基于孿生支持向量機的無人機目標檢測算法

余 波，馬曉斌，曹育維，梁 猛，李巖松

（中國航天科工集團8511 研究所，江蘇 南京 210007）

0 引言

近年來，無人機在諸多領域得到了廣泛的應用。在軍事領域上，無人機可用于多種類型戰場，基于無人機的多種技戰術也被廣泛應用［1］。隨著經濟的發展與無人機技術的不斷研發，越來越多與無人機相關的軍事活動［2］興起，無論是情報監視偵查還是對敵防空壓制［3］，無人機在其中都發揮著不可或缺的作用［4］。在雷達發展的早期，雷達將目標信息輸出到顯示設備上，顯示出包含噪聲、雜波的回波信號，通過人為干預等手段從包含干擾信息的回波數據中完成目標的檢測［5］。隨著檢測技術不斷發展，統計學理論開始被引入到檢測問題中。在實際檢測場景中，信號中會夾雜著不同類型和強度的雜波。例如在城市環境中，雷達接收的回波信號會受地雜波和噪聲影響；在海洋環境中，海雜波、電離層雜波和大氣噪聲也會嚴重干擾回波信號［6］。在存在干擾的環境中，要實現對目標的高精度跟蹤，不僅需要信噪比滿足檢測要求，還需要恒虛警檢測算法（CFAR）的支持。雖然CFAR 算法以及支持向量機算法（SVM）一定程度上能實現高精度雷達目標檢測，但是在復雜場景下難以對無人機進行高精度檢測［7］。

針對上述問題，本文提出基于孿生支持機（TWSVM）的雷達目標檢測算法，并介紹了算法框架、流程，最后在統一的仿真環境下將新算法與傳統CFAR 算法、基于SVM 的雷達目標檢測算法進行比較，實驗結果表明基于TWSVM 的雷達目標檢測算法在一定程度上彌補了傳統算法的缺陷，提高了在低信噪比情況下的目標檢測精度。

1 基于TWSVM 的雷達目標檢測算法

在基于TWSVM［8］的檢測網絡中，將待檢單元的幅值和兩側參考單元幅值進行組合形成數據組，作為分類的依據，如圖1 所示。若干個待檢單元進行處理分別形成訓練數據和測試數據。TWSVM 通過有目標單元和無目標單元特征向量分別訓練出正負樣本的分類超平面［9］。分類超平面分別由向量w1、w2的轉置決定，樣本通過與w1、w2的轉置進行計算可知樣本的類別?；赥WSVM 的檢測流程如圖2所示。

圖1 基于TWSVM 的算法原理

圖2 基于TWSVM 的檢測流程

首先對回波數據進行數據重組構建輸入數據。接著針對有目標數據和無目標數據的模型設置相應的核函數完成特征映射，至此得到模型的輸入。最后將處理后的數據輸入到設置好模型參數的TWSVM模型進行訓練［10］，此過程同樣也是循環，設置好循環跳出條件，若滿足則表示模型訓練完畢并達到要求，反之則修改相關參數繼續訓練。下面對TWSVM 檢測過程進行詳細介紹。

1）特征提取。雷達接收回波數據后通過一系列流程增大信噪比，得到距離多普勒數據。此數據包含目標位置、速度等信息，將目標的這些信息作為網絡訓練和測試的基礎［11］。

2）構建輸入數據。避開保護單元，將待檢單元幅值和兩側參考單元幅值重組形成基礎數據組，接著選取大量有、無目標單元，按照上述流程得到TWSVM訓練的輸入數據。

由于傳統CFAR 算法兩側各選取16 個待檢單元作為樣本，因此本文所提出的方法也沿用。32 個待檢單元的幅值組成一維向量作為基于TWSVM 的檢測網絡的輸入，形式為（x1，x2，…x17，x18，…，x33）。待檢單元的標簽作為網絡的輸出，標簽是單元有無目標的標志，存在目標則為1，反之則為0。

3）數據預處理。TWSVM 使用數據歸一化對數據預處理，用于提升數據特征表現力。數據歸一化方法具體為Min-Max 標準化，最終將訓練、測試數據都映射到[0，1]范圍。

4）核函數。由于選取的數據量和樣本特征數不匹配，所以選取高斯核函數對輸入數據進行處理，最后通過核函數進行特征映射以完成非線性分類任務。

5）搭建模型。搭建模型時需要設置一系列模型參數，包括分類類型、分類方法、核函數種類以及參數等。首先根據實際任務來確定分類類型是兩分類還是多分類，多分類可是多個兩分類任務的疊加。分類方法是TWSVM，相對而言，TWSVM 訓練時間更少且針對小樣本數據效果更好。

接著需要確定核函數的參數，在此考慮2 個參數，分別是C和gamma。C是懲罰系數，代表對誤差的容忍度；gamma是核函數自帶的一個參數。TWSVM 分類時涉及2 個模型，即2 個分類超平面，因此需要設置2 組參數。在先驗經驗下，TWSVM2 個分類超平面的懲罰系數設置為1，高斯核函數gamma系數選取13。

6）模型訓練。模型參數確定好之后就要進行模型訓練階段，此時需要指定損失函數的種類，一般可以選用合頁損失函數。確定合頁損失函數為損失函數后，就可以按照默認設置好的模型參數開始訓練模型，經過若干輪次的訓練后可以得到符合要求的TWSVM 模型。

2 算法仿真

1）仿真平臺和參數設置

本節為了驗證TWSVM 算法性能和針對低信噪比下無人機回波數據的檢測效果，選取了CFAR 和SVM 作為對比方法，在統一的仿真場景下對3 種方法進行測試對比。設置目標時選取速度也相對較小，選取信噪比主要考慮低信噪比情況。信噪比范圍是7.84～11.84 dB，間隔為1 dB。

2）仿真數據

以信噪比7.84 dB 為例，雷達通過發射信號探測到目標，接收機接收到回波信號后需要進行一系列操作提升信號信噪比。首先對每幀回波進行匹配濾波，完成脈沖壓縮，一幀的脈壓結果如圖3 所示。

圖3 信噪比7.84 dB 下脈壓結果

然后對同一距離門脈壓結果進行256 點的FFT運算，以此可以測出目標速度，得到距離多普勒形式的回波數據，回波數據形式如圖4 所示。

圖4 信噪比7.84 dB 下距離多普勒圖

3）結果對比

實驗對比方法包含CFAR、SVM 算法和TWSVM 算法，測試數據統一，評價指標為Pd、Pf和ACC。按照預設模型參數搭建好模型，設置梯度下降算法為學習算法，訓練輪次為1 000，學習率為0.5，經過固定輪次訓練后得到TWSVM 模型。對全部信噪比下的數據統一進行完測試后，結果指標參數如表1 所示。

表1 3 種算法檢測結果對比表

由此可見，高信噪比時，TWSVM 和SVM 性能均高于CFAR，且TWSVM 優于SVM。隨著信噪比下降，3 種算法性能均有不同程度的下降，但TWSVM 性能下降程度小于SVM，且各信噪比下性能都優于SVM。因此綜上，在不同信噪比下，TWSVM 對2 類樣本的區分能力均優于SVM，并且在低信噪比時仍能發揮較好的性能水平。

圖5 為CFAR、SVM 和TWSVM3 種算法在不同信噪比下的ACC。由此可見，隨著信噪比的降低，3 種算法的ACC有所下降，而SVM 和TWSVM 的檢測性能要優于CFAR。圖6 為SVM、TWSVM 的ACC局部放大圖，可明顯看出TWSVM 的檢測性能要優于SVM。

圖5 3 種算法不同信噪比ACC

圖6 2 種算法不同信噪比ACC

3 結束語

基于CFAR 的檢測方法在高信噪比下檢測性能良好，但是當信噪比降低時CFAR 的檢測效果會顯著下降。而基于SVM 的檢測方法雖然在一定程度上緩解了傳統方法在低信噪比下出現的檢測性能變差等問題，但從工程應用的角度出發改進效果還不夠。針對以上問題，本文提出了一種基于TWSVM 的雷達目標檢測方法，在高信噪比上提升了檢測精度，并在一定程度上緩解了傳統算法在低信噪比下檢測精度不高等問題，對基于機器學習算法的雷達目標檢測算法應用于工程問題上有一定的推動作用。在算法復雜度上，本算法較傳統算法而言提高了算法復雜度，因此在算法實時性上有一定降低，未來需要對此問題進行繼續研究。