劉鑄華，齊永梅，劉正成

(中國船舶重工集團公司第七二三研究所，江蘇 揚州 225101)

0 引 言

雷達(dá)利用目標(biāo)回波來獲得目標(biāo)的信息，從而發(fā)現(xiàn)和測定目標(biāo)。在雷達(dá)目標(biāo)環(huán)境中，目標(biāo)以外的其他散射體的回波稱為雷達(dá)雜波。在雷達(dá)探測目標(biāo)時，目標(biāo)的回波強度可能遠(yuǎn)低于這些不期望得到的回波強度，因此當(dāng)目標(biāo)處于特別強的雜波環(huán)境中時，雷達(dá)對目標(biāo)的檢測難度大大增加[1]。在作戰(zhàn)指揮時，如果態(tài)勢中存在大量的虛假航跡，必然會給指揮員的作戰(zhàn)決策帶來嚴(yán)重的干擾[2-3]。由于雜波是不可避免的，信號處理和數(shù)據(jù)處理的一個重要任務(wù)就是盡可能地對雜波和雜波產(chǎn)生的疑似點跡進(jìn)行過濾[4-5]。

人工神經(jīng)網(wǎng)絡(luò)是模擬生物的神經(jīng)網(wǎng)絡(luò)處理信息的系統(tǒng)，其原理為：利用大量的歷史數(shù)據(jù),逐層提取數(shù)據(jù)的特征,尋找數(shù)據(jù)與標(biāo)簽的關(guān)系,按照舊數(shù)據(jù)得出的規(guī)律提取新數(shù)據(jù)的特征并進(jìn)行合理的推斷、分類、預(yù)測[6]。2006年,Hinton教授提出,有多個隱層的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有更強的學(xué)習(xí)能力，這引起了學(xué)術(shù)界、工業(yè)界對深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的再次探索[7]。深度學(xué)習(xí)的快速發(fā)展，給雷達(dá)目標(biāo)檢測提供了一些新的啟發(fā)。在雷達(dá)海量大數(shù)據(jù)背景下，研究基于深度學(xué)習(xí)的雷達(dá)點跡分類方法，輔助過濾雜波點跡，對虛假航跡抑制具有重要意義。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，通常需要對原始數(shù)據(jù)進(jìn)行預(yù)處理。在一些實際問題中，我們得到的樣本數(shù)據(jù)都是多個維度的，即一個樣本是用多個特征來表征的[8]。這些特征的量綱和數(shù)值的量級都是不一樣的，如果直接使用原始的數(shù)據(jù)值，那么每個特征的影響程度將是不一樣的，而通過數(shù)據(jù)預(yù)處理，可以使得不同的特征具有相同的尺度[9]。全連接神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的雷達(dá)點跡數(shù)據(jù)，數(shù)據(jù)預(yù)處理在算法中起著重要作用。本文以TensorFlow作為深度學(xué)習(xí)的基礎(chǔ)框架，搭建全連接神經(jīng)網(wǎng)絡(luò)用于雷達(dá)點跡的分類，研究不同數(shù)據(jù)預(yù)處理方法對模型效果的影響。

1 基于全連接神經(jīng)網(wǎng)絡(luò)的雷達(dá)點跡分類模型搭建

1.1 數(shù)據(jù)說明

使用的數(shù)據(jù)全部采用雷達(dá)實測點跡數(shù)據(jù)，根據(jù)劇情對數(shù)據(jù)中的每個點跡進(jìn)行標(biāo)注，雜波標(biāo)簽為0，目標(biāo)標(biāo)簽為1。利用其中大部分?jǐn)?shù)據(jù)對模型進(jìn)行訓(xùn)練，再留一部分?jǐn)?shù)據(jù)用于驗證模型。用于模型訓(xùn)練的數(shù)據(jù)集稱為訓(xùn)練集數(shù)據(jù)，用于模型驗證的數(shù)據(jù)稱為驗證集數(shù)據(jù)。

1.2 雷達(dá)點跡數(shù)據(jù)信息

通過整理，針對點跡數(shù)據(jù)，本文提取如下幾種信息(包括位置信息、特征信息)，具體如表1所示。

表1 點跡數(shù)據(jù)信息

1.3 訓(xùn)練步驟

本文搭建的全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)層數(shù)為4層，隱藏層節(jié)點數(shù)分別為64,128,32。作為神經(jīng)網(wǎng)絡(luò)輸入的特征向量直接從點跡文件中獲取，激活函數(shù)為ReLU函數(shù)，損失函數(shù)則為期望輸出與真實輸出的加權(quán)交叉熵，加權(quán)的目的是盡量降低目標(biāo)損失率。

網(wǎng)絡(luò)訓(xùn)練步驟如下：

(1) 初始化。初始化訓(xùn)練次數(shù)為0，初始化權(quán)重為截斷的正態(tài)分布噪聲，標(biāo)準(zhǔn)差設(shè)為0.1，初始化偏置為0.1，初始學(xué)習(xí)速率為0.001，每訓(xùn)練10輪后學(xué)習(xí)率乘以衰減系數(shù)0.99。

(2) 前向傳播。從訓(xùn)練數(shù)據(jù)集中隨機抽取512個特征數(shù)據(jù)輸入網(wǎng)絡(luò)，逐層計算各層網(wǎng)絡(luò)的輸出，獲得預(yù)測值。

(3) 反向傳播。得到輸出層的真實值后，根據(jù)優(yōu)化損失函數(shù)計算真實值與數(shù)據(jù)標(biāo)簽的誤差，更新網(wǎng)絡(luò)連接權(quán)值和偏置量。

(4) 迭代訓(xùn)練。通過步驟(2)、(3)，完成一次訓(xùn)練，訓(xùn)練數(shù)加1。然后使用當(dāng)前狀態(tài)的網(wǎng)絡(luò)對驗證數(shù)據(jù)集進(jìn)行分類，得到分類準(zhǔn)確率、目標(biāo)損失率和雜波濾除率。若訓(xùn)練數(shù)大于5 000，停止訓(xùn)練，否則轉(zhuǎn)至步驟(2)繼續(xù)。

1.4 模型效果評估指標(biāo)

本文將綜合利用準(zhǔn)確率、目標(biāo)損失率和雜波濾除率對比采用不同數(shù)據(jù)預(yù)處理的全連接神經(jīng)網(wǎng)絡(luò)模型效果。下面對3個模型效果對比指標(biāo)進(jìn)行說明。

準(zhǔn)確率是一個用于評估分類模型的指標(biāo)，是指模型預(yù)測正確的結(jié)果所占的比例，公式如下：

(1)

式中：A為準(zhǔn)確率；TP為目標(biāo)分類正確數(shù)；TN為雜波分類正確數(shù)；N為樣本總數(shù)。

在本文雷達(dá)雜波和真實目標(biāo)分類問題研究中，漏警可能造成很嚴(yán)重的損失，也就是說將目標(biāo)判為雜波的代價要遠(yuǎn)高于將雜波判為目標(biāo)的代價。因此對比模型效果時，目標(biāo)損失率也是一個重要指標(biāo)，公式如下：

(2)

式中：γt為目標(biāo)損失率；FN為目標(biāo)判為雜波數(shù)；TP為目標(biāo)分類正確數(shù)。

在降低目標(biāo)損失率的同時，要盡量濾除雜波，其公式如下：

(3)

式中：γc為雜波濾除率；TN為雜波分類正確數(shù)；FP為雜波判為目標(biāo)數(shù)。

2 常用數(shù)據(jù)預(yù)處理方法

數(shù)據(jù)預(yù)處理是指在構(gòu)建模型前對原始數(shù)據(jù)進(jìn)行的處理。由于不同原始生成的點跡數(shù)據(jù)之間的數(shù)值跨度比較大，為得到高質(zhì)量的模型學(xué)習(xí)效果，需要對原始數(shù)據(jù)進(jìn)行預(yù)處理。最常用的方法有最小值處理、最大最小值處理、0-1標(biāo)準(zhǔn)化以及零均值化方法，處理公式如下：

(1) 最小值處理

X=X/Xmin

(4)

(2) 最大最小值處理

X=(X-Xmin)/(Xmax-Xmin)

(5)

(3) 0-1標(biāo)準(zhǔn)化

(6)

(4) 零均值化

X=X-μ

(7)

式中：X表示所有樣本；Xmax為樣本數(shù)據(jù)的最大值；Xmin為樣本數(shù)據(jù)的最小值；μ為樣本數(shù)據(jù)的均值；σ為樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

這些方法都是分別歸一化輸入信息向量的每一個特征值向量，也就是說對輸入樣本空間的每組列向量進(jìn)行歸一化。

3 最大最小值聯(lián)合處理方法

常用數(shù)據(jù)預(yù)處理方法，沒有考慮不同特征參量之間的聯(lián)系[10]，所以本文提出的最大最小值聯(lián)合處理方法，同時對樣本空間的行和列向量都進(jìn)行最大最小值處理，具體處理公式如下：

(8)

(9)

本文雷達(dá)點跡分類問題中選擇系數(shù)n=2，將輸入點跡特征參數(shù)全部歸一化到-1～1。

4 不同數(shù)據(jù)預(yù)處理的實驗對比

本文進(jìn)行了5種數(shù)據(jù)預(yù)處理的性能對比，在相同的模型參數(shù)設(shè)置下，得到的實驗結(jié)果如表2所示。

表2 不同數(shù)據(jù)處理方式對比表

每100次迭代記錄訓(xùn)練準(zhǔn)確率和目標(biāo)損失率，不同數(shù)據(jù)處理方式下，準(zhǔn)確率和目標(biāo)損失率隨迭代次數(shù)變化對比圖如圖2、圖3所示。

圖2 不同數(shù)據(jù)處理方式準(zhǔn)確率對比圖

圖3 不同數(shù)據(jù)處理方式_目標(biāo)損失率對比圖

結(jié)果表明，數(shù)據(jù)預(yù)處理方式不同，產(chǎn)生的訓(xùn)練效果有明顯的差距，綜合考慮在降低目標(biāo)損失率的情況下，盡量使準(zhǔn)確率和雜波濾除率提高，本文所使用的數(shù)據(jù)預(yù)處理方法使模型分類精度達(dá)到94%，相對于常用數(shù)據(jù)預(yù)處理方法分類準(zhǔn)確率分別提高19%、12%、8%和11%，同時目標(biāo)損失率和雜波濾除率相較常用數(shù)據(jù)預(yù)處理方法也達(dá)到最小，模型的收斂速度更快。不同于常用數(shù)據(jù)預(yù)處理方法的單一性，本文方法不僅消除了不同特征的量綱和數(shù)值差異影響，同時也增加了不同特征參量之間的聯(lián)系，使模型有更好的訓(xùn)練效果，更好地模擬了雷達(dá)點跡的數(shù)據(jù)特性。

5 總結(jié)與展望

本文搭建了基于全連接神經(jīng)網(wǎng)絡(luò)的雷達(dá)點跡分類模型，選擇合適的模型效果評估指標(biāo)，研究不同數(shù)據(jù)預(yù)處理方式對模型效果的影響。通過實驗結(jié)果可知，不同的預(yù)處理方式對模型效果的影響有所不同，本文所用方法相較于常用方法，不僅加快了模型收斂速度，同時也提高了模型分類精度，得出的結(jié)論對后續(xù)的研究具有很好的指導(dǎo)意義。數(shù)據(jù)預(yù)處理只是模型訓(xùn)練的第一步，我們還可以研究如何優(yōu)化、調(diào)整模型超參數(shù)，使模型最終效果達(dá)到最佳。總之，還有很多方面值得去探索。