杜建暉

（四川大學視覺合成圖形圖像技術重點學科實驗室，成都610065）

0 引言

起航是指探測系統(tǒng)在還沒有進入可靠的跟蹤維持之前所進行的一系列航跡確立過程。經典的航跡起始方法按數(shù)據(jù)處理方式不同可以分為2 大類：順序處理和批處理[1]。其中順序處理中有直觀法和邏輯法[2]。批處理技術的主要算法有：Hough 變換法和修正Hough變換法[3]，順序處理方法是根據(jù)所設計的規(guī)則或邏輯，判斷按批次順序的量測組合是否為真實目標，其實質是一個分類問題。傳統(tǒng)的方法都需要根據(jù)經驗來設置決策門限值，用于判斷量測值是否來自原目標。門限值的設定往往影響著整個航跡起始過程的效果[4]?？墒沁@類門限有其自身的局限性：對環(huán)境的認知不佳。而本文提出的方法是根據(jù)低空監(jiān)視雷達歷史數(shù)據(jù)作為訓練集來進行擬合以便構建分類方法和門限，避免了人工設置門限值的人為誤差，而且適應性強，對于不同的雷達，模型可自適應進行分類。

1 主要方法及流程

1.1 流程描述

在本文中，先采用邏輯法對一次雷達數(shù)據(jù)進行預處理，初步減少雜波對樣本的干擾。然后提取速度、加速度和夾角作為初始航跡的特征送入深度神經網(wǎng)絡DNN 模型進行訓練。算法流程如圖1 所示。

圖1 基于深度神經網(wǎng)絡航跡起始算法流程

1.2 神經網(wǎng)絡

1.2.1 DNN 神經網(wǎng)絡

從單層感知機發(fā)展到多層感知機，在神經網(wǎng)絡中隨著網(wǎng)絡層數(shù)的可增加性，神經網(wǎng)絡可以學習到更加復雜的非線性的模型。深度神經網(wǎng)絡（DNN）一般是指模型中有大于一個隱藏層。DNN 模型主要有以下幾個特點：第一，在權重的初始值設定上，純BP 算法采用的是隨機值，而DNN 權值的初始值與之相比更加接近權值空間中的收斂值。第二，隨著引入隱藏層，不僅增加了模型的復雜度，同時也增強了模型的表達能力；第三，輸出層的神經元數(shù)量可以選擇復數(shù)，適用于本文中的分類任務；第四，在激勵函數(shù)使用中，本文的分類任務特征采用的是ReLU 激勵函數(shù)，并在最后一層采用Softmax 函數(shù)進行預測分類，并在預測時添加了Adam優(yōu)化器進行優(yōu)化。

本文基于工程上的起航問題，并將其轉換為二分類問題：即雷達量測數(shù)據(jù)的點跡能否用于航跡起始。以從低空監(jiān)視雷達收集到的大量的量測數(shù)據(jù)作為數(shù)據(jù)集，利用DNN 網(wǎng)絡模型對其進行訓練，得到對雷達量測數(shù)據(jù)中可用于建航的選取能力，以此來進一步提升航跡起始算法的準確率，增強起航算法在低空雷達雜波較多的環(huán)境下的適應能力。

此算法適用的場景為：雷達起航中順序技術量測數(shù)據(jù)預處理后，一種對暫態(tài)航跡的確認狀態(tài)。也就是說對暫態(tài)航跡獲取其特征值，建立模型，作為DNN 輸入的向量值，經過多層網(wǎng)絡層的模型迭代處理，以分類的方式輸出暫態(tài)航跡為真實起航與預警起航。本算法的特點是目標運動模型的建立不需人工的干預，算法有較小的復雜度，對量測數(shù)據(jù)的處理損失值較少。

1.2.2 DNN 分類器的分析

DNN 網(wǎng)絡的特點是參數(shù)比較多，節(jié)點數(shù)也多，其缺點是容易出現(xiàn)過擬合現(xiàn)象，我們采取增大訓練集的樣本量級的方式來避免此現(xiàn)象對算法精度的影響。

其中參數(shù)如下：batch_size = 64, learning_rate =0.001，迭代次數(shù)為100000，Input_dim=12，hidden1_dim=15，hidden2_dim=12，outpur_dim=1，threshold_value=0.8，dropout=0.1。

1.2.3 特征提取

本文所選取的樣本為一次雷達數(shù)據(jù)經過邏輯法預處理后的量測組合數(shù)據(jù)，提取其中相鄰兩個掃描周期點跡之間的平均速度(Vxk1,Vxk2,…,VxkN-11)(Vyk1,Vyk2,…,VykN-1)，連續(xù)三個掃描周期點跡的加速度(axk1,axk2,…,axkN-2)(ayk1,ayk2,…,aykN-2)，連續(xù)三個掃描周期點跡的兩端連線的夾角(φk1,φk2,…,φkN-2)。

2 實驗結果及分析

2.1 深度神經網(wǎng)絡模型訓練結果分析

2.1.1 數(shù)據(jù)集的大小

DNN 深度神經網(wǎng)絡因為需要先經過邏輯法進行預處理，四個掃描周期內的連續(xù)四個點跡數(shù)據(jù)合并為一條數(shù)據(jù)進行處理，總的訓練集數(shù)量7560 條。

2.1.2 訓練集的損失值和精度變化

訓練集的交叉熵和精確度的變化曲線如圖2 所示，其中波浪線代表精確度的變化曲線，實線代表代表損失值的變化曲線?？梢钥闯?，當?shù)綌?shù)為500 步時，損失值由高到低最后趨于穩(wěn)定，精確度由低到高最后趨于穩(wěn)定。

圖2 訓練集的損失值和精確度的變化

2.2 真實數(shù)據(jù)對比實驗

前文已指出，在雜波較多的雷達數(shù)據(jù)背景下的航跡起始處理問題中，使用最多的經典航跡起始方法是修正的Hough 變換法。檢測濾波和虛警率是經常被用于評價航跡起始方法的指標。本文選取一段一次雷達數(shù)據(jù)經處理后作為測試數(shù)據(jù)，分別采用修正的Hough變換法和已訓練完成的DNN 分類模型進行建航，通過比較兩種方法的檢測概率和虛警率來評價兩種方法的性能。

2.2.1 測試數(shù)據(jù)準備展示

本文使用的低空監(jiān)視雷達掃描周期為5s，每次間隔100s 提取4 個掃描周期的數(shù)據(jù)為一組數(shù)據(jù)，一共提取60 組數(shù)據(jù)作為測試數(shù)據(jù)。共包括點跡數(shù)據(jù)6840 個點跡數(shù)據(jù)，形成1280 條航跡，真實航跡數(shù)量為152 條。

由于原始數(shù)據(jù)量較多，本文節(jié)選994 個點跡數(shù)據(jù)（15 條真實航跡）進行過程展示。量測數(shù)據(jù)的原始分布和真實航跡目標運動軌跡如圖3 所示。

圖3 量測數(shù)據(jù)的原始分布和真實航跡運動軌跡

2.2.2 部分測試數(shù)據(jù)預處理展示

本文使用的低空監(jiān)視雷達的距離觀測標準差是15m，范圍角觀測標準差是0.2°。

當采用修正的Hough 變換進行航跡起始時，設定其中的閾值為γ=8。

當采用本文中采用的深度神經網(wǎng)絡進行航跡起始前，先采用邏輯法進行預處理，參數(shù)設定為Vx_min =0m/s,Vx_max=90m/s,Vy_min=0m/s,Vy_max=90m/s,ax_max= 6m/s2,φ_max=100°，生成航跡集合共計117條，如圖4 所示。

圖4 預處理后結果

2.2.3 部分測試數(shù)據(jù)實驗結果展示

（1）使用修正的Hough 變換法的航跡結果如圖5

圖5 修正Hough變換下航跡起始結果

（2）使用基于深度神經網(wǎng)絡模型的航跡結果如圖6

圖6 基于深度神經網(wǎng)絡DNN模型航跡起始結果

2.2.4 整體測試數(shù)據(jù)實驗結果分析

分別使用修正的Hough 變換和基于深度神經網(wǎng)絡DNN 模型檢測概率和虛警率結果如表1 所示。

表1 基于兩種航跡起始算法的檢測概率和虛警率

從修正的Hough 變換和基于深度神經網(wǎng)絡這兩種方法的實驗結果來看，DNN 深度神經網(wǎng)絡相對來說具有比較好的結果，在相同雜波環(huán)境下，DNN 神經網(wǎng)絡航跡起始檢測概率高于修正的Hough 變換的同時，其虛警率也明顯低于修正的Hough 變換。使用DNN 深度神經網(wǎng)絡進行起航是有可行性的，并且起航性能比修正的Hough 變換法要更準確。

3 結語

在低空監(jiān)視雷達高噪聲環(huán)境下使用傳統(tǒng)航跡起始方法生成的起始航跡檢測準確率較低，虛警過多，造成后期航跡跟蹤運算量大且易產生跟蹤誤差。針對這一問題，本文采用了一種基于深度神經網(wǎng)絡DNN 的航跡起始算法。實驗表明，該方法與傳統(tǒng)的修正Hough 變換法相比，檢測概率優(yōu)于修正Hough 變換，且虛警率也小于后者，整體性能較后者有一定的優(yōu)勢。在實際應用場景中，有一定的使用價值。