基于自适应时延神经网络的空间红外点目标识别

吕江北 刘 涛 高 峰等

摘 要:神经网络方法是当前解决空间点目标识别问题的一类主要方法。为提高目标的正确识别率,提出一种基于空间点目标红外辐射序列的自适应时延神经网络(ATNN)识别方法。ATNN采用可调整的时延结构,在网络训练时可以针对输入自适应调整延迟步长,更加适用于变化剧烈的红外时序信号识别。该方法以目标的双波段红外辐射强度序列作为网络特征输入,对ATNN进行训练,然后用训练好的ATNN对目标进行分类识别。实验表明,该方法在不同信噪比的条件下,均能有效提高目标的正确识别率,并且具有一定的抗噪性,应用前景良好。

关键词:空间目标;红外辐射;自适应时延神经网络;目标识别

中图分类号:TP391.41;P472.1

0 引 言

随着军事斗争空域的扩展,特别是空间电子对抗的兴起,大气层外的空间目标数量迅速增加。空间目标群在大气层外飞行时,由于距离探测器较远,它们在探测器上所成形的像的面积较小,可近似为点目标,无法从形状上对它们进行分别。同时由于没有大气衰减的影响,空间目标及其伴飞物的速度、运动轨迹也基本相同,这使得用于识别目标的信息很少。红外光谱辐射是物体的本质属性,它不仅易于测量,而且对于不同空间物体具有不同的辐射特性,因而有效利用红外光谱辐射信息对空间目标进行识别已成为倍受关注的研究课题之一[1[CD*2]3]。时延神经网络(Time Delay Neural Network,TDNN)[4[CD*2]7]是一种常用的空间目标识别方法,它在BP网络的基础上加入延时器,具有记忆功能,同时它以目标的红外辐射度作为特征输入,解决了空间点目标特征提取困难的问题,对红外辐射序列具有较好的识别效果。但由于它对所有时刻的输入样本采用固定的时延,对红外辐射强度变化剧烈的目标识别效果较差。本文通过对目标在大气层外飞行过程中的红外辐射强度序列仿真数据进行分析,提出利用自适应时延神经网络[7[CD*2]10](Adaptive Time[CD*2]Delay Neural Network,ATNN)对目标进行识别。ATNN是在TDNN的基础上改变延时器的时延,针对不同输入采用可以自适应调整的时延,更加适应复杂环境下红外辐射度变化剧烈的红外点目标识别。在研究了自适应时延神经网络(ATNN)的网络结构后,对网络的权值和时延变化进行了推导,提出基于ATNN的红外点目标识别训练方法,最后利用空间目标的多波段动态红外辐射强度仿真数据进行目标识别实验研究。实验结果表明,本文所提出的方法对空间红外点目标识别率较时延神经网络方法约高4%,有较好的抗噪性能,在空间红外点目标识别领域中也有较好的应用前景。

1 自适应时延神经网络识别方法

1.1 ATNN网络模型及识别算法

自适应时延神经网络(ATNN)是由多层前馈感知器引入自适应时间延迟器扩展而来的。图1为一个┤层自适应时延神经网络的结构图,网络中相邻两层节点之间的连接为并行延迟单元组成的自适应时间延迟器。图2为网络的第l-1层的节点i与第l层的节点j之间的自适应时间延迟器结构,节点i与节点j之间有﹏个连接,每个连接k都有独立的时间延迟

对于三层獳TNN网络,假设输出层第j个节点在t璶时刻的期望输出为d璲(t璶),则网络在

以上权值和时延推导过程参考了文献[10]的推导过程。

1.2 ATNN网络目标识别训练过程

基于ATNN网络模型以及对神经网络权值和时延的修正过程,进一步提出基于ATNN的红外点目标识别训练方法。在训练过程中,为避免误差发生大幅度的振荡,采用批处理的训练方法,即当训练集中的所有样本训练完成一次后,只对网络的权值做一次更新。训练流程如图3所示,训练步骤如下:

(1) 从每类目标中选取一定数目的特征序列构成训练集T,设特征序列的长度为S;

(2) 构建三层自适应时延神经网络,设定网络的收敛误差为E

(3) 初始化的獳TNN网络权值和时延;

(4) 置s=0,总误差E=0,权值变化Δω﹋ik,l-1=0,时延变化Δτ﹋ik,l-1=0;

(5) 令s=s+1,根据式(1)~式(3)计算当输入┑趕个序列特征时隐含层和输出层的输出;

(6) 计算并累加误差E=E+e璼,根据式(4)~┦(12)计算并累加第s步权值和时延的变化量,

(7)若s

(8)若E

2 目标识别实验研究

2.1 参数选择方案

ATNN网络识别方法需要确定网络结构,包括输入/输出神经元数、隐含层层数及隐含层神经元数的设计和各层神经元激活函数的选择。理论上单隐含层网络可以实现对任何不相交凸类域模式的正确分类,含┝礁霆隐含层的神经网络可以实现对不相交的任意形状类域模式进行正确分类。综合考虑识别效果和网络复杂程度,在此采用单隐含层ATNN网络;输入层神经元数目由样本数据特征维数决定;输出层神经元数等于样本的类别数。某类样本对应的期望输出编码为:对应的样本类别的输出为1 ,其他输出均为0。隐含层和输出层的激活函数则采用Sigmoid 函数,即:

2.2 实验结果与分析

实验采用空间某观测点观测四类目标在大气层外飞行过程中红外辐射强度序列的仿真数据,时间长度为1 000 s,探测波段为3~8 μm和8~16 μm,采样频率为10 Hz。在同等条件下仿真四次,其中训练样本集为┑谝华次仿真结果,测试样本集为另外三次仿真结果。

由于太阳、观测点的位置以及噪声等的存在,给目标特征的提取带来了很大困难。本文在分析红外辐射数据的基础上采用文献[11]中所提出的特征提取方法,采用波段比值作为神经网络的输入。由于同一观测点,可视为各类目标的外在条件基本相同,因而通过比值就可以消除太阳辐射及探测距离等外部因素的影响。┟扛霆目标的特征选择如下:

式中:I玀(t)表示目标在中波波段的红外辐射强度;I獿(t)表示目标在长波波段的红外辐射强度;F1(t)是反映目标红外辐射度比序列;F2(t)和F3(t)是目标在┝礁霆波段上经过归一化处理的辐射度序列。由于有4类目标,每类目标的特征数目为3,所以网络的输入层节点数为3,输出层节点数为4。实验采用TDNN网络和ATNN网络在同等条件下对目标进行识别。网络为┤层,节点数分别为3,10,4;网络延时器的基本时延为1 s,输入层节点到隐含层节点之间的连接数为8,隐含层节点到输出层节点之间的连接数为6,ATNN网络的延时器初始化时延与TDNN网络延时器的时延相同;程序总迭代次数设为1 000;学习步长取为Е仟1=0.5/(1+k),η2=0.3/(1+k)。其中,k为当前已经迭代的次数。识别结果如表1所示。

表1列出在信噪比为30 dB,20 dB及10 dB条件下两种网络对测试样本集的识别结果。结果表明,ATNN网络对各目标的识别率都要高于TDNN网络,而且在10 dB的信噪比条件下,ATNN网络仍具有良好的识别效果,说明ATNN网络具有良好的抗噪性。

3 结 语

基于红外辐射信息对空间点目标进行识别是国内外关注的热点课题之一。在此研究了用于空间目标序列识别的自适应时延神经网络模型及其学习算法,并对算法中权值和时延的变化进行了推导。以目标红外辐射强度比值作为特征,应用ATNN网络并利用探测器对空间目标红外辐射仿真数据,进行了目标识别实验研究。实验结果表明,利用自适应时延神经网络对空间红外点目标的正确识别率高,有较好的抗噪性能,因此,在空间红外点目标识别领域中有良好的应用前景。

参 考 文 献

[1]武春风,张伟,李洁,等.基于时空信息的红外成像系统在探测识别目标时所面临的问题及分析[J].光学技术,2005,31(2):231[CD*2]234.

[2]丰松江,聂万胜.中段弹道导弹和背景红外辐射研究概况[J].红外,2006,27(11):19[CD*2]22.

[3]舒锐,周彦平,陶坤宇,等.空间目标红外辐射特性研究[J].光学技术,2006,32(2):196[CD*2]199.[LL]

[4]肖怀铁,付强,庄钊文,等.宽带毫米波雷达目标时延神经网络识别新方法[J].红外与毫米波学报,2001,20(6):459[CD*2]463.

[5]刘志刚.红外成像点目标的检测与识别技术研究[D].长沙:国防科技大学,2005.

[6]Cheryl Resch.Exo[CD*2]atmospheric Discrimination of Thrust Termination Debris and Missile Segments[J].Johns Hopkins APL Technical Digest,1998,19(3):315[CD*2]321.

[7]Haykin S.神经网络原理[M].叶世伟,史忠植,译.北京:机械工业出版社,2004.[HJ*2]

[8]Lin D T.Trajectory Production with the Adaptive Time[CD*2]delay Neural Network[J].Neural network,1995,8(3):447[CD*2]461.

[9]Lin D T.The Adaptive Time[CD*2]Delay Neural Network:Cha[CD*2]racterization and Applications to Pattern Recognition,Prediction,and Signal Processing[D].University of Marvland at College Park,1994.[HJ*2/3][HJ]

[10]Xiao Huaitie,Zhuang Zhaowen,Chen Zhenpin.AircraftTarget Recognition using Adaptive Time[CD*2]delay Neural Network[A].Aerorpace and Electronics Conference[C].1997,2:764[CD*2]768.[HJ*2/3][HJ]

[11]朱海峰,韩建涛,姜卫东,等.基于多光谱的空间点目标特征提取与识别[J].光电子技术,2005,25(1):16[CD*2]20.[HJ*2/3][HJ]

[12]陈景文.自动识别技术及其在军事领域中的应用[J].现代电子技术,2006,29(19):30[CD*2]31,39.

[13]赵士文,卢珞先,王昱.一种快速目标检测跟踪方法研究与实现[J].现代电子技术,2007,30(22):55[CD*2]57,60.

作者简介 吕江北 男,1985年出生,河北石家庄人,硕士研究生。主要从事自动目标识别技术研究。

刘 涛 男,1980年出生,陕西汉中人,博士研究生。主要从事数字图像处理、自动目标识别。

高 峰 男,1982年出生,河南民权人,博士研究生。主要从事图像处理、目标识别技术研究。