炮位校射雷达检测方程及其应用

张明刘爽杨恒飞

摘要：本文研究天波雷达基于距离⁃多普勒（Range⁃Doppler,RD）图像的干扰检测问题。在干扰检测过程中，错误检测可能是干扰的漏检与虚警问题，为此考虑采用主动学习方法，将算法模型难以判决的样本由专家标注，并将标注样本加入至训练集中以达到提升检测性能的目的。同时，也需要解决训练集样本的冗余问题，为此使用原型数据学习方法，建立有干扰和无干扰样本数据云，有效地降低训练集样本量。实测数据实验表明，原型方法将初始训练集样本数量降低至23.5%，主动学习方法取得的检测准确率为97.42%，而传统监督学习最近邻方法准确率为87.96%。因此，本文方法能够有效提升天波雷达干扰检测能力，为天波雷达是否需要进行干扰处理与换频检测等工作提供可靠依据。

关键词：天波雷达；干扰检测；原型数据；主动学习；RD图像

1前言

天波超视距雷达（Over⁃the⁃HorizonRadar,OTHR）利用电离层反射高频电磁波，可以探测到视距以外的目标，有效作用距离可达3500km。由于其工作频段（3~30MHz）常有突发性干扰，天波雷达一直面临干扰分析与处理问题。外部干扰可对距离⁃多普勒（Range⁃Doppler,RD）图造成不同形态的污染，其中最为典型和严重的是瞬态干扰与射频干扰，因为它们能污染整幅RD图，严重降低天波雷达的目标检测能力。传统干扰检测主要是基于统计信号处理方法，研究重点在于干扰特性所在的时频域，而非与目标检测直接相关的RD图。

2问题描述

现有基于RD图识别的天波雷达干扰检测方法，采用基于监督学习的图像分类原理，主要有“RD灰度图生成⁃纹理特征提取⁃模式识别算法分类”三步。干扰检测器的设计思路是：使用干扰信号建模的仿真RD图像组成训练图库，使用纹理特征算子提取不同干扰类别的纹理特征，再使用支持向量机等模式识别算法，组建成RD图像分类器，完成干扰检测任务。目前，在现有RD图库中该分类器的干扰检测准确率可以达到90%以上。不过，考虑将上述方法用于OTHR工作场景的实测数据处理，发现了新的问题。首先，实测RD图尺寸多变，而原有仿真RD图尺寸固定。原有仿真图像的尺寸为一般数据，分辨率为256×256。但是，实测RD图像尺寸变化多样，可能为长条形，分辨率更低。其次，现有方法是基于监督学习，结合OTHR实际工作可以采用新的方法。1）为减少错误检测，希望用实测图补足训练集。将难以判决的样本交给专家标注并加入到训练集，是提高干扰检测准确率的重要思路。2）训练图库样本存在冗余问题，主动学习样本也会引起冗余，冗余样本的存在会直接影响检测效率。为此，本文结合原型数据与主动学习策略设计干扰检测方法。首先，引入原型数据学习方法，去除训练集中冗余样本，并在主动学习过程中进行原型学习与更新。其次，引入基于流的主动学习策略进行干扰检测工作。基于流的学习策略不对未标记样本作排序比较，而是对流入样本逐一作评估，将满足条件的样本进行专家标注。

3原型数据集学习与更新

RD图集由训练集与测试集两部分组成，其标签分为有/无干扰两种。训练集可采用仿真图库，其生成是基于信号模型的仿真数据。

3.1原型数据集

介绍原型数据学习的主要原理是基于数据密度与初始半径生成原型数据，其学习过程是无参数、无迭代过程且完全由数据驱动的。当给定训练集有C个类别时，与之相应的就会产生C个原型数据集，每个原型数据集由同一类别的图像特征构成。不同类别的原型数据集之间互不影响，且能独立完成数据更新。

3.2原型数据结构生成

数据云非常类似于集群，但它是非参数的，没有预先确定的规则形状，而是直接表示观测数据样本的局部集成性质。在本文方法中，不仅原始训练集会作原型学习，主动学习过程中加入的测试样本及其标签也会加入原型学习，因此原型数据集及其参数会随着学习过程持续更新。

4主动学习策略与干扰检测方法

4.1基于原型数据的图像分类准则

RD图库中标签为有/无干扰两种类别，经训练阶段生成彼此独立的两个原型数据集，使用原型数据集对待测图像进行逐个测试。基于原型数据的RD图像分类。分为图像处理与图像分类两个阶段。1）图像处理本阶段首先完成图像预处理工作。信号模型所仿真RD图尺寸为256×256，但实测RD图尺寸比例有所差别，导致原有分类器精度急剧降低。为使实测RD图特征更接近于仿真RD图，将不同尺寸大小的实测RD图复制拼接，达到仿真RD图尺寸大小。RD图干扰分类的根本依据在于纹理特征不同，将不同尺寸大小的实测RD图进行复制拼接对整幅RD图像的纹理特征形态影响较小，进而对干扰检测的影响可忽略不计。因为RD图像有/无干扰时具有不同纹理，因此纹理特征可用于分类器设计。已有工作经验发现，局部二值模式（LocalBinaryPattern,LBP）特征算子对RD图干扰检测具有较好效果。因本文研究重点在于分类算法的设计，所以采用表现较优异的LBP特征算子完成特征提取，其参数圆形领域半径R设为1，领域内像素点个数Q设为8。设待测图像I经图像处理过程后，得到对应的特征向量x。2）图像分类特征向量x针对每类原型数据集，生成对应的置信度分数，再比较各类置信度分数，判决得出预测标签。简言之，预测标签为测试图像在不同原型数据集中最高置信度分数对应的类别。

4.2基于原型数据与主动学习的干扰检测方法

主动学习侧重于查询信息量大的样本，将测试样本中容易判错的实例交由专家标注，即通过一个互动交互过程引入额外专家知识。本文将基于原型数据集，采用置信度衡量来检测干扰，并引入主动学习策略，查询信息量大的测试样本作人工标记后再加入训练集。本文采用基于流数据的主动学习方法，源于对OTHR实际工作考虑。天波雷达常常是每隔数秒接收1帧，每帧可有数十幅RD图像，干扰随时可能出现在任意一帧，具有很大的随机性。因此，基于流的主动学习可以直接处理当前帧当前图像，无需等待后续数据跟进，适合OTHR的实时处理需要。本文设计的主动学习分类器的工作思路是：针对每帧各幅RD图像，查询是否满足学习条件；如是，则将其加入缓冲池，专家每隔K帧对缓冲池样本作人工标注，并对其结果进行原型学习与更新；否则，对该幅图像进行标签预测。

结语

RD图像识别是天波雷达检测干扰的一个新思路。为了使天波雷达能够有效利用实测RD图像，本文结合原型数据设计了一种具有主动学习能力的干扰检测方法。原型数据学习不仅能够大幅减少原有仿真训练集样本量，而且在主动学习过程中进行持续更新，最终保持一个较小的训练原型数量。实测数据的实验表明，本文引入原型和主动学习策略后，所设计干扰检测方法相比传统最近邻监督学习方法，检测准确率提升约10%，其中干扰检测概率提升约13%，无干扰检测概率提升约8%。本文方法可对RD图像进行逐帧逐样本检测，适用于天波雷达的实际工作场景。

参考文献：

［1］高玉斌，岳显昌，周庆，等 .高频地波雷达射频干扰慢时域抑制方法［J］.雷达科学与技术，2023，21（1）:53⁃63.

［2］罗忠涛，夏杭，卢琨，等 .超视距雷达中距离⁃多普勒图的瞬态干扰自动识别方法［J］. 电子学报，2021，49（7）:1279⁃1285.