， ，

(海軍航空大學(xué)信息融合研究所， 山東煙臺 264001)

0 引 言

雷達(dá)目標(biāo)一維距離像識別是利用高分辨雷達(dá)的目標(biāo)回波所提供的相關(guān)信息，對目標(biāo)的類別屬性等進(jìn)行相應(yīng)的判決。一維距離像能夠反映目標(biāo)的幾何形狀和結(jié)構(gòu)信息，相較于低分辨率雷達(dá)可以提供更多所需的特征信息，而且易獲取和處理。因此利用雷達(dá)目標(biāo)的一維距離像進(jìn)行目標(biāo)識別[1-2]成為熱門的方法。已有研究提出了將子空間法、最優(yōu)聚類中心法、BP神經(jīng)網(wǎng)絡(luò)[3-5]等應(yīng)用于雷達(dá)目標(biāo)一維距離像識別，并取得了不錯的效果。

神經(jīng)網(wǎng)絡(luò)作為一種性能優(yōu)良的分類器，在近些年得到了飛快的發(fā)展。其最大的特點就是具有很強的自適應(yīng)能力，不但能夠自適應(yīng)地學(xué)習(xí)，還能自適應(yīng)地調(diào)整網(wǎng)絡(luò)規(guī)模的大小。LVQ神經(jīng)網(wǎng)絡(luò)擁有很強的分類識別能力，得到了廣泛的應(yīng)用[6]。本文將其作為分類識別器應(yīng)用到雷達(dá)目標(biāo)的一維距離像識別中，取得了不錯的效果。LVQ網(wǎng)絡(luò)算法存在對輸出層和競爭層初始連接權(quán)值敏感的問題，針對這個本文采用PSO算法進(jìn)行優(yōu)化改進(jìn)，提出PSO-LVQ雷達(dá)目標(biāo)一維距離像識別算法。經(jīng)實驗驗證，該方法明顯提高了識別效果。

1 LVQ神經(jīng)網(wǎng)絡(luò)模型分析

LVQ神經(jīng)網(wǎng)絡(luò)是一種用于訓(xùn)練競爭層的有監(jiān)督的網(wǎng)絡(luò)，其算法源自于Kohonen競爭算法[7]。圖1為LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖[8]。LVQ神經(jīng)網(wǎng)絡(luò)有3層神經(jīng)元：輸入層、競爭層和輸出層。設(shè)每個距離像為向量Xi，輸入層的每個輸入模式均為一個距離像。該網(wǎng)絡(luò)輸入層和競爭層之間采用全連接的方式，其連接權(quán)值在進(jìn)行網(wǎng)絡(luò)訓(xùn)練的時候會發(fā)生改變，網(wǎng)絡(luò)訓(xùn)練就是競爭層對輸入的向量依據(jù)距離最近準(zhǔn)則進(jìn)行學(xué)習(xí)分類。輸出層的每個神經(jīng)元對應(yīng)于一種雷達(dá)目標(biāo)類別。

圖1 LVQ神經(jīng)網(wǎng)絡(luò)模型

在利用LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)目標(biāo)一維距離像識別的時候也發(fā)現(xiàn)一些問題。通常“獲勝”的神經(jīng)元通過計算最小距離來確定，只利用“獲勝”神經(jīng)元的信息導(dǎo)致輸入樣本和競爭層之間的信息資源利用不充分。容易發(fā)現(xiàn)當(dāng)初始權(quán)值偏差過大的時候，計算誤差就會很大，會影響LVQ網(wǎng)絡(luò)的收斂速度和分類識別的效果。

2 PSO-LVQ雷達(dá)目標(biāo)一維距離像識別算法

針對上述提及的LVQ網(wǎng)絡(luò)對輸出層和競爭層初始連接權(quán)值敏感的問題，本文提出了PSO-LVQ雷達(dá)目標(biāo)一維距離像識別算法。

圖2為基于PSO-LVQ的雷達(dá)目標(biāo)一維距離像識別流程圖，實驗整個過程主要分為數(shù)據(jù)預(yù)處理、生成LVQ網(wǎng)絡(luò)、PSO算法優(yōu)化網(wǎng)絡(luò)權(quán)值、建立模板庫及測試識別判斷幾個部分。

圖2 基于PSO-LVQ的雷達(dá)目標(biāo)一維距離像識別流程圖

2.1 數(shù)據(jù)預(yù)處理

一維距離像存在著方位敏感性和幅度敏感性，它們是一維距離像識別的關(guān)鍵問題之一。為了有效地識別目標(biāo)，必須進(jìn)行數(shù)據(jù)的預(yù)處理。傅里葉變換(FFT)[9]法在頻域具有平移不變性，對目標(biāo)的一維距離像作傅里葉變換，在時域里的平移對頻域沒有產(chǎn)生影響，這樣能夠克服雷達(dá)目標(biāo)一維距離像的平移敏感性。對距離像幅度譜進(jìn)行歸一化解決幅度敏感性[10]。

2.2 PSO算法優(yōu)化網(wǎng)絡(luò)權(quán)值

粒子群優(yōu)化算法[11]是由Kennedy和Eberhart等提出的模擬鳥的群體智能行為的一種優(yōu)化算法。粒子群算法中，一個粒子代表一只鳥，每個粒子用其自身的位置和速度來表示，并依據(jù)自身的初定方向、自己的經(jīng)驗最優(yōu)方向和周圍粒子的經(jīng)驗最優(yōu)方向來更新其位置和速度。通過定義適應(yīng)度函數(shù)來評價每個粒子的表現(xiàn)。

本文采用粒子群算法對LVQ神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化選擇。將粒子群的粒子編碼直接賦值給LVQ神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值矩陣，然后通過LVQ神經(jīng)網(wǎng)絡(luò)預(yù)測得到預(yù)測值，與訓(xùn)練數(shù)據(jù)的實際值進(jìn)行比較，以預(yù)測失誤率和為目標(biāo)函數(shù)，得到每個粒子的適應(yīng)度。圖3為PSO-LVQ神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化算法的流程圖。

圖3 PSO-LVQ神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化算法流程圖

2.2.1 參數(shù)初始化

設(shè)置PSO算法的參數(shù)c1,c2,r1和r2，初始化粒子群，即定義種群規(guī)模、迭代次數(shù)等參數(shù)，初始化粒子的速度和位置。

創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，每個目標(biāo)選取一定數(shù)量的樣本作為網(wǎng)絡(luò)訓(xùn)練的輸入向量，隨機產(chǎn)生n×m維的矩陣(n為LVQ網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)，m為一維距離像的維度)作為網(wǎng)絡(luò)的初始權(quán)值。隱含層神經(jīng)元數(shù)會影響網(wǎng)絡(luò)的效果，過少會影響識別精度，過多則會影響訓(xùn)練的速度，依據(jù)實際的實驗確定其數(shù)目。輸出層每個神經(jīng)元對應(yīng)于一種雷達(dá)目標(biāo)類別。種群迭代更新：

粒子的速度計算如式(1)所示：

vij(t+1)=vij(t)+c1r1[yij(t)-xij(t)]+

(1)

粒子的位置計算如式(2)所示：

xij(t+1)=xij(t)+vij(t+1)

(2)

2.2.2 粒子解碼

粒子解碼就是將粒子編碼直接賦值給LVQ神經(jīng)網(wǎng)絡(luò)的權(quán)值,并通過LVQ神經(jīng)網(wǎng)絡(luò)預(yù)測得到預(yù)測值,與實際值比較后,以預(yù)測錯誤率和為目標(biāo)函數(shù), 得到每個粒子的適應(yīng)度。

設(shè)每個距離像為向量Xi，輸入層的每個輸入模式均為一個距離像。假定K類目標(biāo)共有M個距離像，則輸入為X=(x1,x2,…,xM)，則輸入神經(jīng)元個數(shù)也為M，按照如下步驟進(jìn)行訓(xùn)練：

第一步 初始化輸入層和競爭層之間的連接權(quán)值ωij和學(xué)習(xí)速率η(0)，η>0，其中i=1,2,…,P，P為競爭層神經(jīng)元數(shù)目，j=1,2,…,M；

第二步 將一維距離像作為輸入送入網(wǎng)絡(luò)，計算輸入向量與競爭層神經(jīng)元之間的歐式距離：

(3)

第三步 建立最小歐式距離標(biāo)準(zhǔn)，與輸入向量歐式距離最小的神經(jīng)元di獲勝，與之連接的輸出層神經(jīng)元的標(biāo)簽記為Cx，與輸入向量對應(yīng)的別類標(biāo)簽為Ci；

第四步 判斷是否正確分類，依據(jù)以下規(guī)則調(diào)整權(quán)值向量：

當(dāng)Cx=Ci時，則

wij_new=wij_old+η(x-wij_old)

(4)

當(dāng)Cx≠Ci時，則

wij_new=wij_old-η(x-wij_old)

(5)

第五步 調(diào)整學(xué)習(xí)速率：

(6)

第六步 判斷迭代次數(shù)n是否超過N，若超出則迭代結(jié)束，否則轉(zhuǎn)到第二步。

這種訓(xùn)練方法的優(yōu)勢在于不需要對輸入向量進(jìn)行歸一化和正交化，只需計算輸入向量和競爭層神經(jīng)元之間的距離。

PSO-LVQ優(yōu)化算法的具體實現(xiàn)步驟如下：

1) 創(chuàng)建LVQ網(wǎng)絡(luò)；

2) 初始化粒子群，定義種群規(guī)模、迭代次數(shù)等參數(shù)，初始化粒子的速度和位置；

3) 迭代尋優(yōu)，調(diào)整粒子的速度和位置；

4) 計算適應(yīng)度值，更新個體極值和群體極值；

5) 重復(fù)3)、4)兩步，直到迭代完成；

6) 將最優(yōu)值賦值給LVQ神經(jīng)網(wǎng)絡(luò)，輸入樣本進(jìn)行訓(xùn)練；

7) 輸出結(jié)果。

3 實驗仿真

3.1 實驗條件

實驗采用的實測數(shù)據(jù)是國內(nèi)某研究所的ISAR實驗飛機數(shù)據(jù)，實驗飛機有3種，分別為安-26、槳狀和雅克-42。雷達(dá)為逆合成孔徑C波段雷達(dá)，中心頻率約為5.5 GHz，波長約為0.05 m，信號帶寬為400 MHz，距離分辨率為0.375 m，采樣點數(shù)為256。每種飛機記錄了7段數(shù)據(jù)，每段數(shù)據(jù)含26 000個寬、窄帶信號(間隔2.5 ms)。寬帶信號為全去斜后的正交雙通道信號(其FFT即為一維距離像)，每段數(shù)據(jù)含260個寬帶正交雙通道信號。實驗數(shù)據(jù)為3種飛機各取一段的260幅距離像。對數(shù)據(jù)進(jìn)行如下處理：

第一步 歸一化，將每一幅圖像用其總能量歸一化；

第二步 距離對準(zhǔn)，利用Fourier變換的平移不變性，將一維距離像作Fourier變換即可對齊。

每種目標(biāo)選取160個樣本組成訓(xùn)練集，剩余100個樣本組成測試集。設(shè)置隱含層神經(jīng)元數(shù)為20個，粒子群種群的規(guī)模為50，迭代次數(shù)為50次。

3.2 結(jié)果分析

如表1所示為LVQ算法和PSO-LVQ算法的分類準(zhǔn)確率。

表1 LVQ, PSO-LVQ算法分類準(zhǔn)確率比較

通過表1能夠直觀地看到PSO-LVQ算法的分類準(zhǔn)確率要比LVQ的好很多，平均準(zhǔn)確率可以達(dá)到94.1%，這說明經(jīng)過PSO算法對LVQ神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化之后，在一定程度上克服了LVQ神經(jīng)網(wǎng)絡(luò)對于初始權(quán)值的敏感性，使網(wǎng)絡(luò)的分類效果更好。實驗證明了該算法的正確性。

圖4為PSO-LVQ算法訓(xùn)練樣本集ROC曲線，ROC曲線下面積越接近1說明分類的效果越好。很明顯能看出，3類目標(biāo)ROC曲線下面積都將近1，說明在用粒子群算法優(yōu)化LVQ神經(jīng)網(wǎng)絡(luò)的權(quán)值之后，分類器的分類效果良好。

圖4 PSO-LVQ算法訓(xùn)練樣本集ROC曲線

4 結(jié)束語

本文詳細(xì)介紹了LVQ神經(jīng)網(wǎng)絡(luò)模型，利用其穩(wěn)定的分類識別能力來進(jìn)行雷達(dá)目標(biāo)一維距離像的識別，取得一定的識別效果。在此基礎(chǔ)上，針對LVQ神經(jīng)網(wǎng)絡(luò)對初始連接權(quán)值敏感性的問題，采用粒子群優(yōu)化算法對其進(jìn)行優(yōu)化，從而提高網(wǎng)絡(luò)的性能和穩(wěn)定性。經(jīng)過實驗表明，由粒子群權(quán)值優(yōu)化后的LVQ神經(jīng)網(wǎng)絡(luò)，在識別性能上有了進(jìn)一步的提升，從而驗證了PSO優(yōu)化算法在一定程度上能克服LVQ神經(jīng)網(wǎng)絡(luò)對于初始權(quán)值的敏感性，增強網(wǎng)絡(luò)的性能。需要指出的是，沒有考慮數(shù)據(jù)的不同信噪比對目標(biāo)分類識別率的影響，這是接下來要繼續(xù)開展工作的地方。