基于神经网络的认知雷达目标优先级综合评价方法

冯伟业 廖可非 欧阳缮 牛耀

摘  要： 为了解决认知雷达资源自适应调度中评价指标和评价方法单一而导致主、客观评价不一致的问题，根据空中目标威胁度以及目标图像质量，提出一种基于神经网络的认知雷达目标优先级综合评价方法，为认知雷达资源调度系统提供准确的调度依据。该方法首先建立目标的威胁度和成像质量的评价指标体系，然后采用BP神经网络和自组织特征映射（SOFM）神经网络对目标的优先级进行综合评价。仿真结果表明，该方法能够对多个目标的优先级进行客观、准确的评价。

关键词： 优先级综合评价; 认知雷达目标; 资源调度系统; 评价模型建立; 评价方法; 目标成像图分析

中图分类号： TN956?34                          文献标识码： A                         文章編号： 1004?373X（2020）09?0062?05

A cognitive radar target priority comprehensive evaluation method

based on neural network

FENG Weiye， LIAO Kefei， OUYANG Shan， NIU Yao

（School of Information and Communication， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： In order to solve the problems of inconsistent subjective and objective evaluation due to single evaluation index and evaluation method in the adaptive scheduling of cognitive radar resource， a cognitive radar target priority comprehensive evaluation method based on neural networks is proposed according to threat degree and image quality of aerial targets， which provides accurate scheduling basis for the cognitive radar resource scheduling system. In this method， an evaluation index system of target threat degree and imaging quality is established firstly， and then the target priority is comprehensively evaluated with BP （Back Propagation） neural network and SOFM （Self Organizing Feature Map） neural network. The simulation results show that the priority sequence of multiple targets can be objectively and accurately evaluated with this method.

Keywords： priority comprehensive evaluation; cognitive radar target; resource scheduling system; evaluation model establishment; evaluation method; target image analysis

0  引  言

近年来，随着世界各国航空航天活动的日益频繁，空间活动规模不断扩大，使得提高空间目标的探测与识别能力具有越来越重要的意义。但现有雷达成像技术对目标的自适应能力不强，发射波形、调制参数、工作频谱等往往不能随目标特征的变化而变化，尚不具备对不同性质目标的自适应调整能力，同时，对空间多目标的成像难以高效地利用雷达资源。而认知雷达技术因为能够解决对目标自适应能力不强的问题，已经成为当前雷达技术领域的一个研究热点[1?6]。在认知雷达理论体系中，将神经网络与目标特征信息相结合，可提升雷达对目标的成像能力。在对多目标成像时，可以根据不同目标特征及初步成像结果，形成对目标优先级的综合评价，根据优先级对有限的雷达资源进行合理分配，以实现对多目标的高效成像，从而实现雷达整体性能的优化。

但传统的优先级评价方法——层次分析法（Analytic Hierarchy Process，AHP）根据专家的知识经验而定，具有主观性;而采用数据聚类的评价方法往往忽略数据本身所具有的重要属性[7?8]，同时，在评价指标方面并未很好地将雷达图像质量和威胁度结合起来[9]。因此，本文提出基于神经网络的认知雷达目标优先级综合评价方法，使雷达图像质量指标与目标威胁度指标相结合，并将反向传播（Back Propagation，BP）和自组织特征映射（Self Organizing Feature Map，SOFM）神经网络应用于优先级评价。该评价体系能够借助神经网络的自我学习能力将专家的经验自动存储到权矩阵中，实现指标权重、优先级的动态评价，为雷达资源自适应调度提供准确的调度依据。

1  目标优先级综合评价模型的建立

本节是整体评价模型的概述，所设计的认知雷达评价系统主要包括目标威胁度评价和图像质量评价。其中，图像质量评价又作为目标优先级综合评价的子指标，二者共同反馈给认知雷达资源调度体系。该评价系统首先通过多功能雷达获取飞行目标的威胁度参数以及雷达粗分辨成像图，并采用BP神经网络对图像质量的权值作初步评价，再将图像质量和威胁度等优先级参数输入SOFM神经网络中进行聚类分析，完成目标优先级的最终评价。然后将评价结果反馈给认知雷达资源调度体系，为雷达资源自适应调度提供准确的调度依据。认知雷达目标优先级综合评价系统结构如图1所示。

2  目标优先级评价指标的建立

2.1  目标威胁度评价指标的建立

空中目标的威胁度是指敌方空袭目标对我方保卫目标破坏的可能性以及破坏程度，结合雷达资源成像的需求和空袭兵器的特点，本文选取目标速度、目标距离、航路捷径、成像窗口為威胁度指标。

2.1.1  目标速度

空中目标的飞行速度是衡量目标优先级重要度指标之一，通常目标的飞行速度越快，目标的威胁程度也就越大，对其成像的优先级就越高。目标速度的隶属函数为：

[η（v）=1-e-α1?v，    v>0]  （1）

式中[α1=0.005]，该参数可根据实际的空战环境调整。

2.1.2  目标距离

目标距离的远近在一定程度上反映了目标威胁度，通常目标的距离越近，威胁度就越大，成像优先级就越高。目标距离的隶属函数为：

[η（r）=1，     0≤r≤a1 e-k1（r-a1）2，    a1≤r≤2 000;k1>0]  （2）

式中：[k1=10-5]，[a1=500] km，该参数可根据实际的空战环境调整。

2.1.3  航路捷径

航路捷径是指空中飞行目标到成像雷达的飞行轨迹在水平面上投影的最短距离。飞行目标的航路捷径越大，威胁度越低，当飞行目标的航路捷径等于零时，目标的威胁度最大。目标航路捷径的隶属函数为：

[η（p）=e-k2?p2，    -200≤p≤200] （3）

式中，[k2=5×10-4]，该参数可根据实际的空战环境调整。

2.1.4  成像窗口

成像窗口作为目标优先级评价的参数之一，主要是评价对目标成像任务的紧迫性。成像窗口时间越短，优先级应当越高。目标成像窗口时间的隶属函数为：[η（t）=1，    t≤a211+α2（t-a2）β，    a20，β>0] （4）

式中：[α2=0.1，β=1，a2=5]，该参数可根据实际的空战环境调整。

2.2  目标成像质量评价模型的建立

电磁环境和战场环境复杂多变，一般很难获得理想的雷达成像图，同时，也缺乏很好的雷达成像图作为参考进行评判。因此，在对空中目标粗分辨成像图评价时，采用无参考的图像评价方法对雷达图像质量进行评价。本文选取标准差、平均梯度、图像熵、无参考结构清晰度4个图像参数为雷达图像质量提供评价依据[10?13]。

2.2.1  标准差

标准差是指图像像素灰度值相对于均值的离散程度。标准差越大，表明图像中灰度级越分散，图像质量也就越好，其计算公式为：

[σ=1M?Nn=1Nm=1M[f（m，n）-μ]2] （5）

式中：[f（m，n）]表示雷达图像中坐标为[（m，n）]的像素灰度值;[μ]为图像的平均灰度值。

2.2.2  平均梯度

平均梯度能反映图像的边界点或影线两侧附近灰度的明显差异，它反映了图像微小细节反差变化的速率，可以对图像的像素清晰度进行表征。一般地，平均梯度计算公式如下：

[G=1（M-1）（N-1）m=1Mn=1NΔI2x+ΔI2y2] （6）

式中：[ΔIx]和[ΔIy]分别为[x]与[y]方向上的灰度差分，其计算公式分别为：

[ΔIx=f（m，n）-f（m+1，n）] （7）

[ΔIy=f（m，n）-f（m，n+1）] （8）

2.2.3  图像熵

熵是一种基于信息论的统计量，雷达图像熵越大，说明图像所包含的信息量就越多，而且其聚焦性能也越好，图像越清晰。对于一幅像素[M×N]大小的雷达图像，图像熵[H]定义如下：

[H=-i=0255pilnpi] （9）

式中：

[pi=m=1Mn=1NgiM?N] （10）

[gi]定义如下：

[gi=1，     f（m，n）=i0，    f（m，n）≠i  ] （11）

式中：[pi]表示灰度值[i]在所有灰度中出现的概率;[ f（m，n）]表示雷达图像中坐标为[（m，n）]的像素灰度值。

2.2.4  无参考结构清晰度

无参考结构清晰度（No?Reference Structural Sharpness，NRSS）是一种改进的结构相似度评价方法，对图像的清晰度具有很好的评判效果，图像的NRSS越大，清晰度越好，其计算公式如下：

[NRSS=1-1Ni=1NSSM（xi，yi），     i=1，2，…，N] （12）

式中：[xi，yi]表示待评价图像和对应的构造图像中梯度信息最丰富的[N]个图像块[14]。

3  基于神经网络的目标优先级评价模型

3.1  基于BP神经网络的图像质量指标权重确定

对于2.1节的图像质量指标，AHP是根据专家经验进行权值确定，指标权值较为固定，并无法根据数据进行指标的动态调整，为了实现指标的动态评价，本文采用BP神经网络来确定图像质量高指标的权值。BP神经网络是一种误差逆向传播算法训练的多层前馈神经网络，其网络结构由输入层、隐含层和输出层组成。BP神经网络可以对优先级指标间的未知关系进行系统辨识，进而实现图像质量指标权重的确定[15]。同时，BP神经网络可随着数据样本的增多，通过不断地自我学习，进行指标权重的动态更新。

3.1.1  构建BP神经网络结构

为了确定图像质量指标权重，本文建立了三层BP神经网络结构模型，如图2所示。由于理论上已经证明，单个隐含层的网络可以通过适当增加神经元节点的个数实现任意非线性映射，因此，在本文中设定单个隐含层即可满足需求。由图2可知，输入层包含4个节点（对应图像质量的4个评价指标），隐含层根据神经网络经验公式设定10个神经元节点，输出层只包含1个节点，输出结果包含设定的4个评价等级之一。

3.1.2  确定指标权重

BP神经网络训练完成，达到分类精度后，输入层和隐含层之间的权重矩阵也就确定下来，输入层和隐含层之间的权重表示每个输入节点对图像质量好坏的影响大小，在获得连接权矩阵后，计算各输入层节点到所有隐含层节点间的绝对值之和，然后进行归一化处理，得到[m]个指标的权重，计算公式如下：

[qi=l=1kvili=1ml=1kvil，     i=1，2，…，m]   （13）

式中：[m]代表指标个数;[k]是隐含层神经元个数。

在确定指标权重后，将图像质量评价的4项指标数据[（σ，G，H，NRSS）]代入下述公式，得出单个目标的图像质量综合评价结果[U]：

[U=q1σ+q2G+q3H+q4?NRSS] （14）

3.2  基于SOFM的目标优先级综合评价

对第2节确定的目标优先级评价指标体系，由于在复杂多变空间作战环境中，很难找到多个典型的飞行目标样本作为参考，指标体系存在样本少、参数多的特点，无法满足传统神经网络的训练要求，因此选用了无监督的SOFM神经网络。其网络结构由竞争层和输入层组成，SOFM可以将任意维度的输入信号通过计算映射转变为一维或者二维的离散映射，并且以自适应的方式实现这个过程[16]。SOFM神经网络并不需要大量的数据样本进行训练，相比有监督学习的神经网络，对不存在的数据样本会有误判的情况，SOFM会将它归入最接近的模式类，在一定程度上避免了误判。

3.2.1  数据初始化

由于目标的图像质量指标以及目标的威胁度指标具有不同的單位和量纲，因而其数值的差异很大，因此在指标确定之后，对指标数据进行标准化处理。通常的标准化处理方法有：总和标准化、标准差标准化、极大值标准化、极差标准化。在SOFM神经网络评价模型中采用极差标准化，公式如下：

1） 正向指标（越大越好）：

[zi=yi-min1≤i≤syimax1≤i≤syi-min1≤i≤syi，   1≤i≤s]  （15）

2） 逆向指标（越小越好）：

[zi=max1≤i≤syi-yimax1≤i≤syi-min1≤i≤syi，   1≤i≤s]   （16）

式中[s]表示目标个数。

3.2.2  参数设计

输入层设计：输入层选择 5个神经元，对应于4个威胁度参数和1个图像质量总评价参数。

输出层设计：选择恰当的聚类参数，这里的参数设置是聚类的类别个数。本文中目标优先级类别采用SOFM神经网络进行评价时，过细的类别可能将很多飞行目标单独化为一类，从而失去意义，而粗线条的二分类意义也并不大。输出层采用通常认为具有最好排列方式的六边形网格和二维神经元排列结构[16]。通过多次实验，选择2×2的结构可得到较好的网络训练结果，即将目标的优先级划分为4个级别。

网络参数设计：为了使SOFM神经网络有很好的聚类评价效果，加快评价的训练收敛速度，设置总的训练步数为100步，这样保证了网络权值有很好的学习效果，同时波动较少。因为初始领域大小对识别的结果影响不大，在此设定初始化神经元领域的大小为3。距离计算公式采用链路距离公式函数，这样可以保证系统能够很快捕捉到输入的大致特征，加快收敛。

4  仿真实现

4.1  图像质量指标权值确定

利用本文确定的BP神经网络结构对144个ISAR成像样本进行训练，其中，116（80%）个数据样本作为训练样本，28（20%）个数据样本作为测试样本，训练结果如图3所示。在300批次时均方误差开始收敛，在3 000批次时，均方误差能达到0.010 818，对样本的识别概率能达到92.857%，满足对图像质量等级评价的要求。

根据式（13）可求出4个图像质量评价的归一化权重为：[qi]=[0.221 2，0.250 4，0.271 6，0.256 8]。

在某一成像雷达资源调度系统模型中，由多个传感器和成像雷达采集得到的10个飞行目标的逆合成孔径雷达（Inverse Synthetic Aperture Radar， ISAR）粗分辨成像图如图4所示，处理得到的图像数据如表1所示。

将图像质量评价的4项指标数据[（σ，G，H，NRSS）]代入式（14），得出单个目标的图像质量综合评价结果[U]，见表2。

从图像质量评价的参数表可以看出，以目标9，目标10为例，图像质量较好，对应的各项参数值较高，图像评价的数据基本与图像是吻合的，图像质量综合评价结果与实际中应体现的成像质量结果一致。

4.2  图像优先级的综合评价

图像质量综合评价结果[U]与目标威胁度参数共同构成5个评价参数，如表3所示。

代入相应的模糊度隶属函数，经计算得到飞行目标的隶属度值如表4所示。

将10个飞行目标优先级参数放入训练好的SOFM网络中，定义优先级等级为4，即聚类的类别为4，最后计算所得SOFM神经网络训练时间及目标优先级综合评价结果如图5所示。

分析数据可以看出：以目标1，6，9为例，在10个目标中，目标1，6的速度较高，距离、航路捷径较短，威胁度较高，在成像方面，成像窗口时间较短、成像质量较差，得出的综合优先级最高;目标9的速度较低，距离、航路捷径较短，在成像方面，成像窗口时间较长，成像质量较好，得出的综合优先级最低。故目标最终的优先级与飞行参数、图像质量相一致，验证了优先级评价模型的正确性，具有较高的可信性。此外，SOFM神经网络相比传统的神经网络，聚类评价时间短（0.29 s），能够适应多维复杂参数的评价，满足现代空间战争的时效性。

由图6可以看出，传统的AHP方法忽略了数据之间的关联性，当专家经验出现误差，主观评价指标距离指标权重过大时，会优先按距离指标进行评价，而忽略速度、航路捷径、成像窗口时间、成像质量对目标优先级的影响，这显然是不符合实际情况的。相比AHP，SOFM不会出现指标误判的情况，同时，SOFM无需专家进行指标权值评价，极大地提高了时间效率，即使数据量增大，计算效率也不会有明显的降低。当有新的参数出现时，只需稍微修改网络结构即可，无需再进行复杂的评判，具有很强的适应性。

5  结  语

针对雷达资源调度中存在较多的不确定因素，传统的评价方法并不能根据参数的变化、数据样本的增多进行及时调整，本文建立了基于神经网络的认知雷达目标优先级综合评价方法，采集并处理了ISAR图像数据参数以及威胁度参数，提出基于BP神经网络和SOFM神经网络的综合评价方法。仿真结果表明，该方法能对空中目标做出准确的评价，为ISAR图像的评价提供新的方法和思路，进一步为认知雷达资源调度系统提供信息反馈。

参考文献

[1] HAYKIN S. Adaptive radar： evolution to cognitive radar [C]// IEEE International Symposium on Phased Array Systems and Technology. Boston， MA： IEEE， 2003： 613?619.

[2] HAYKIN S， XUE Y， DAVIDSON T N. Optimal waveform design for cognitive radar [C]// 2008 42nd Asilomar Conference on Signals， Systems and Computers. Pacific Grove， CA： IEEE， 2008： 3?7.

[3] HAYKIN S. Cognitive radar： a way of the future [J]. IEEE signal processing magazine， 2006， 23（1）： 30?40.

[4] SMITS F， HUIZING A， ROSSUM W V， et al. A cognitive radar network： architecture and application to multiplatform radar management [C]// 2008 European Radar Conference. Amsterdam： IEEE， 2008： 312?315.

[5] BAKER C J. Intelligence and radar systems [C]// 2010 IEEE Radar Conference. Washington， DC： IEEE， 2010： 1276?1279.

[6] WICKS M. Spectrum crowding and cognitive radar [C]// 2010 2nd International Workshop on Cognitive Information Proces?sing. Elba， Italy： IEEE， 2010： 452?457.

[7] 徐志伟，宁志敏，卫明，等.基于层次分析法和灰色关联分析的目标威胁度评估[J].科技广场，2009（9）：16?18.

[8] 闫冲冲，郝永生.基于层次分析法（AHP）的空中目标威胁度估计[J].计算技术与自动化，2011，30（2）：118?121.

[9] 黄璐，王洋，金胜.一种ISAR图像性能定量评估方法[J].雷达科学与技术，2017，15（1）：43?49.

[10] 符永军，方棉佳，张永顺.模糊多因素多层次评判在目标威胁度中的应用[J].火力与指挥控制，2004，29（3）：88?90.

[11] 张娟，夏忠婷.基于信息熵的自适应资源调度算法[J].现代雷达，2015，37（8）：33?36.

[12] 句彦伟，张燕.ISAR图像质量评估方法[J].系统工程与电子技术，2015，37（2）：297?303.

[13] 黄璐，王洋，金胜.一种ISAR图像性能定量评估方法[J].雷达科学与技术，2017，15（1）：43?49.

[14] 谢小甫，周进，吴钦章.一种针对图像模糊的无参考质量评价指标[J].计算机应用，2010，30（4）：921?924.

[15] CUN Y L， BOSER B， DENKER J S， et al. Handwritten digit recognition with a back?propagation network [J]. Advances in neural information processing systems， 1990， 2（2）： 396?404.

[16] KOHONEN T， SOMERVUO P. Self?organizing maps of symbol strings [J]. Neurocomputing， 1998， 21（1/3）： 19?30.