先級評價模型的正確性，具有較高的可信性。此外，SOFM神經網絡相比傳統的神經網絡，聚類評價時間短（0.29 s），能夠適應多維復雜參數的評價，滿足現代空間戰爭的時效性。

由圖6可以看出，傳統的AHP方法忽略了數據之間的關聯性，當專家經驗出現誤差，主觀評價指標距離指標權重過大時，會優先按距離指標進行評價，而忽略速度、航路捷徑、成像窗口時間、成像質量對目標優先級的影響，這顯然是不符合實際情況的。相比AHP，SOFM不會出現指標誤判的情況，同時，SOFM無需專家進行指標權值評價，極大地提高了時間效率，即使數據量增大，計算效率也不會有明顯的降低。當有新的參數出現時，只需稍微修改網絡結構即可，無需再進行復雜的評判，具有很強的適應性。

5? 結? 語

針對雷達資源調度中存在較多的不確定因素，傳統的評價方法并不能根據參數的變化、數據樣本的增多進行及時調整，本文建立了基于神經網絡的認知雷達目標優先級綜合評價方法，采集并處理了ISAR圖像數據參數以及威脅度參數，提出基于BP神經網絡和SOFM神經網絡的綜合評價方法。仿真結果表明，該方法能對空中目標做出準確的評價，為ISAR圖像的評價提供新的方法和思路，進一步為認知雷達資源調度系統提供信息反饋。

參考文獻

[1] HAYKIN S. Adaptive radar： evolution to cognitive radar [C]// IEEE International Symposium on Phased Array Systems and Technology. Boston， MA： IEEE， 2003： 613?619.

[2] HAYKIN S， XUE Y， DAVIDSON T N. Optimal waveform design for cognitive radar [C]// 2008 42nd Asilomar Conference on Signals， Systems and Computers. Pacific Grove， CA： IEEE， 2008： 3?7.

[3] HAYKIN S. Cognitive radar： a way of the future [J]. IEEE signal processing magazine， 2006， 23（1）： 30?40.

[4] SMITS F， HUIZING A， ROSSUM W V， et al. A cognitive radar network： architecture and application to multiplatform radar management [C]// 2008 European Radar Conference. Amsterdam： IEEE， 2008： 312?315.

[5] BAKER C J. Intelligence and radar systems [C]// 2010 IEEE Radar Conference. Washington， DC： IEEE， 2010： 1276?1279.

[6] WICKS M. Spectrum crowding and cognitive radar [C]// 2010 2nd International Workshop on Cognitive Information Proces?sing. Elba， Italy： IEEE， 2010： 452?457.

[7] 徐志偉，寧志敏，衛明，等.基于層次分析法和灰色關聯分析的目標威脅度評估[J].科技廣場，2009（9）：16?18.

[8] 閆沖沖，郝永生.基于層次分析法（AHP）的空中目標威脅度估計[J].計算技術與自動化，2011，30（2）：118?121.

[9] 黃璐，王洋，金勝.一種ISAR圖像性能定量評估方法[J].雷達科學與技術，2017，15（1）：43?49.

[10] 符永軍，方棉佳，張永順.模糊多因素多層次評判在目標威脅度中的應用[J].火力與指揮控制，2004，29（3）：88?90.

[11] 張娟，夏忠婷.基于信息熵的自適應資源調度算法[J].現代雷達，2015，37（8）：33?36.

[12] 句彥偉，張燕.ISAR圖像質量評估方法[J].系統工程與電子技術，2015，37（2）：297?303.

[13] 黃璐，王洋，金勝.一種ISAR圖像性能定量評估方法[J].雷達科學與技術，2017，15（1）：43?49.

[14] 謝小甫，周進，吳欽章.一種針對圖像模糊的無參考質量評價指標[J].計算機應用，2010，30（4）：921?924.

[15] CUN Y L， BOSER B， DENKER J S， et al. Handwritten digit recognition with a back?propagation network [J]. Advances in neural information processing systems， 1990， 2（2）： 396?404.

[16] KOHONEN T， SOMERVUO P. Self?organizing maps of symbol strings [J]. Neurocomputing， 1998， 21（1/3）： 19?30.