应用研究
一种基于多核学习的舰船目标分类方法
数字投本与成用
田西兰1郭法滨1王贺2
(1.中国电子科技集团公司第三十八研究所，智能情报处理实验室安徽合肥230088;2.武汉科技大学湖北武汉430081) 摘要：本文针对现役雷达体制的审带宽、日标回波数据规模大的特点,提出一种运动平台下进行军舰、民船分类的方法。该算法基于多核学习算
法深度挖抵目标回波的强度、包络起伏等特征完或实现通过分类器学习中各核函数权重的白学习实现对日标回波特征分布的自速应调整。实测数据分析结果表明,该方法对于区分军舰、民船的可行性较高，具有良好的工程应用价值。
关键词多核学靓船日标分类审带回波特征
文献标识码：A
中图分类号：TN957.51 1引言
具备对海处理能力的现役雷达多为窄带体制，运动平台。由于海杂波特性的不明确，各雷达信息处理机制的不统一，运动补偿手段效果的不均衡，以及观测目标的非合作性等特点，一直难以提取稳定、有效的军民船分类特征。然而，在情报分析中，雷达发现目标后进一步提供舰船的军民属性对于作战指挥与合理分配雷达资源都是十分重要的。
现役雷达能够获得大量的窄带回波信息，目前尚未得到充分挖掘。近年来，多核机器学习、深度学习算法迅速幅起，并在手写体识别、语音识别、图像识别等领域获得成功应用。本文基于实测数据分析探索从数据挖掘角度解决军舰、民船分类的可行性。在不改变硬
件条件的情况下，探索提升雷达情报分析力度的可行性。 2舰船特性分析
舰船包括商船和军用舰船，军用舰船是指执行战斗任务和军事辅助任务的各类船舶的总称，重点关注的军用舰船主要包括护卫舰、驱逐舰、巡洋舰、两栖舰和航母。民用舰船多为油轮、货轮、集装箱、散装船等为主。军、民船在尺寸及速度上区分不明显。通常来说，军用舰船的结构分布较为固定，散射点个数相对较多，结构相对复杂；民用银船的结构分布则相对平滑。
目标回波的幅度为舰船目标分类任务中的重要特征，然面，幅度强度的变化规律与目标自身往往为复杂的非线性映射关系。一般情况下，如图1所示，大型目标回波包络起伏较快，小型目标的回波包络起伏较慢
目标的远近、探测波束与天线阵面的夹角、海杂波分布情况等都会很大程度的影响目标的幅度强度，单一手段的幅度修正往往效果欠佳，处理过程需要不同程度自适应调整，工程实现难以进行。 3基于多核学习的舰船目标分类
核机器学习(Kernel Learning)具备良好的泛化能力和丰富的工程实现经验。其主要思想为利用核函数将输人向量映射到高维空间，进而转化为较易求解的线性问题。不同核函数对应不同的映射规则，自适应的切换核函数的种类与各自的权重则能实现对模式识
(a)小型目标
(b)大型目标
图1典型目标的回波包络起伏特征
表1舰船目标分类结果
分类问题
军、民舰船区分
大型军舰与其它的区分收稿日期：2015-09-08
分类准确率
89.4% 98.8%
文章编号:1007-9416(2015)10-0086-01 别问题数据分布的不同假设
多核机器学习(Multi-KernelLearning，MKL)同步优化多个代价函数，针对不同的学习样本，在训练过程中完成对不同样本分布假设的自适应调整。优化问题表述如下：
min J(d) such that 式中，
d, =l, d_ ≥0
J(d)s. ,≥J_(x,)+y,b≥15
5≥0
d为第m个核函数K。(x)的权重，其大小代表了当前核函
数表征的分布假设在最终决策中所占的比重。取值越大，该假设便越重要
军用舰船、民用舰船目标的分类识别可被构建为二分类的模式识别问题：输人样本为特征向量X，输出为该向量所对应的标签。掌握从输人X到输出的映射规则，即可实现对目标的自动分类识别。本系统中，采用回波包络起伏特征作为主要特征进行军、民船的分类，决策函数表述如下：
Z.(r)+b f(x) =
识别过程分为训练和测试两部分：训练过程由所提供的样本红，y通过求解获得，和b获得决策器模型。训练结束后，利用所得模型对未知的测试样本进行预测可获得目标的分类判决结果。
本节以某型雷达实测数据为例，对所提算法进行验证。数据采集带宽为2.5MHz，所采集类型涉及三型军用舰船(包含大型军舰和小型导弹艇)共计2000数据和包含散装船油轮等的共计3000民用舰船数据。性能测试过程如下：将5000慎实测数据分为5份，每次取其中一份为训练集合，剩余4份作为测试集合，
由于大型军舰与小型导弹艇的威胁程度与应对策略不同。本章尝试两类识别问题：一为军舰、民船的区分，另一类为大型军舰与其它类型舰船的区分。所得结果见表1.结果表明本文所提算法的有效性。 4结语
本文从数据挖掘角度出发，基于多核学习算法进行窄带回波包
络信息的深度挖掘与分类算法的自适应调整。基于实测数据的分析
结果表明，所提算法对军舰、民船区分有效。参考文献
[1]X. Tian, G. Gasso, S. Canu. A multiple kerne1 framework for inductive semisupervised SVM learning. Neurocomputing. 2012.[2]吴剑旗,田西兰，一种基于率监督学习的窄带雷达目标识别系统中国电子科学研究院学报.2015.
[3]李青.李斌.胡文俊.等.基于低分辨雷达的海面舰船目标分类识别技术.现代雷达,2012
作者简介：田西兰(1981一),女，山东新泰人,博士,38所工程师，研究方向为雷达日标识别，机器学习；郭法滨(1979一),男，山东泰安人,博士,38
所工程师,研究方向为雷达总体设计,体系架构设计；王贺(1991一)男，安微合肥人项士研究生,研究方向为电子信息技术与信息资源管理。
86