无源雷达目标识别的神经网络模型构建

无源雷达作为一种新型预警探测装备，自身不发射信号，具有抗电子干扰、目标识别能力强等特性，可与有源雷达一体化运用来提高雷达网整体性能，是未来信息战条件下预警探测体系的重要构成力量。当前，该类装备对目标识别主要依靠与数据库对比分析，不仅识别效率低，而且无法确保装备实际作战时能够准确有效地识别目标，成为备受关注的热点和难点问题。因此，开展无源雷达目标识别模型研究，加紧推动无源雷达目标识别相关研究，对于促进该类装备战斗力生成具有重要军事意义。

目前，针对雷达目标识别及智能识别方法等方面已开展了大量研究，形成了比较系统和完整的雷达目标识别理论方法体系，其中，基于神经网络的目标识别是目前研究的热点之一，但无源雷达目标识别的研究并不多见。文献[1]给出了一个BP神经网络在无源雷达目标识别中的应用思路，并进行了仿真验证；文献[2]建立了利用径向基函数(RBF)神经网络逼近非线性的空中目标识别模型；文献[3]对智能算法在空中目标识别中的应用进行了理论探讨；文献[4]对神经网络的技术现状和发展进行了总结和梳理。以上这些研究为本文的研究提供了很好的参考和借鉴。

以下围绕无源雷达目标识别效率提升等问题，对无源雷达目标识别问题和神经网络原理进行梳理分析，构建目标识别总体流程和神经网络目标识别模型，并给出模型运用的关键问题及解决思路，为无源雷达智能目标识别提供方法途径。

1 无源雷达目标识别

目标识别是现代防空作战的热点研究内容。无源雷达目标识别就是通过侦收敌方雷达信号，对探测到的信号进行分析和处理，获得目标雷达等辐射源的相关参数，完成辐射源和载机类型等的识别。现代新体制雷达往往采用调制复杂、参数多变的信号形式，如频率捷变、相位编码等方式，甚至采用诱饵欺骗等战术，导致战场空间电磁信号密集复杂，频谱范围十分宽，目标识别面临前所未有的挑战。

未来战场无源雷达将是有源雷达的重要补充，提升预警探测网的作战效能和生存能力，目标识别是其重要作战任务。无源雷达目标识别的主要目的包括：1)支持无源雷达情报分析。目标识别可对侦收信号进行脉内和脉间特征分析，获取信号时频域特性，并通过与电子情报数据库进行对比、分析和推理，支撑无源雷达情报分析的重要内容。2)协同有源雷达进行空中目标判性。无源雷达有强大数据库技术作支撑，具有较强的目标识别和属性判断能力，综合运用有源、无源探测信息，可以有效降低虚警率，增强预警探测网对空中目标识别判性的可信度。3)辅助指挥员制定反干扰决策。无源雷达可精确测定干扰源一次信号的干扰频率、脉冲宽度、重复周期、频带宽度等信息，进而辅助指挥员准确判定干扰类型、干扰频段及主要干扰方向等，为指挥员定下反干扰决策提供依据。

目前，无源雷达目标识别的主要问题包括：1)掌握目标航迹受限于目标辐射源。由于目标机载雷达具有很强的方向性，在飞机转弯、高度变化大、超低空和背站飞行时，很难发现目标，特别是目标实施无线电静默时，就无法捕捉目标信号。2)无法判定目标架数和准确解算高度。当跟踪一批多架目标时，若只有一架目标发射电磁信号，无源雷达只能判断为一批一架，无法准确判定其架数，而且无法提供准确的目标高度信息。3)当参数相近时，无法准确识别。例如，台军改进型IDF战机与F-16战机火控雷达重复频率相近，无源雷达易发生错判、误判，影响指挥协同效果。4)分析数据库不够完善。由于无源雷达情报数据库的数据累积需要一个过程，目前只能对部分战机型号进行识别、判断。总的来说，目前无源雷达存在目标识别率低、容错性不足等问题，不能满足高时效性要求的指挥决策需要，以神经网络为代表的智能目标识别是未来的发展方向。

2 神经网络原理

2.1 神经元基本原理

人工神经元是神经网络的基本元素，其原理如图1所示。

图中，x1～xn表示从其他神经元传来的输入信号，wij表示从神经元j到神经元i的连接权值，θ表示一个阈值，或称为偏置。

神经元i的输入与输出关系表示为

式中，x表示输入向量，用w表示权重向量，yi表示神经元i的输出，函数f称为激活函数或转移函数，neti称为净激活。

若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态，否则，则称神经元处于抑制状态。

2.2 常用神经网络结构

神经网络是由大量的神经元互联而构成的网络，根据互联方式的不同，神经网络结构可以分为如下3类[4]：

1) 前馈神经网络

也称前向网络。这种网络只在训练过程会有反馈信号，在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号。BP神经网络属于前馈网络，广泛应用于模式识别、分类等领域。BP神经网络或其变化形式占目前神经网络应用中的80%～90%，是前馈网络的核心部分，体现了人工神经网络最精华的部分。

2) 反馈神经网络

反馈神经网络是一种从输出到输入具有反馈连接的神经网络，其结构比前馈网络要复杂得多。典型的反馈型神经网络包括Elman网络和Hopfield网络。Elman网络是一种典型的局部反馈神经网络，可以看作是前向BP神经网络的改进形式。Hopfield网络是一种递归神经网络，结合存储系统和二元系统，保证了向局部极小的收敛，但也存在收敛到错误的局部极小值的可能。

自组织网络是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构，是具有自学习功能的神经网络。典型例子为多层感知机。这种网络中，输出节点与其领域其他节点广泛相连，并通过某种规则，不断调整输入节点和输出节点之间连接强度，使得在稳定时，每一领域的所有节点对某种输入具有类似输出。

2.3 常用激活函数和学习算法

激活函数和学习算法的选取是构建神经网络的重要内容。其中，激活函数包含线性激活函数和非线性激活函数。BP神经网络通常采用非线性激活函数。常用的非线性激活函数如下：

两者的主要区别在于函数的值域，双极S形函数为(-1,1)，而S形函数为(0,1)。

学习算法是用来调整神经元间的连接权，使得网络输出更符合实际。学习算法分为有导师学习与无导师学习两类[4]。BP网络一般采用有导师学习算法。

无导师学习抽取样本集合中蕴含的统计特性，并以神经元之间的连接权的形式存于网络中。Hebb学习律是一种经典的无导师学习算法，其核心思想是：当两个神经元同时处于激发状态时两者间的连接权会被加强，否则被减弱。

有导师学习算法将一组训练集送入网络，根据网络的实际输出与期望输出间的差别来调整连接权。Delta学习规则是一种简单的有导师学习算法。该算法根据神经元的实际输出与期望输出差别来调整连接权，调整幅度计算的数学表示为

wij(t+1)=wij(t)+a(di-yi)xj(t)

式中，xj表示神经元j状态，若神经元 j处于激活状态则xj为1，若处于抑制状态则xj为0或-1，a表示学习速度常数。

3 神经网络目标识别模型构建

3.1 无源雷达目标识别总体流程

基于神经网络的无源雷达目标识别总体工作流程如图2所示。

基于神经网络进行无源雷达目标识别时，首先要提取目标特征参数，进而完善目标特征数据库，并提取数据库中典型数据进行样本学习，实现对神经网络参数和结构的优化配置。如果神经网络满足了学习训练的中止条件，则认为得到成熟的神经网络模型，运用该模型，并将空情数据作为测试样本，就可以实现无源雷达目标识别，并输出识别结果。

3.2 神经网络目标识别模型构建

3.2.1 网络结构和函数选取

无源雷达目标识别可采用典型的前馈神经网络BP网络。本文采用经典的3层BP网络，即输入层、输出层和隐含层，如图3所示。

激活函数的选取上，从输入层到隐含层以及从隐含层到输出层均选择S形函数，可以实现从输入到输出的任意非线性映射。学习函数选择梯度下降自适应学习率训练函数[9]。训练参数包括学习速率、期望误差最小值、最大循环次数和显示中间结果周期[2]。Matlab神经网络工具箱中有相应函数。

3.2.2 目标特征参数及归一化

目标特征参数选取原则上应当尽可能典型和完备。本文侧重于模型方法的验证，选取载频、重频和脉宽三个典型特征来表征空中目标，作为目标识别的特征参数[5-7]。由于不同辐射信号特征通常有不同量纲，需要对特征参数进行归一化，将数据映射到(0，1)区间。无源雷达目标识别模型采用对数归一化法。对数归一化算法为[2]

式中，C=lnγ，γ为满足αγ≥1的常数。对数中的常数γ是为保证小数据取对数后为正值。

3.2.3 网络节点确定及模式定义

3层BP神经网络的节点包括：输入层节点、输出层节点和隐含层节点。

1) 输入层节点数确定

在目标识别应用中，神经网络输入是未知信号特征向量，输入层节点数对应目标特征参数的数量，因此，无源雷达目标识别模型输入节点数对以上特征参数数量，即为3。

2) 隐含层节点数确定

隐含层节点的作用是从样本中提取并存储内在规律。隐含单元数目的选择是一个相对较复杂的问题，它与输入输出单元的多少有直接的关系，太多太少都可能影响网络的性能。本文提出的无源雷达目标识别神经模型，属于支持模式分类的BP网络，隐含层节点数确定可以参照以下经验公式[8]：

式中，N为隐含层节点数,ni为输入节点数,n0为输出节点数,a为1～10之间的常数。

利用上式进行多次实验，实验结果如表1所示，选取实际均方误差最小时的N作为隐含层数目。

计算结果表明，当隐含层数为8时，系统的均方误差最小。因此，确定无源雷达目标识别模型的隐含层数目为8。

3) 输出层节点数确定

输出层节点的数量取决于空中目标类型的数量。无源雷达作战对象可以分为战斗机、预警机、侦察机和干扰机。进行无源雷达的目标类型识别时，输出层节点个数由目标所需分的类型数决定。具体的数学换算方法为：若设待分类模式的总数为m，则输出层的节点数为log2m[1-2]，因此，无源雷达目标识别的BP模型的输出节点数确定为2。

4) 目标模式的定义

由于模型选择S型激活函数，其对应的输出结果限制在0到1之间，因此，分别用(0.2,0.2)，(0.4,0.4)，(0.6,0.6)，(0.8,0.8)表示战斗机、预警机、侦察机和干扰机[10-11]，如表2所示。

3.3 神经网络目标识别模型运用

3.3.1 基于目标数据库的样本训练

样本训练的目的是得到成熟的神经网络模型。无源雷达目标识别的样本训练是从目标数据库提取样本数据，通过神经网络模型的样本学习，不断调整网络权值，使得输出的期望误差满足要求，或者达到设定的训练次数，则完成网络训练，输出相对成熟的网络模型，用于样本测试。网络训练工作流程如图4所示。

3.3.2 样本测试与目标识别

样本测试的目的是检验神经网络模型的性能，检测通过的神经网络模型就可用于无源雷达目标识别。神经网络的性能好坏主要看其是否具有很好的泛化能力，对泛化能力的测试应该用训练数据之外的验证集，这里可以用空情数据。空情数据和部分数据库数据构成测试样本。来自数据库的样本用于模型测试，而空情数据则用于目标识别。通过样本测试得到的神经网络输出数据，或者说仿真结果数据，与定义的目标类型进行模式匹配，匹配的结果就是目标识别结果。目标工作流程如图5所示。

4 仿真示例

基于Matlab GUI和神经网络工具箱，设计了BP神经网络仿真实验平台，如图6所示。

实验参数配置包括网络结果参数配置和网络训练参数配置。依据以上所述的无源雷达神经网络模型的构建及相关设计，仿真实验参数配置如下：

1) 网络结构参数配置

无源雷达神经网络目标识别模型，其隐含层神经元个数为8，传递函数设置为S形函数(logsig)，学习函数设置为梯度下降自适应学习率训练函数(traingdx)。

实验参数配置如表3所示。

2) 网络训练参数配置

无源雷达目标识别的训练参数配置方案如表4所示。

取无源雷达的32组空中目标数据，4类目标每类8组信号，利用对数归一化法，对特征参数进行归一化，结果如表5所示。

将以上参数作为平台外部导入数据，用于开展仿真实验。同时，为了验证BP神经网络目标识别模型的容错性，另外设计一组扰动后的样本数据，用于开展无源雷达目标识别扰动实验。

在无源雷达目标识别时，将空情数据加入到测试样本中，则输出的仿真结果就是无源雷达的目标识别结果。仿真完成后平台输出结果，并绘制10个样本的测试误差折线图，如图7所示。

样本测试对一组样本数据进行了网络预测，输出一组结果数据，如表6所示。

为了检验模型的数据容错能力，对于测试集数据进行一定程度的扰动，基于扰动后的数据开展容错性检验实验。扰动的位置是最后一个样本。通过网络训练和仿真测试，输出仿真数据。最后一个样本的仿真结果为(0.523 1，0.448 0)，匹配模式为(0.4，0.4)，识别结果为预警机，与以上识别结果是完全一致的。

根据仿真结果分析，本文设计的神经网络目标识别模型具有较好的自学习能力以及较强的容错能力，将部分样本数据改动后仍具有较强的稳定性。如果提取更多的目标信号数据，扩充实验样本的数量，识别效果会更好。

5 结束语

目标识别是无源雷达的重要作战任务之一。现代信息战场作战态势瞬息万变，传统的数据库比对识别方法存在识别率低、容错性不足等问题，已经远远不能满足对高时效性的作战指挥要求。本文针对无源雷达的智能目标识别问题，构建了一个BP神经网络目标识别模型，具有识别效率高、识别容错能力强的特点，可有效克服传统识别方法的不足，可用于支持无源雷达作战性能提升。

本文的模型主要是针对目标的类型识别，通过重新定义识别对象的模式表示方式，这种方法可以推广到对目标的机型识别，可见，该模型方法在无源雷达目标识别中具有很好的推广应用价值。下一步的主要工作包括：无源雷达目标识别的特征选取和优化；无源雷达智能目标识别算法库建设；无源雷达智能模型识别决策工具设计。

[1] 赵炜,阎世强. BP神经网络在无源雷达目标识别中的应用[J]. 现代防御技术, 2009, 37(4):77-80, 136.

ZHAO Wei, YAN Shiqiang. Application of BP Neural Network to Passive Radar Target Recognition[J]. Modern Defence Technology, 2009,37(4):77-80,136.(in Chinese)

[2] 刘砚菊,寇国豪,宋建辉. 基于RBF神经网络的空中目标识别技术[J]. 火力与指挥控制, 2015, 40(8):9-13.

[3] 周超,胡晓峰,郑书奎,等. 智能算法在空中目标识别中的应用[J] .指挥与控制学报, 2016, 2(2):144-147.

ZHOU Chao, HU Xiaofeng,ZHENG Shukui, et al. Air Target Identification Based on Probabilistic Neural Network[J]. Journal of Command and Control,2016,2(2):144-147.(in Chinese)

[4] 焦李成,杨淑媛,刘芳,等. 神经网络七十年:回顾与展望[J]. 计算机学报, 2016, 39(8):1697-1716.

[5] 公绪华,袁振涛,谭怀英. 基于GMM和神经网络的辐射源识别方法[J]. 雷达科学与技术, 2014, 12(5):482-486.

GONG Xuhua, YUAN Zhentao, TAN Huaiying. The Methods Based on the GMM and Neural Network for Recognition of Emitters[J]. Radar Science and Technology, 2014, 12(5):482-486. (in Chinese)

[6] 田瑞娟,杨帆. 基于空中目标识别的特征提取与选择[J]. 兵工自动化, 2014, 33(3):80-83.

[7] ANAGNOSTOPOULOS G C. SVM-Based Target Recognition from Synthetic Aperture Radar Using Target Region Outline Descriptors[J]. Nonlinear Analysis: Theory, Methods & Applications, 2009, 71(12):e2934-e2939.

[8] 赵杰,林辉. 基于BP神经网络模型的目标属性识别仿真[J]. 系统仿真学报, 2007, 19(11):2571-2573.

ZHAO Jie, LIN Hui. Target Attribute Identification Simulation Based on BP Neural Network Model[J].Journal of System Simulation,2007,19(11):2571-2573.(in Chinese)

[9] 郭利辉,周雅. 基于MATLAB神经网络工具箱的BP网络设计[J]. 信息技术与信息化, 2009(3):20-22.

[10] TAIT P. 雷达目标识别导论[M]. 罗军,曾浩,李庶中,等译. 北京: 电子工业出版社, 2013:6-7.

[11] 边肇祺,张学工. 模式识别[M]. 2版. 北京: 清华大学出版社, 2000.