一种基于Kohonen神经网络的雷达回波特征识别和分类方法研究

桑鹏伟　王鹏　白艳萍

【摘 要】本文针对雷达三维目标回波特征抽取和分类问题，提出了一种基于均值滤波器和Kohonen自组织映射神经网络相结合的方法。仿真实验表明该方法抽取的特征具有良好的稳定性，且精度高，比单一的自组织分类器有更强的优势，最后通过采用实地录取的两组雷达目标回波数据进行检验，实验数据表明该方法可以使准确率达到90%以上，具有良好的提取效果和实用性。

【关键词】雷达三维目标回波；均值滤波器；神经网络

【Abstract】The paper focuses on the research and application of neural network for feature extraction from the radar echo data， proposed a method of combining the mean filter and Kohonen neural network to resolve it. Simulation results show that the proposed method in the paper is feasible， the results is more stable and more accurate， apparently has an advantage over the ordinary self-organization neural network. To validate this method by applied to two groups of real radar data set. Result show that the proposed method is practical with ninety percent accuracy.

【Key words】Three dimensional radar echo； Mean filter； Kohonen neural network

0 引言

由于军事领域的需求推动，雷达技术有了较大的提升。其主要技术是利用目标对电磁波的散射特性来发现并测定目标的空间位置[1]，而传统的雷达回波只能以二维的形式展现，不能很好的对回波的细节进行研究。Matlab具有强大的图像、图形处理能力，可以更好的展现雷达回波数据和图像的细节情况[2]，在雷达目标回波技术中，准确识别各类信号是关键所在。而目标识别作为当前研究的热点，关键是提取回波信号的特征信号，也就是说必须除去回波的噪声。

本文在均值滤波的方法和自组织神经网络的结合下，研究了三维雷达回波的特征抽取和分类[3]所以利用神经网络技术对雷达回波信号进行分类和抽取，对雷达准确识别各类信号有很重要的实际意义[4]。

1 Kohonen网络和均值滤波器的原理及算法

1.1 Kohonen自组织映射网络原理及算法

Kohonen自组织映射网络，是由全互连接的神经元阵列组成的神经网络[5]。该网络由输入层和输出层构成。输入层通过权向量将外界信息汇集到输出层各神经元，其形式与BP网相同，节点数对应于一个r维的输入矢量x=[x1，…，xr]，其中r为输入数据的维数。输出层也是竞争层，它最典型的结构是二维形式，假定共有m*n个节点，每个节点分别对应一个r维权矢量m=[m1，…，mr]。该网络采用的是Kohonen算法，算法的主要过程为：

（1）初始化网络、学习速率lr、邻域半径r0，随机初始化输入层节点与竞争层节点的连接权值Wij（i=1，…，n；j=1，…，m）。

（2）输入训练样本X，计算样本与每个输出节点之间的距离dj（本文选用欧氏距离），找出距离最小的对应节点，则该节点称为获胜节点v，距离计算为：

（3）确定获胜神经元v的邻域

Nv（j）=（jfind（norm（posj，posv）

式子中的posv posj分别为神经元v和j的位置；r为领域半径。

（4）根据权值学习规则修正权值，权值的改变量为

d？棕=lr*a2*（x′-？棕）

其中lr为学习速率，函数a2由输出a、神经元之间距离d和自定义的学习邻域大小r决定：

a2（i，q）=1， 如果a（i，q）=10.5， 如果a（j，q）=1且D（i，j）0， 其他≤r

（5）重新输入，重复以上（2）-（4）步骤直至训练结束

1.2 均值滤波器原理

实际采录数据信号中常常有各种干扰噪声，这些噪声会对数据的分析造成很大的影响，所以本文根据回波数据所展示的三维图，引入了一种空间域滤波方法，均值滤波器。均值滤波器的基本原理是把图像中一点的值用包含该点的一个邻域中各点值的均值代替。这种滤波可以用来减弱实际采样数据中的各种干扰。

这个邻域一般被称为窗口，是一个滑动的二维窗口，在应用窗口时其尺寸一般从小逐渐增大，直到达到要求的滤波效果。均值滤波器对异常值敏感度较低，因此它可以在不减小图像对比度的情况下减小异常值的影响。

2 Kohonen网络和均值滤波器结合设计

本文用均值滤波器和自组织竞争神经网络结合设计了一种雷达回波信号提取的方法，在进行均值滤波前需要先把数据由原来的矩阵形式转化为一维的形式。主要步骤如下：

（1）数据预处理。将数据中的实部虚部转化为模的形式。

（2）均值滤波。将上述数据用均值滤波器进行滤波。

（3）将（2）中滤波后的模矩阵首尾相连排成一维的矩阵，把对应的实部虚部同样的分别排成一维矩阵。将这三个一维矩阵合并为一个三行或者三列的矩阵，并做归一化处理。

（4）Kohonen自组织映射网络分类。把处理好的矩阵通过自组织竞争神经网络进行分类，选出其中平均值最高的一组作为目标值（大目标识别）。

（5）结果分析。把选出的分类结果数据还原成矩阵形式，只选用模的矩阵。对比原始数据中目标信号元素个数S，找出准确覆盖元素个数Y和无效的元素个数N。定义有效信息率？琢和冗余信息率？茁函数：

（6）实验操作。首先，采用一组仿真数据进行无滤波的Kohonen网络分类；下一步，按上述方法进行一次滤波后的Kohonen网络分类，查看？琢和？茁的结果是否有较大的提升。根据结果表现的理想程度决定是否进行实际数据实验验证。

3 仿真实验

模拟雷达实际数据的实部与虚部的模矩阵作为三维图的高度，三维图的另外两维均使用单位坐标系（实际信号和此方法一致）。随机生成一个111*111的矩阵作为草坪信号的模，人为添加四个较大的目标作为车辆信号的模。按照流程设计，首先用单一的Kohonen网络进行分类，筛选出其中模最大的一组数据图像，其中包含人工输入的目标信号。

下一步，在进行自组织神经网络信号提取之前加入均值滤波器进行滤波，再进行Kohonen网络分类，同样选用其中模最大的一组数据。这两次运行可以得出表1所示结果。

表1 仿真实验滤波前后的分类结果对比

从表1中可以看出，滤波后的有效信息率比滤波前高了约4倍，冗余信息率减少约50%，经过均值滤波的分类结果明显比单一的自组织分类结果显示出的目标更明确，噪声显然减少。

以上结果非常理想，考虑到仿真实验的人为性因素，下面用实地采录的两组数据来验证方法的可行性。

4 三维回波实际信号提取验证实验

采用两组实际数据测试。第一组数据目标为四个实验人员，雷达回波信号数据为111*121的虚数矩阵；第二组数据将四个实验人员去掉，目标为车辆，雷达回波信号数据为96*121的虚数矩阵。

按照流程设计，首先进行单一的自组织竞争神经网络分类，其分类结果可以看出，单一的进行Kohonen网络分类所选出的结果已经把大部分的非目标除去，剩下的图像中明显还含有小部分噪声，会对识别结果造成一定的干扰。

下一步，进行滤波后的Kohonen神经网络分类。结合第一次的运行结果和原始图像做对比，第二次的运行结果更为精简和明确，图像中基本不存在小型的信号凸起干扰。

根据之前定义的？琢和？茁来对图像的数据进行分析，结果如表2所示。数据和图像均显示这两次试验中，经过滤波处理的数据均比未出理过的数据所分类呈现出来的结果更精准，基本把噪声全部去掉，该方法具有很稳定的适用性和很好的提取效果。

表2 两组实际数据滤波前后的分类结果对比

5 结论

本文将均值滤波与神经网络相结合用于雷达三维回波信号的特征抽取，充分发挥了这两种方法的优势，通过仿真实验和对实测数据的提取，证明该方法是切实可行的。通过该方法所抽取的特征有效率信息率提高约3到4倍，冗余信息率减小约1倍，且具有良好的稳定性和很高的分类精度，其性能较传统的自组织神经网络分类器有很大提升。

【参考文献】

[1]孟祥青.雷达目标回波信号特性分析及仿真[D].河海大学，2007.

[2]刘焕乾，胡燕，刘宝丰.基于Matlab实现的雷达回波三维显示[C]//中国气象学会大气探测与仪器委员会、中国气象学会雷达气象学委员会、中国气象局气象探测中心.第26届中国气象学会年会第三届气象综合探测技术研讨会分会场论文集.中国气象学会大气探测与仪器委员会、中国气象学会雷达气象学委员会、中国气象局气象探测中心，2009：5.

[3]查品德.毫米波雷达回波去噪与特征提取研究[D].哈尔滨工程大学，2005.

[4]刘璇.基于无源雷达的动目标回波仿真与定位研究[D].大连理工大学，2013.

[5]罗亮，李国璋，杨权，贾志杰，滕飞.SOM-BP神经网络在机械故障诊断中的应用研究[J].车用发动机，2008，02：72-75.

[6]苏纯，胡红萍，刘辉，王晓燕，王建中，白艳萍.基于Kohonen网络的激光超声缺陷探测研究[J].数学的实践与认识，2014，23：185-190.

[责任编辑：王楠]