0 引言

目前, 雷达信号的目标识别技术发展很快，而海上舰船雷达信号目标自动识别系统仍然是当今研究的重点^[1]。在重要技术环节上，世界上其他国家都开展了探究并获得一定的研究成果。文献[2]提出探究雷达信号识别舰船物理原理和散射体声波数学模块的方法。文献[3]则采用现代信号处理技术提取雷达信号回波中的特征数据，采用人工智能识别方式获取特征识别数据的方法，然后设置分类器进行识别。但是雷达信号特征数据的信息图像经常分散存在，采用传统方法对获取统计数据进行精确分析十分困难，也不能精确识别目标特征点^[4-5]。所以对于种类繁多的海上雷达目标，需要设计一种创新有效的雷达目标自动识别系统，这也是日后现代军事发展中一个需要重点研究的方向^[6]。

本文对舰船雷达信号目标特征自动识别系统的建立过程中，提出在Web网络中对舰船雷达目标图像进行数据整合，形成数据库^[7]，运用基于ICA算法为基础的改进FastICA算法^[8]，对雷达目标图像进行提取，在此基础上，对提取信息实施及时分析。采用智能雷达回波视频图像识别系统，以回波视频图像的基本要素和回波变化特征为基础，结合基于无监督投影的识别算法^[9-10]，运用操控雷达人员从实践中逐渐累积的常识及经验，对简易判断规则进行概括，同时变换为计算机程序，运用上述判断规则，与具有类似智能分析识别效果的方法共同使用，实现雷达目标识别。将推理判决机制技术与优越的人工智能分析技术结合，构建了基于Web网络下的技术综合、操作快捷、服务作战的海上目标雷达回波图像自动识别系统。

1 雷达回波自动识别系统组成

海上目标雷达回波视频图像识别系统由语义Web雷达目标数据库、智能识别、推理判决机制3部分组成，系统构成和信息流程如图 1所示。

进行雷达目标自动识别的基础过程及原理是：操作雷达人员通常在工作过程中会积累并形成思想定式，对舰船雷达信号特征信息图像具有相当程度的识别能力，通过对雷达目标回波视频特征图像的非智能判断，将采集的回波视频样本通过语义Web网对数据进行重新组合，推出最佳方案，将数据输出到雷达信号目标识别数据库中；与此同时，针对关键性信号目标图像，通过对图像分割模块处理，再获取目标图像特征点，回传到回波特征数据库中，作为日后分析图像的样本图像。判决策略则是智能分析技术回波判断推理系统，将分布于不同空间的雷达信号目标图像特征点进行归纳、对比、堆集、判断及改正的综合智能判断系统。重要作战时刻，要求迅速、精确、自动辨别雷达信号目标图像，首先对未曾出现的图像信息特征点进行检索，依据此图像特征点在大批量样本图像数据库中进行快速对比鉴定，根据判断推理机制进行判别，将判断结果进行智能分析，回传数据库中储存，并输出雷达信号目标图像。

1.1 Web语义下雷达目标识别数据库

雷达信号目标回波特征识别体系是一种软硬件相结合的高速实时自动化识别系统。因为舰船目标特征的信息量过大，并且传统方法识别目标单一，所以，需要引入全新的思考方向和思维方式，语义Web网力图实现的是目前所有网路数据的无缝式信息连接，能被计算机自动处理，提高了回波系统对舰船雷达目标识别的精确度。在语义描述层中，供应一个语义维度，使之无论是层次内部还是外部，都能有效地进行图像特征数据的重组和交互。图像数据语义需要添加到Web网服务组合模型中，在推理机和组合编辑器的共同作用下，获取最佳分析数据，供数据库使用。图 2是雷达回波图像特征信息数据库在语义Web网中的数据库功能模块。

上述模型主要功能包括Web服务语义网的建模、对雷达信号目标图像数据进行处理，将Web服务语义网络和需求推理运算综合运用，获得可行的Web服务分析方案，最后评估出最佳方案，返回用户端，实现在Web网环境下雷达信号目标数据的重新组合。

1.2 雷达回波系统智能识别的实现

在实现回波智能系统时可操作的具体方法如下：1）雷达回波视频图像特征点的总结；2）建立雷达目标视频图像特征点数据库；3）雷达信号目标图像分析和特征点的获取；4）以目标图像检测和图像配比识别为目标。接下来在建立雷达信号目标识别系统时，总体必须体现为智能分析和智能运作。首要第一步是了解回波视频图像辨识范围内的大部分定义、本相、关联和方式方法等，包括解决智能系统问题依据的基础判断知识以及建立雷达信号目标识别数据库的判断知识，一方面是由雷达信号专业分析人员（操作雷达人员及重要技术人员）获取；另一方面是通过收集大量关键性回波视频资料图像，运用雷达信号专项技术智能处理系统分析获取；最后完善智能分析系统中数据知识的形式逻辑和保存工作，以确保数据知识的精确性、统一性、完备性。

在智能系统构建过程添加模块存储器，使之在Web语义环境中对大量雷达目标进行处理。先检测存储，再进行高速智能重组精确分析，识别后输出最佳有效数据，使人工判读和现代自动识别机制结合成智能自动识别系统。

1.3 推理判决机制的实现

雷达目标回波特征提取是对目标进行自动识别的基础, 并且回拨视频图像自动分析系统中的识别推理判决机制至关重要。在判决机制方面，构造目标基于知识模式型的识别方法，建立雷达回波显影特征的推理机制判决策略。获得必要的4类目标数据及回波变化视频图像特征点后，通过获取人工观测雷达回波的成像特征，对目标雷达图像进行判断。由于操作雷达人员具备大量的原始积累，部分操作雷达人员具有相当高的水平；智能识别系统中，人工不能实现的部分是对雷达信号目标特征点的自动提取。现将人工判断与智能识别功能综合运用，技术方面互相交互，从而产生了以雷达信号回波视频图像为基础的智能识别系统。运用此系统采集得到的真实舰船目标回波数据，对目标进行粗略分类，运用共性策略和个性策略反应出目标的差异性，从共性中寻找个性，从个性中推理判断目标的程序。在雷达目标的人工判别过程中，操作雷达人员运用关联推理判断方法，即以雷达信号多空间特征点为依据，通过知识判断规则，运用普通思考方法，判断其真实性质。从底层向上层，各层雷达信号回波视频特征点向均上层输出信号，基于底层收集的初始视频信号进行推理判断，得出最佳数据组合。智能系统运用正面推理判断的过程如下：

1） 初选规则前件库中第Ⅰ条规则（原始值Ⅰ=1）；

2） 依据规则的保证条件，寻找是否有数据库进行数据支持；

3） 若匹配完成，将规则结果储存于数据库；

4） 筛选下一条规则（Ⅰ=Ⅰ + 1）；

5） 依据以上的反复过程，直至不再重复此过程，得到最终数据，以此数据为基准，做出推理判断，运用PROLOG开发语言编程，将人工判断的数据变换成计算机程序语言，最终输出数据图像。图 4为判决推理模型。

2 实现回波系统识别图像及改进FastICA算法 2.1 改进FastICA算法

雷达信号目标自动识别系统是以目标及周围空间雷达信号回波视频数据为基础，根据目标和环境的雷达回波信号, 运用目标电磁散射分布机理, 获取目标数据特征点, 完成对目标性质和类别自动判断。信号目标的多层结构信息量是雷达自动识别目标的重要依据, 由于旧式雷达识别信号的数据具有不准确性，不能达到识别目标的目的，本文的智能雷达识别系统是对雷达技术发展的进一步探究，提出了一种基于独立分析的改进算法——FastICA算法，将相应的数据组成向量，作为目标特征向量，结合雷达目标智能识别系统进行工作。具体算法如下：

针对高分辨率雷达信号特征，采用近似负熵作为目标函数，利用快速梯度搜索算法进行运算。设X为经过处理后的信号（均值为0，方差为1），w为ICA模型中待估计的分离矩阵W与独立分量s_i相对应的行向量，满足：

$ {s_i}{\kern 1pt} {\kern 1pt} {\kern 1pt} = {\kern 1pt} {\kern 1pt} w_i^{\text{T}}{\kern 1pt} {\kern 1pt} X \text{。} $

(1)

FastICA算法的基本思想是：需找投影向量w_i，使得X在w_i上面的投影w_i^TX非高斯最大。实际中，由于概率密度分布函数未知，因此采用基于概率密度函数的负熵计算很不方便，运用更有效的负熵近似值计算公式：

$ \begin{equation} J{\kern 1pt} {\kern 1pt} ({w_i}){\kern 1pt} {\kern 1pt} \approx {\kern 1pt} {\kern 1pt} \left[{\left\{ {G{\kern 1pt} (w_i^{\text{T}}{\kern 1pt} {\kern 1pt} X)} \right\}-E\left\{ {{\kern 1pt} {\kern 1pt} G(v)} \right\}} \right]\text{，} \end{equation} $

(2)

式中：G()为非二次函数；v为一个标准正态分布的随机变量。FastICA算法通过寻找，使得J(w_i)取极大值的投影方向w_i，相应得到一个独立分量s_i。使J(w_i)取极大值，则要求

$ \begin{equation} E{\kern 1pt} {\kern 1pt} \left\{ {Xg{\kern 1pt} {\kern 1pt} (w_i^{\text{T}}X)} \right\}{\kern 1pt} {\kern 1pt} = 0 \text{。} \end{equation} $

(3)

式（3）中g()为G()的导数，由牛顿迭代定理，得

$ \begin{equation} w_i^ + = {w_i} - \frac{{E\left\{ {Xg\left( {w_i^{\rm T}X} \right)} \right\}}}{{E\left\{ {{X^{\rm T}}X{g^{'}}\left( {w_i^{\rm T}X} \right)} \right\}}} = {w_i} - \frac{{E\left\{ {Xg\left( {w_i^{\rm T}X} \right)} \right\}}}{{E\left\{ {g\left( {w_i^{\rm T}X} \right)} \right\}}}{\text{。}} \end{equation} $

(4)

式中：

$ \begin{equation*} \begin{array}{l} E{\kern 1pt} {\kern 1pt} \left\{ {{X^{\text{T}}}Xg{'}(w_i^{\text{T}}X)} \right\} \approx\\ {\kern 1pt} {\kern 1pt} E{\kern 1pt} {\kern 1pt} \left\{ {{X^{\text{T}}}X} \right\}E\left\{ {g{{\kern 1pt} ^{'}}{\kern 1pt} (w_i^{\text{T}}X){\kern 1pt} } \right\}{\kern 1pt} {\kern 1pt} = {\kern 1pt} {\kern 1pt} E\left\{ {g{{\kern 1pt} ^{'}}{\kern 1pt} (w_i^{\text{T}}X){\kern 1pt} } \right\}\text{。} \end{array} \end{equation*} $

对公式进行归一化处理，得到

$ \begin{equation} {w_i}{\kern 1pt} {\kern 1pt} {\kern 1pt} = {\kern 1pt} {\kern 1pt} {w_i}^ + {\kern 1pt} {\kern 1pt} /{\kern 1pt} {\kern 1pt} {\kern 1pt} \left\| {{w_i}^ + {\kern 1pt} } \right\| \text{。} \end{equation} $

(5)

按照式（4）进行迭代，收敛得到的w_i^T对应分离矩阵W的行向量，可提出一个独立分量s_i。对于多个独立分量，可反复重复上述过程进行分离，得到矩阵W，获得混合矩阵A，以此作为样本特征向量。

综述以上算法，完成了复杂的雷达回波数据分析，提取了雷达目标回波视频图像的特征点，为识别图像提供了依据。

2.2 雷达目标回波图像识别

雷达信号目标识别系统核心数据经过预先处理、特征提取后，为保证识别系统的快速响应能力，提出了基于图像矩阵的无监督鉴别投影方法。为避免目标识别与分类器发生错分，投影准则应确保雷达目标样本图像在使用该准则后，能选取最小化局部散度的同时，使非局部散度最大化，通过如下图像矩阵准则函数，来实现雷达目标识别：

首先，局部散度函数定义为：

$ \begin{equation} {J_N}(w){\kern 1pt} {\kern 1pt} = {\kern 1pt} \frac{1}{2}\frac{1}{{{m^2}}}\sum\nolimits_{i = 1}^m {\sum\nolimits_{j - 1}^m {{H_{ij}}} } {\left\| {{y_{i{\kern 1pt} {\kern 1pt} }} - {y_j}} \right\|^2} \text{，} \end{equation} $

(6)

非局部散度函数定义为：

$ \begin{equation} {J_N}(w){\kern 1pt} {\kern 1pt} = {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \frac{1}{2}\frac{1}{{{m^2}}}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^m {(1 - {H_{ij}})} } {\left\| {{y_{i{\kern 1pt} {\kern 1pt} }} - {y_j}} \right\|^2} \text{，} \end{equation} $

(7)

其次，准则函数实现步骤如下：

$ \begin{equation} {\text{Max}}Ju{\kern 1pt} {\kern 1pt} (w){\kern 1pt} {\kern 1pt} = {\kern 1pt} \frac{{{J_N}(w){\kern 1pt} {\kern 1pt} }}{{{J_L}(w){\kern 1pt} {\kern 1pt} }}{\kern 1pt} {\kern 1pt} = {\kern 1pt} \frac{{{{\boldsymbol{w}}^{\text{T}}}{S_N}{\boldsymbol{w}}}}{{{{\boldsymbol{w}}^{\text{T}}}{S_L}{\boldsymbol{w}}}} \text{，} \end{equation} $

(8)

如果投影轴w取为单位矢量（w^Tw=1），式（8）可以表示最优模型

$ \begin{equation} \begin{aligned} MaxJu{\kern 1pt} {\kern 1pt} (u){\kern 1pt} = & {\kern 1pt} \frac{{{{\boldsymbol{w}}^{\text{T}}}{S_N}{\boldsymbol{w}}}}{{{{\boldsymbol{w}}^{\text{T}}}{S_L}{\boldsymbol{w}}}} \text{，}\\ s.t.{\kern 1pt} {\kern 1pt} {{\boldsymbol{w}}^{\text{T}}}{\boldsymbol{w}}{\kern 1pt} {\kern 1pt} = & 1 \text{。} \end{aligned} \end{equation} $

(9)

通过求广义矩阵式（10）的前d个最大特征值，所对应的单位特征矢量w₁, w₂..., w_d，可以使准则函数公式（9）最大化。

$ \begin{equation} {S_N}{w_k}{\kern 1pt} {\kern 1pt} = \lambda {S_L}{\kern 1pt} {w_k} \text{。} \end{equation} $

(10)

无监督鉴别投影算法能使雷达目标图像的识别率及稳定性都达到最佳效果，使舰船雷达目标识别系统对雷达目标实现最优化，成功且准确地识别舰船雷达目标图像。

3 实验结果分析

为验证该算法的精确度和稳定性，通过实验比较传统算法与无监督鉴别投影算法在Matlab环境下的编程，把2种算法进行对比、测试，得出实验结果。

2） 实验1

从目标库中取出10幅雷达目标图像作为样本图像，在仿真环境下，对其特征向量提取时间T（s）、图像精确度Q（%）、误差率L（%）实行比较，得到结果如表 1所示。

由表 1可看出，无监督鉴别投影算法对舰船雷达目标自动识别的精确度高，误差率低。

2） 实验2

通过2种算法，分别对雷达目标采集的图像进行识别，对于2种算法识别效果，对比效果如图 5和图 6所示。

从图 5和图 6可看出，传统算法对雷达目标特征向量点的提取不精确，不能完成准确识别；而改进算法较大幅度提高海上雷达目标识别率和作战效率。

4 结语

针对舰船雷达传统模式识别目标方法的局限性，本文提出了基于语义Web的舰船雷达回波视频图像自动识别系统，通过语义环境提取大量目标特征信息，重新组合形成数据库，储存于模块控制器中。以此为依据在分类器中进行输出，采用无监督鉴别投影算法对在Web网组合的数据矩阵进行分析，综合运算后，对舰船雷达目标自动识别。该系统解决了雷达难以对海上目标自动识别的问题，进一步优化和改善雷达自动识别系统的功能，丰富了回波视频图像数据库中的样本，有一定实用性。