一種基于深度神經(jīng)網(wǎng)絡(luò)的起航算法

杜建暉

（四川大學(xué)視覺合成圖形圖像技術(shù)重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都610065）

0 引言

起航是指探測(cè)系統(tǒng)在還沒有進(jìn)入可靠的跟蹤維持之前所進(jìn)行的一系列航跡確立過程。經(jīng)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(shù)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(shè)計(jì)的規(guī)則或邏輯，判斷按批次順序的量測(cè)組合是否為真實(shí)目標(biāo)，其實(shí)質(zhì)是一個(gè)分類問題。傳統(tǒng)的方法都需要根據(jù)經(jīng)驗(yàn)來設(shè)置決策門限值，用于判斷量測(cè)值是否來自原目標(biāo)。門限值的設(shè)定往往影響著整個(gè)航跡起始過程的效果[4]?？墒沁@類門限有其自身的局限性：對(duì)環(huán)境的認(rèn)知不佳。而本文提出的方法是根據(jù)低空監(jiān)視雷達(dá)歷史數(shù)據(jù)作為訓(xùn)練集來進(jìn)行擬合以便構(gòu)建分類方法和門限，避免了人工設(shè)置門限值的人為誤差，而且適應(yīng)性強(qiáng)，對(duì)于不同的雷達(dá)，模型可自適應(yīng)進(jìn)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(duì)一次雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，初步減少雜波對(duì)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(jīng)網(wǎng)絡(luò)DNN 模型進(jìn)行訓(xùn)練。算法流程如圖1 所示。

圖1 基于深度神經(jīng)網(wǎng)絡(luò)航跡起始算法流程

1.2 神經(jīng)網(wǎng)絡(luò)

1.2.1 DNN 神經(jīng)網(wǎng)絡(luò)

從單層感知機(jī)發(fā)展到多層感知機(jī)，在神經(jīng)網(wǎng)絡(luò)中隨著網(wǎng)絡(luò)層數(shù)的可增加性，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到更加復(fù)雜的非線性的模型。深度神經(jīng)網(wǎng)絡(luò)（DNN）一般是指模型中有大于一個(gè)隱藏層。DNN 模型主要有以下幾個(gè)特點(diǎn)：第一，在權(quán)重的初始值設(shè)定上，純BP 算法采用的是隨機(jī)值，而DNN 權(quán)值的初始值與之相比更加接近權(quán)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(fù)雜度，同時(shí)也增強(qiáng)了模型的表達(dá)能力；第三，輸出層的神經(jīng)元數(shù)量可以選擇復(fù)數(shù)，適用于本文中的分類任務(wù)；第四，在激勵(lì)函數(shù)使用中，本文的分類任務(wù)特征采用的是ReLU 激勵(lì)函數(shù)，并在最后一層采用Softmax 函數(shù)進(jìn)行預(yù)測(cè)分類，并在預(yù)測(cè)時(shí)添加了Adam優(yōu)化器進(jìn)行優(yōu)化。

本文基于工程上的起航問題，并將其轉(zhuǎn)換為二分類問題：即雷達(dá)量測(cè)數(shù)據(jù)的點(diǎn)跡能否用于航跡起始。以從低空監(jiān)視雷達(dá)收集到的大量的量測(cè)數(shù)據(jù)作為數(shù)據(jù)集，利用DNN 網(wǎng)絡(luò)模型對(duì)其進(jìn)行訓(xùn)練，得到對(duì)雷達(dá)量測(cè)數(shù)據(jù)中可用于建航的選取能力，以此來進(jìn)一步提升航跡起始算法的準(zhǔn)確率，增強(qiáng)起航算法在低空雷達(dá)雜波較多的環(huán)境下的適應(yīng)能力。

此算法適用的場(chǎng)景為：雷達(dá)起航中順序技術(shù)量測(cè)數(shù)據(jù)預(yù)處理后，一種對(duì)暫態(tài)航跡的確認(rèn)狀態(tài)。也就是說對(duì)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(jīng)過多層網(wǎng)絡(luò)層的模型迭代處理，以分類的方式輸出暫態(tài)航跡為真實(shí)起航與預(yù)警起航。本算法的特點(diǎn)是目標(biāo)運(yùn)動(dòng)模型的建立不需人工的干預(yù)，算法有較小的復(fù)雜度，對(duì)量測(cè)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(luò)的特點(diǎn)是參數(shù)比較多，節(jié)點(diǎn)數(shù)也多，其缺點(diǎn)是容易出現(xiàn)過擬合現(xiàn)象，我們采取增大訓(xùn)練集的樣本量級(jí)的方式來避免此現(xiàn)象對(duì)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(dá)數(shù)據(jù)經(jīng)過邏輯法預(yù)處理后的量測(cè)組合數(shù)據(jù)，提取其中相鄰兩個(gè)掃描周期點(diǎn)跡之間的平均速度(Vxk1,Vxk2,…,VxkN-11)(Vyk1,Vyk2,…,VykN-1)，連續(xù)三個(gè)掃描周期點(diǎn)跡的加速度(axk1,axk2,…,axkN-2)(ayk1,ayk2,…,aykN-2)，連續(xù)三個(gè)掃描周期點(diǎn)跡的兩端連線的夾角(φk1,φk2,…,φkN-2)。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果分析

2.1.1 數(shù)據(jù)集的大小

DNN 深度神經(jīng)網(wǎng)絡(luò)因?yàn)樾枰冉?jīng)過邏輯法進(jìn)行預(yù)處理，四個(gè)掃描周期內(nèi)的連續(xù)四個(gè)點(diǎn)跡數(shù)據(jù)合并為一條數(shù)據(jù)進(jìn)行處理，總的訓(xùn)練集數(shù)量7560 條。

2.1.2 訓(xùn)練集的損失值和精度變化

訓(xùn)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(shí)線代表代表損失值的變化曲線?？梢钥闯?，當(dāng)?shù)綌?shù)為500 步時(shí)，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(xùn)練集的損失值和精確度的變化

2.2 真實(shí)數(shù)據(jù)對(duì)比實(shí)驗(yàn)

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

2.2.1 測(cè)試數(shù)據(jù)準(zhǔn)備展示

本文使用的低空監(jiān)視雷達(dá)掃描周期為5s，每次間隔100s 提取4 個(gè)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(cè)試數(shù)據(jù)。共包括點(diǎn)跡數(shù)據(jù)6840 個(gè)點(diǎn)跡數(shù)據(jù)，形成1280 條航跡，真實(shí)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(gè)點(diǎn)跡數(shù)據(jù)（15 條真實(shí)航跡）進(jìn)行過程展示。量測(cè)數(shù)據(jù)的原始分布和真實(shí)航跡目標(biāo)運(yùn)動(dòng)軌跡如圖3 所示。

圖3 量測(cè)數(shù)據(jù)的原始分布和真實(shí)航跡運(yùn)動(dòng)軌跡

2.2.2 部分測(cè)試數(shù)據(jù)預(yù)處理展示

本文使用的低空監(jiān)視雷達(dá)的距離觀測(cè)標(biāo)準(zhǔn)差是15m，范圍角觀測(cè)標(biāo)準(zhǔn)差是0.2°。

當(dāng)采用修正的Hough 變換進(jìn)行航跡起始時(shí)，設(shè)定其中的閾值為γ=8。

當(dāng)采用本文中采用的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行航跡起始前，先采用邏輯法進(jìn)行預(yù)處理，參數(shù)設(shè)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(jì)117條，如圖4 所示。

圖4 預(yù)處理后結(jié)果

2.2.3 部分測(cè)試數(shù)據(jù)實(shí)驗(yàn)結(jié)果展示

（1）使用修正的Hough 變換法的航跡結(jié)果如圖5

圖5 修正Hough變換下航跡起始結(jié)果

（2）使用基于深度神經(jīng)網(wǎng)絡(luò)模型的航跡結(jié)果如圖6

圖6 基于深度神經(jīng)網(wǎng)絡(luò)DNN模型航跡起始結(jié)果

2.2.4 整體測(cè)試數(shù)據(jù)實(shí)驗(yàn)結(jié)果分析

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

表1 基于兩種航跡起始算法的檢測(cè)概率和虛警率

從修正的Hough 變換和基于深度神經(jīng)網(wǎng)絡(luò)這兩種方法的實(shí)驗(yàn)結(jié)果來看，DNN 深度神經(jīng)網(wǎng)絡(luò)相對(duì)來說具有比較好的結(jié)果，在相同雜波環(huán)境下，DNN 神經(jīng)網(wǎng)絡(luò)航跡起始檢測(cè)概率高于修正的Hough 變換的同時(shí)，其虛警率也明顯低于修正的Hough 變換。使用DNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)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(zhǔn)確。

3 結(jié)語

在低空監(jiān)視雷達(dá)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(cè)準(zhǔn)確率較低，虛警過多，造成后期航跡跟蹤運(yùn)算量大且易產(chǎn)生跟蹤誤差。針對(duì)這一問題，本文采用了一種基于深度神經(jīng)網(wǎng)絡(luò)DNN 的航跡起始算法。實(shí)驗(yàn)表明，該方法與傳統(tǒng)的修正Hough 變換法相比，檢測(cè)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(shì)。在實(shí)際應(yīng)用場(chǎng)景中，有一定的使用價(jià)值。