張 彤

(成都理工大學 工程技術(shù)學院，四川 樂山 614000)

0 引言

隨著雷達技術(shù)的不斷發(fā)展與進步，不同領(lǐng)域都將該技術(shù)進行了很好的應(yīng)用，如軍事領(lǐng)域、農(nóng)業(yè)畜牧等領(lǐng)域，他們通過該技術(shù)得到了具有豐富信息且非常清晰的圖像[1]。雷達圖像中存在著許許多多的目標，其中不乏一些復(fù)雜的，識別這些復(fù)雜的圖像是非常困難的，雷達技術(shù)最基礎(chǔ)的功能和應(yīng)用就是對所需目標進行識別，所以對如何利用雷達技術(shù)識別所需目標是一個備受矚目的焦點[2]。目標的不同特性和變化多端的天氣對雷達在進行探測時的效能有著非常大的影響，雷達所探測的信息中夾雜著許多雜波信息，很難得到具有一定影響價值的規(guī)律和模式，也就導致了“數(shù)據(jù)豐富，知識貧乏”的出現(xiàn)[3]。

雷達探測目標的誤差測量技術(shù)不僅非常深奧復(fù)雜，而且是一種具有系統(tǒng)性的工作，主要是由“白箱”建模和“黑箱”建模兩種基本的方法組成，所謂“白箱”就是通過理論分析推導，進而得出機理模型，也就是對之前已經(jīng)經(jīng)過驗證的知識進行推導；“黑箱”是，通過測試雷達系統(tǒng)所輸入/出的數(shù)據(jù)信息，并作出相應(yīng)的判斷的方法。當今主要是用傳統(tǒng)的方法進行“黑箱”建模，即數(shù)理統(tǒng)計的方法進行仿真雷達探測，但是這種方式不能反映出真實的誤差的特性，而是只能進行誤差總體上的規(guī)律的反映，對整體測量技術(shù)的真實性有比較大的影響，因為該方法得到的系統(tǒng)誤差和標準差只是通過分析歷史上存有的誤差數(shù)據(jù)資料和對通過對比模仿得到的，比對模型是高斯白噪聲模型。數(shù)據(jù)挖掘是指對隱含且未知的數(shù)據(jù)進行提取的過程，所選數(shù)據(jù)是隨機的、數(shù)量龐大的且不清晰的，但這些信息確認是潛在的且有用的，所以提出了建立于該方法之上的雷達探測目標誤差測量技術(shù)。

1 基于數(shù)據(jù)挖掘的雷達探測目標圖像識別

數(shù)據(jù)挖掘技術(shù)的激光雷達圖像識別思想為：最開始要進行圖像的去噪，在小波變換下進行去噪處理，接著提取圖像的Zernike不變矩陣的特征進行，最后建立深度的網(wǎng)絡(luò)層進行識別模型[4]。

1.1 目標圖像的特征提取

圖像切割:如果把具有極其復(fù)雜性的圖像直接輸入到分類器里面，分類器會隨之變得非常復(fù)雜。所以，需要切割整個完整的圖像，切割步驟為：1)確定圖像的閥值，即從眾多閥值中選擇適合的數(shù)值；2)對圖像做二值化處理和平滑處理[5]。從水平的方向開始掃描圖像，計算從第一行起的圖像中白色像素的數(shù)量，如果數(shù)量大于N(已設(shè)閥值)時，需要對此進行特殊的標記。若與它相鄰的兩行仍然出現(xiàn)這種情況，即白色像素的數(shù)量大于已設(shè)閥值，那么視為之前的標記為合理標記，否則的話，就要從頭開始再次操作[6]。若出現(xiàn)合理的標記時，就要開始改為向下的掃描。接著計算以最后一行起的每行中白色像素的數(shù)量，如果數(shù)量大于N，就要將這一整行進行特殊標記。然后接著做向上的掃描，若相鄰兩行仍是白色像素的數(shù)量大于N，同上需要視之前的標注為合理的，且重新進行該操作[7]。若過程中有合理標記出現(xiàn)，就要停下水平方向的掃描。垂直方向同理，需在水平方向的掃描區(qū)進行[8]。

1.2 圖像歸一化

一般需要在分類器中輸入圖像之前對其進行歸一化處理，包括位置、大小等的歸一化處理。

1)位置歸一化。主要是將目標移動到所規(guī)定的位置，以達到位置偏差的消除目的。有下面兩種比較簡單的歸一化方法：(1)對目標的質(zhì)心進行計算，隨后將其移動到指定的位置，該方法被稱為建立于質(zhì)心之上的歸一化方法；(2)對目標的外邊框進行計算，然后尋找重心，再將其移動到指定位置，該方法稱之為建立于目標外邊框之上的位置歸一化方法[9]。

2)大小歸一化。進行變換大小不一的目標，使其大小相同，該變換過程為大小歸一化。主要有下面兩種方法：(1)為了使目標符合規(guī)定，需對目標外框進行放大或者縮小，縮放過程要按照比例進行；(2)根據(jù)目標在水平和垂直兩個方向的分布進行大小歸一化[10]。

1.3 圖像識別

如何在向量機中進行目標圖像特征的輸入，并對其進行分類和預(yù)測，主要有下面3個步驟：

1)建模，也就是向量機模型的建立。模型中的核函數(shù)為徑向基函數(shù)。該函數(shù)在模型選擇時由以下兩個參數(shù)決定：懲罰因子和核參數(shù)。分類器的性質(zhì)和預(yù)測能力受到該參數(shù)的直接影響[11]。

2)學習，通過樣本進行訓練以對向量機提出支持。用于目標圖像識別的支持向量機的學習過程如圖1所示。

圖1 支持向量機的學習過程

由圖1可知，通過目標圖像識別樣本，對目標識別圖像進行前期處理后，計算目標識別圖像的特征矩，并對特征矩進行歸一化處理，再輸入到初始支持向量機中進行訓練，得到訓練后的支持向量機。

3)預(yù)測，在向量機中輸入未經(jīng)分類的圖像特征，并對此做出分類和預(yù)測。

根據(jù)上述內(nèi)容，設(shè)計具體識別流程如圖2所示。

圖2 雷達圖像的識別流程

由圖2可知，雷達圖像的識別流程為錄取實際測量點的數(shù)據(jù)，分別提取實際測量點的數(shù)據(jù)特征，再對實際測量點的數(shù)據(jù)進行訓練后，分類識別目標圖像樣本，并輸出目標圖像識別結(jié)果。

2 數(shù)據(jù)預(yù)處理

在進行數(shù)據(jù)挖掘時，必不可少的一步為數(shù)據(jù)的預(yù)處理。因為被挖掘的原始數(shù)據(jù)有著冗雜多余且空洞無用的特點，在進行數(shù)據(jù)挖掘時要對其進行加工，處理其中的噪聲，這就是所謂的數(shù)據(jù)預(yù)處理[12]。數(shù)據(jù)預(yù)處理流程如圖3所示。

圖3 數(shù)據(jù)預(yù)處理流程

預(yù)處理的主要流程為：

1)將所需處理的數(shù)據(jù)進行相應(yīng)的轉(zhuǎn)換、集成和匹配。要想實現(xiàn)數(shù)據(jù)挖掘，就要將目標雷達所得到的實際測量數(shù)據(jù)和真實航跡數(shù)據(jù)進行對比，并獲得差值。但是上述兩種數(shù)據(jù)在采集時的步長是不同的，并且被存放在不同的文件中，所以要對二者做航跡匹配處理，并且為了二者步長變得一樣，還需要對數(shù)據(jù)進行三點插值處理。

2)將數(shù)據(jù)處理成一致的。目的是保證挖掘結(jié)果的精確度和干凈整潔，且具備一致性的特點。

3)讀取雷達數(shù)據(jù)文件，并將其裝入數(shù)組之中，指針指向數(shù)組初始位置，數(shù)組是否為計算機保留的值？如果是，則結(jié)束程序；如果不是，則查看數(shù)據(jù)是否為模式數(shù)據(jù)？如果是，則需解碼，并將結(jié)果存儲到計算機指令之中，否則直接查看解碼時間信息；將解碼結(jié)果存儲到模式數(shù)據(jù)庫之中，查看解碼時間信息，并將結(jié)果存儲到時間表之中，解碼方位信息，并將結(jié)果存儲成AZ格式。不斷重復(fù)上述步驟，直到獲取所需數(shù)據(jù)。

3 雷達探測目標誤差測量

雷達探測誤差數(shù)據(jù)挖掘需要輸入和預(yù)測屬性，前者為真值距離和真值方位，后者為距離和方位誤差，而誤差模型的建立還要依靠決策樹來完成，評估樹的準確性還要依據(jù)保留測試法來實現(xiàn)。保留測試法對樣本數(shù)據(jù)集進行劃分，劃分為訓練和測試數(shù)據(jù)集，并且二者是互不相交的。

在SQL Server 2005中進行誤差數(shù)據(jù)的挖掘，為了選擇適合且可用的決策樹算法，需要選擇挖掘模型參數(shù)。決策樹-即樹形結(jié)構(gòu)的流程圖，屬性的測試由內(nèi)部節(jié)點表示，測試結(jié)果由分支表示，類別則由葉節(jié)點表示，根節(jié)點即樹的最高層，如圖4所示。

圖4 決策樹樹形結(jié)構(gòu)圖

為了形成決策樹，需要進行訓練樣本子集的選擇，若該樹不能給出任何對象正確答案，則要將沒有得到正確答案的特殊情況添加到該樹中，一直重復(fù)上述操作，直到正確決定集的出現(xiàn)為止。完成一個符合要求決策樹，即每個葉子都可以代表一個類別，每一個節(jié)點都代表一個屬性，每一個分支都代表一個屬性所對應(yīng)可能值。

進行熵計算方法下的拆分分數(shù)計算，和節(jié)點的拆分，拆分方法為二分法。通過以上操作，挖掘模型會分別生成距離和方位誤差的決策樹。通過對包含在葉節(jié)點中的最少的樣本數(shù)的設(shè)定進行決策樹的剪枝和修剪，并對其進行評估，評估需要根據(jù)測試數(shù)據(jù)集完成，確定了距離誤差決策樹在樣本數(shù)最少時生成預(yù)測性能比較好。

基于數(shù)據(jù)挖掘的雷達探測目標誤差測量技術(shù)實現(xiàn)流程如圖5所示。

圖5 雷達探測目標誤差測量流程

由于雷達探測目標通常是通過相關(guān)指令實現(xiàn)目標探測的，相應(yīng)獲取的雷達運行軌跡誤差圖像真實反應(yīng)了從雷達指令發(fā)布的完整信息。通過信號源為被探測目標提供所需要的信號，利用多傳感器融合相關(guān)數(shù)據(jù)參數(shù)，再通過數(shù)據(jù)采集卡，將模擬信號轉(zhuǎn)化為數(shù)字信號，傳輸?shù)絇C端，以此建立雷達探測目標誤差測量的虛擬基準。利用數(shù)據(jù)挖掘方法分離出各個誤差分量，并且分析出產(chǎn)生誤差的根本原因。根據(jù)探測結(jié)果，還可以優(yōu)化雷達探測位置，提高測量精準度。

4 雷達仿真結(jié)果驗證

針對基于數(shù)據(jù)挖掘的雷達探測目標誤差測量技術(shù)研究，進行仿真實驗驗證。

4.1 數(shù)據(jù)挖掘處理

雷達信號中存在的孤立點需通過挖掘分離處理，使用數(shù)據(jù)挖掘技術(shù)在后期處理時主要通過以下兩種方法得以應(yīng)用。

1)進行原始的雷達信號和已經(jīng)被處理過且孤立點已經(jīng)被刪除的信號之間的比較，將其送到雷達終端，雷達終端會將目標點跡圖顯示出來，以達到有效性確定的目的。

圖6 雷達目標點軌跡

從以上點跡圖可以很明顯地看出經(jīng)過處理和未經(jīng)處理的雷達信號的區(qū)別。兩幅圖由于是在不同的時間段采集的，會有略微的區(qū)別，但是前后兩幅圖因采集數(shù)據(jù)的時段不同略有差異，但是可以看出原始點擊圖中顯示的航線附近非常多的干擾點在處理過的圖中得到了明顯的解決，可以斷定該處理有效過濾且去除了價目表的信號。

2)進行提取孤立點信號，并將其送到終端顯示器上，接著對其進行觀察，確定其規(guī)律后，做出合理的處理。通過以上方法，提取了4種類型：

(1)出現(xiàn)在25 km的半徑范圍內(nèi)，該范圍是以雷達站為圓心計算的，除此之外， 25～50 km之間偶爾也會有假目標出現(xiàn)。真假目標距雷達站有著相同的距離；假目標數(shù)量比較多，一般在2～3個，情況很糟糕時甚至會出現(xiàn)4～5個之多，分布為扇形，并且會出現(xiàn)在真目標的順/逆時針方向。

(2)出現(xiàn)在半徑50～120 km之內(nèi)，出現(xiàn)更加頻繁的位置是65 km和100 km附近，而且30～50 km、120～180 km的范圍之間也會有假目標的出現(xiàn)。真假目標距雷達站有著相同的距離；多數(shù)情況下是一個，惡劣時會出現(xiàn)兩個。若假目標在真目標的逆時針方向出現(xiàn)，從雷達矩陣引兩條夾角為40°的射線到真目標和假目標上面。反之，如果假目標在真目標的順時針方向出現(xiàn)，則所需射線的夾角為30°。

(3)出現(xiàn)在270～280 km方位一般情況下是一個假目標，不好的情況會出現(xiàn)兩個，二者之間離的非常近，且夾角也比較小。

(4)假目標很偶爾的會出現(xiàn)，且沒有規(guī)律，不會長時間的出現(xiàn)。

4.2 雷達運動軌跡研究及結(jié)果分析

根據(jù)上述4種假設(shè)目標類型，對雷達運動軌跡展開分析，如圖7所示。

圖7 4種假設(shè)目標類型雷達目標點軌跡

用圖7所示的目標點軌跡，將傳統(tǒng)方法與基于數(shù)據(jù)挖掘方法的雷達探測目標誤差測量精準度進行對比分析，結(jié)果如表1～4所示。

表1 第一類假設(shè)情況下兩種方法測量精準度對比結(jié)果

表2 第二類假設(shè)情況下兩種方法測量精準度對比結(jié)果

表3 第三類假設(shè)情況下兩種方法測量精準度對比結(jié)果

表4 第4類假設(shè)情況下兩種方法測量精準度對比結(jié)果

由上述表內(nèi)容可知，采用傳統(tǒng)方法雷達探測目標誤差測量精準度與實際值相差較大，最大誤差為16.8 km；而基于數(shù)據(jù)挖掘方法雷達探測目標誤差測量精準度與實際值相差較小，最大誤差為2.0 km。

5 結(jié)束語

建立于數(shù)據(jù)挖掘之上的雷達探測方法可以有效地分析和測量目標誤差，提出了在這方面研究的新路徑。在以后的研究中，為了能夠得到更加具有真實性的雷達探測誤差的結(jié)果，會對與誤差探測有關(guān)的機制、環(huán)境等影響因素進行研究。

有幾個問題在做研究的時候發(fā)現(xiàn)依然需要想出解決辦法，主要問題是：1)在進行孤立點分析算法時發(fā)現(xiàn)維度越高，時間的復(fù)雜度也會隨之增高;2)如何在如今手工選擇不同時段數(shù)據(jù)以得到所需參數(shù)的方法之上，建立更加便捷動態(tài)高效的參數(shù)選擇方法;3)如何提高信息挖掘的真實可靠性和準確率。當數(shù)據(jù)比較密集時，經(jīng)常會出現(xiàn)真實的目標信號被誤認為假的信號的情況。接下來為了建立更加真實有效的挖掘模型，將會進行雷達數(shù)據(jù)挖掘方法的更進一步的研究與探討。