吴剑旗：一种基于半监督学习的窄带雷达目标识别系统
今日荐文的作者为中国电子科技集团首席科学家、雷达专家吴剑旗和专家田西兰。本篇节选自论文《一种基于半监督学习的窄带雷达目标识别系统》，发表于《中国电子科学研究院学报》第10卷第1期。下面和小编一起开始学习吧~
雷达目标识别基于回波信号提取目标特征，实现目标属性类别或类型的自动判定。该技术是集传感器、目标、环境和信号处理技术为一体的复杂的系统工程。目标识别因其在军事预警、气象探测和地质勘探等领域的应用价值而备受关注。近期我国划定的东海及南海防空识别区屡屡受到美国、日本等国的挑衅，也使对目标识别的需求空前迫切。
目标识别源于模式识别，并大量继承了模式识别的基本理论和设计方式。近年来，国内外目标识别理论研究和实际应用较为成功的方法主要分为以下几类: (1) 基于目标回波起伏特性和调制谱特征的识别; (2) 基于极点分布的目标识别; (3) 基于极化特征的识别; (4) 基于高分辨雷达成像的识别。这些研究多集中于提取与选择反映目标属性的特征、模板库的建立、分类器的设计和匹配决策上。
综合以上信息，解决目标识别研究中目标回波难以标注，模板库建立方法复杂、过程漫长的问题，采用半监督学习以有效利用目标识别中的少量合作目标的标注特征和大量非合作目标的未标注特征是一个有效的解决途径。
01
窄带雷达目标识别
窄带雷达目标识别因其资源需求少、现有系统架构可继承性高、对模板库依赖性小等优点而在新型雷达设计和老雷达改造任务中具有良好的应用价值。目前，窄带雷达目标识别已在防空、反导、对海处理等领域积累了一定的研究基础，该技术可保证雷达在目标视距外获得相对准确的目标特性，并进一步支撑非合作目标的威胁等级判定与情报分析。因其巨大的军事价值与应用前景，窄带雷达目标识别一直是雷达界研究的热点与重点。
图1：窄带雷达目标识别过程
在窄带飞机目标分类识别中，目前应用最为广泛的特征为微多普勒调制特征。同一目标在不同的雷达视线角下调制谱线分布不同。因此，若准确进行飞机目标的类型区分，需要一定规模的准确标注的样本，而这在实际应用中往往较为困难。
02
基于半监督学习的目标识别系统
近年来以支持向量机(SVM，Support Vector Machine)为代表的核学习(KL，Kernel Learning) 算法因基于小样本且泛化能力好而在目标识别中有着广泛的应用。在核机器学习中，核矩阵可视为输入信息的一种表达形式。因此，相关核参数的选择直接影响到整个目标识别系统的性能。
由于产生机理不同，每类特征均有自身的产生条件和有效应用情境。经回波预处理及特征提取后，可获得多种典型的目标特征。在低分辨窄带处理方式下，飞机目标的分类识别应用较多的为调制特征，其种类繁多，产生机理相近。
图2：目标特征提取与选择算法
相对于基于单核的核机器学习方法，多核学习可实现输入信息的多角度表达，该特点在一定程度上实现了样本空间的扩大化。本文采用多核学习(MKL，Multi-Kernel Learning) 进行目标识别中的半监督学习算法设计。
图3：分类器算法设计
半监督学习算法通常基于“聚类假设”与“流形假设”实现对未标注数据的类别预测。前者的代表算法为TSVM，后者为Laplacian SVM。对于非合作性的雷达目标识别任务而言，各应用领域数据分布的先验知识相对较少，因此，本文采用一种多核半监督学习算法TSVM-MKL以综合不同数学模型假设。
图4：损失函数
对三大类飞机目标的分类从幅度调制特征、相位调制特征与周期调制特征中最终选定谱线间隔、幅度偏差系数、多普勒域积分三维特征。与常规识别系统相比，引入未标注样本的基于半监督学习的目标识别系统能够有效提高对未知目标的分类准确率。
03
结语
针对非合作目标样本难以进行准确标注，模板库建立复杂、建设过程漫长的问题，本文提出一种基于半监督学习算法的窄带雷达目标识别系统。首先利用目标特征产生机理的不同与应用场景的差异进行提取与选择，然后基于半监督学习算法TSVM－MKL 以综合利用大量的未标注样本，该分类器算法综合了两种数学假设模型，在未知样本分布的飞机目标分类识别中具有良好的分类性能。数据分析表明，由于降低了对标注样本的规模需求，本文所提的窄带目标识别系统具有良好的工程应用前景。
本文发表于《中国电子科学研究院学报》第10卷第1期，版权归学报所有，阅读全文请联系我们。
欢迎各位专家、学者赐稿！投稿链接
部分图片来自于网络
电话：010-68893411
邮箱：dkyxuebao@vip.126.com