賈海云

(合肥財(cái)經(jīng)職業(yè)學(xué)院 人工智能學(xué)院，安徽 合肥 230601)

使用高分辨率距離像(High-Resolution Range Profile,HRRP)[1]技術(shù)可以很容易解析出待測目標(biāo)的特征數(shù)據(jù).這一優(yōu)勢使得HRRP技術(shù)被廣泛地部署在目標(biāo)檢測領(lǐng)域，比如對航海船艦實(shí)施精細(xì)計(jì)算以便對目標(biāo)進(jìn)行精確歸類.然而航海中的船艦類型眾多且待測目標(biāo)的造型、結(jié)構(gòu)等特征區(qū)別較大，無法搜集所有船艦的數(shù)據(jù).這就限制了該技術(shù)在個(gè)體目標(biāo)精細(xì)歸類方面的普適性.一種行之有效的方法是利用高分辨雷達(dá)目標(biāo)一維距離像(High Resolution Rodar Profile One-dimensional Distance,HRRPOD)技術(shù)預(yù)測出航海船艦屬于民用還是軍用，再考慮是否繼續(xù)對所預(yù)測的軍用船艦做深度定位測算分析.HRRPOD技術(shù)的實(shí)施是通過讀取待測目標(biāo)的多維特征數(shù)據(jù)來實(shí)現(xiàn)，甚至各維特征數(shù)據(jù)彼此之間可通過互補(bǔ)分析來進(jìn)一步增強(qiáng)預(yù)測精度.本次研究引入HRRPOD技術(shù)并通過改進(jìn)傳統(tǒng)特征識別機(jī)制來設(shè)計(jì)一個(gè)航海艦船自適應(yīng)多維預(yù)測算法.

1 船體測量

由于航海艦船所對應(yīng)的HRRP參量包含了除待測船只以外的海上噪聲.此前的相關(guān)研究給出了解決該現(xiàn)象的方法是:首先確定船體在航海中的投影長度、姿態(tài)、實(shí)際長度等來對HRRP參量實(shí)施門限[2]處理;然后再計(jì)算出待測船體的面積所對應(yīng)的距離單元來測評船體的長度.另有研究方法是通過獲取波高譜來確定波長幅度的表達(dá)式，再根據(jù)該表達(dá)式的周期性測評出船體的長度.為克服上述研究的魯棒性問題，本文構(gòu)思通過分析船體能量來確定航海船體長度的方案.該方案實(shí)施步驟如下：

首先，假設(shè)通過HRRPOD技術(shù)提取的HRRP數(shù)據(jù)為va，并令數(shù)據(jù)規(guī)模為i，a≤i.對該數(shù)據(jù)做歸一化處理，于是可得：

Gva=

|MIN[va]-va|/|MIN[va]-MAX[va]|.

為消除HRRP參量噪聲需對Gva做低通濾波，處理后的數(shù)據(jù)記作Oa.

其次，宏觀確定航海船艦端點(diǎn)的方位.令Tb和Tc為源點(diǎn)和宿點(diǎn)的方位，j和k為源點(diǎn)和宿點(diǎn)的數(shù)據(jù)長度，且b≤j,c≤k.定義l=±0.02為源點(diǎn)和宿點(diǎn)的閾值.于是對差分Oa實(shí)施歸一化處理表示為：GOa=[(Oa+1-Oa)/MAX(Oa+1-Oa)]·(1/2)，將GOa中未達(dá)到-0.02閾值的值視為宿點(diǎn)Tc，將GOa中超過0.02閾值的值視為源點(diǎn)Tb.

然后確定航海船艦的起止點(diǎn).將待測源點(diǎn)和宿點(diǎn)在測試時(shí)的能量值記作PQ和Pz，將低通濾波單元的時(shí)延置零并生成待檢波S.S從波形的邊緣兩端開始掃描，并設(shè)定Oa中所有端點(diǎn)的幅度總和為能量.由于航海船體自身的幅度遠(yuǎn)超過船體之外的幅度，因此通過分析待測端點(diǎn)兩邊的能量數(shù)據(jù)和閾值大小關(guān)系即可讀取出船體的起/止方位WQ/Wz.

界定船體起/止方位的具體實(shí)現(xiàn)過程為：

2 類型評估

將不同類型的航海船艦HRRP數(shù)據(jù)任意劃定一半作為測試樣本[4]，任意劃定一半作為訓(xùn)練樣本.將這些數(shù)據(jù)做低通濾波降噪處理再進(jìn)行歸一化，然后計(jì)算船體的起止點(diǎn)并獲取歸一化后的船體區(qū)域數(shù)據(jù)以解決幅度和平移敏感等問題.由于此前關(guān)于特征計(jì)算的相關(guān)研究中只討論一維特征數(shù)據(jù)，不能精確區(qū)分船艦類型.故在此處的類型評估中通過計(jì)算不同維度的特征參量來統(tǒng)籌分析航海船艦的類型.假設(shè)歸一化后的HRRP特征數(shù)據(jù)序列串為X(t)，特征維度為T，令t=0,1,2,…,T-1.多維特征參量計(jì)算如下：

(2)峰波長度B=g{t|X(t)≥fMAX·0.4}，

其中g(shù)為符合該計(jì)算式的t的數(shù)量，fMAX指HRRP峰值中最大的值.

(3)HRRP數(shù)據(jù)峰值規(guī)模

S=g{t|X(t)≥fMAX·0.4,

X(t)>X(t+1),X(t)>X(t-1)}.

相對而言，軍用船艦的結(jié)構(gòu)比民用船艦結(jié)構(gòu)要復(fù)雜，加之船體體積不大，因此HRRP特征數(shù)據(jù)的峰值也較小且峰值規(guī)模數(shù)量相對較多.而民用船艦結(jié)構(gòu)不如軍用船艦復(fù)雜，其峰值規(guī)模數(shù)量相對較少.故該峰值規(guī)模的計(jì)算式可用于區(qū)分船艦類型.

(4)方差

(5)起伏均值

該值越大說明船艦越復(fù)雜.相比之下，民用船艦的結(jié)構(gòu)簡單起伏均值也較小.

(6)差分起伏

(8)中心矩陣

該度量值越大，說明散射中心在船艦上的布局船越集中.

民用船艦的船樓位置通常在船體中間靠前或靠后，而軍用船艦的船樓基本上位于船體的中部.故軍用船艦的中間性參數(shù)具有良好的對稱性[5].

假設(shè)對Hr中第a列特征參量進(jìn)行特征處理后的平均值為ma，則對Hr進(jìn)行特征加權(quán)處理后的平均值集合為Mr=[m1,m2,...,ma,...,m10].假設(shè)對Lr中j行a列的特征參量做加權(quán)處理后的值為wa，則第j行的特征數(shù)據(jù)集合為Wj=[w1,w2,...,wa,...,w10].然后算出Mr和Wj的最短歐式間距[6]來區(qū)分樣本值類型.令類型r的船艦中第j個(gè)測試樣本值為Wr-j，Ur-j為結(jié)合最短歐式間距把測試樣本值j認(rèn)定為類型r，于是設(shè)置認(rèn)定標(biāo)準(zhǔn)Ur-j=MIN‖Mr-Wr-j‖2.若算得‖M1-Wr-j‖2值比‖M2-Wr-j‖2大，說明Wr-j屬于民用船艦，反之屬于軍用船艦.

3 最佳特征提取

此前關(guān)于特征融合提取的常用放大是采用Fisher準(zhǔn)則.然而該準(zhǔn)則在區(qū)分待測目標(biāo)類型過程中只是考慮一種特征.如果考慮選擇多個(gè)特征參量，那么將因彼此之間具備較高關(guān)聯(lián)度而使得區(qū)分效果降低.針對該問題，本次考慮從眾多的特征參量中提取出最能完全代表船艦結(jié)構(gòu)特性的最佳特征參量，并設(shè)計(jì)科學(xué)的分類器輔以自適應(yīng)預(yù)測船艦類型.實(shí)現(xiàn)過程如下：

令a=[1,2,...,10]，首先依次為10個(gè)特征參量計(jì)算出基于Fisher的區(qū)分系數(shù)：

然后求得區(qū)分系數(shù)的關(guān)聯(lián)度：

若算得該值較大說明特征參量彼此之間具有很強(qiáng)的關(guān)聯(lián)性.令Tn為船艦的第n個(gè)特征參量，tm和Tn之間特征關(guān)聯(lián)系數(shù)為R(tm,Tn)，于是可得10個(gè)最佳參量依次如下：

T1=MAX{λ1,λ2,...,λ10}，

T2=MAX{λa-|R(tm,T1)|}，

T3=MAX{λa-|R(tm,T1)|-|R(tm,T2)|}，

…

自適應(yīng)多維預(yù)測系統(tǒng)的實(shí)施除了提取最佳參量還需分類器的參與.本次關(guān)于船艦?zāi)繕?biāo)類型區(qū)分的研究選擇較為常用的支持向量機(jī)[8]的分類器.

4 算法測試與分析

算法成效在很大程度上取決于測試樣本值和訓(xùn)練樣本值的定義.為了客觀反應(yīng)算法效益，本次把民用船艦和軍用船艦的距離像特征形成兩個(gè)矩陣，并使每一個(gè)矩陣樣本生成一個(gè)任意數(shù)組.任意選取其中一半作為測試樣本值，另一半作為訓(xùn)練樣本值.經(jīng)過150次的測試后統(tǒng)計(jì)數(shù)據(jù)的均值形成預(yù)測精度.

圖1為多維特征參量在進(jìn)行最佳特征加權(quán)處理前后，支持向量機(jī)分類器對航海船艦類型的預(yù)測精度.從曲線走勢不難看到，船體的10個(gè)特征參量經(jīng)過自適應(yīng)多維預(yù)測算法的最佳特征加權(quán)處理之后將使算法的預(yù)測精度提升.這足以表明在多維特征融合下的目標(biāo)類型預(yù)測中，自適應(yīng)多維預(yù)測算法的最佳特征加權(quán)處理機(jī)制在支持向量機(jī)的分類器識別中扮演了重要的角色.換言之，自適應(yīng)多維預(yù)測算法偏好于差異性較顯著的特征量加權(quán)行為，疏于差異性較弱的特征量加權(quán)行為.顯然該特點(diǎn)有益于提升自適應(yīng)多維預(yù)測算法的動(dòng)態(tài)可用性.

圖1 加權(quán)處理前后的預(yù)測精度

傳統(tǒng)特征提取策略和基于自適應(yīng)多維預(yù)測算法中最佳特征提取策略兩種方案下的預(yù)測精度對比情況如圖2所示.從曲線走勢可以看到自適應(yīng)多維預(yù)測算法中采用的最佳特征提取策略在讀取到5個(gè)特征參量時(shí)其預(yù)測精度達(dá)到最高.相比之下，傳統(tǒng)特征提取策略在讀取到7個(gè)特征參量時(shí)預(yù)測精度才達(dá)到最高.與此同時(shí)，在兩種策略讀取到第5個(gè)特征參量時(shí)基于自適應(yīng)多維預(yù)測算法中最佳特征提取策略的精度高于傳統(tǒng)特征提取策略.顯然，自適應(yīng)多維預(yù)測算法無論在計(jì)算資源成本和時(shí)間代價(jià)方面均優(yōu)于傳統(tǒng)特征提取策略.

圖2 不同特征提取策略下的預(yù)測精度

5 結(jié)語

本文從多特征融合角度出發(fā)為航海船艦設(shè)計(jì)一個(gè)基于船體類型預(yù)測的自適應(yīng)算法.算法在梳理傳統(tǒng)研究方案改進(jìn)空間的基礎(chǔ)上以計(jì)算時(shí)間代價(jià)和計(jì)算進(jìn)度為目標(biāo)設(shè)計(jì)了一種最佳特征提取處理策略.測試表明，所設(shè)計(jì)的航海船艦自適應(yīng)多維預(yù)測算法具有一定的科學(xué)性和普適性.