一种并行在线算法在弹道目标识别中的应用研究

摘要：本文针对非合作性弹道目标识别样本规模小、计算实时性需求高的特点，提出一种并行在线识别算法。该算法基于多核学习的不同核矩阵权重的自适应学习实现Σ煌飞行阶段目标特征的自选择，并进一步利用增量学习实现算法的在线化应用。进一步地，针对不同的飞行阶段人工干预参与学习的目标特征选择。仿真试验结果表明，该算法可用于弹道目标的头体分辨，计算效率高，准确率满足工程需求。

关键词：弹道目标识别 并行计算 多核学习

中图分类号：V271.4 文献标识码：A 文章编号：1007-9416（2016）10-0138-01

1 引言

弹道导弹为现代战争中最具威胁的攻击性武器之一，具有速度快、破坏力强、打击精度高、突防能力强等特点。对应地，弹道导弹攻防之间的博弈，便决定了导弹防御系统具有非合作性、决策时间短、资源效率有限的问题。作为弹道导弹防御系统的关键支撑技术，反导目标识别则面临样本规模极为有限、实时计算效率必须满足工程需求的特点。

由于反导目标识别的样本匮乏，多方面综合攫取弹道导弹的雷达目标测量特性便显得极为重要。多核机器学习能够同时完成多个特征空间的自学习，且各权重为学习过程中自动生成，满足多特征联合挖掘弹道导弹雷达特性的需求。同时，为满足实时进行目标属性决策并上报的需求，本文引入一种在线多核学习作为反导目标识别的决策器，仿真结果表明了该方法的有效性。

2 弹道导弹目标特性分析

弹道导弹主要飞行轨迹在大气层外，利用火箭到达预定的飞行轨道并达到预定的速度后，火箭熄火，头体分离。不同类型的弹道导弹的飞行轨迹、速度和加速度等信息差距较大，本文主要针对中近程弹道导弹。此类导弹全程飞行时间往往仅持续近十分钟，助推段时间不足两分钟，中段主要指导弹在大气层外飞行的时间，在整个飞行过程中持续时间最长，也为目标识别的最佳时机。该阶段往往已完成头体分离，进一步地，战术弹道导弹在头体分离时通常会释放多个目标构成弹头群以实现自身突防。各级弹体残骸、级间分离碎片等则形成弹体群目标。弹头目标往往具有姿态控制装置，因此，其RCS序列等往往表现出周期性特征，而弹体目标则不具备。再入段又称末段，为头体等目标进入大气层向打击目标飞行的阶段。该阶段由于大气过滤的作用，会将轻诱饵、箔条等目标过滤掉，仅剩弹头目标与重诱饵。

3 目标特性提取

折中考虑现役装备的带宽与识别任务，本文以窄带特征为主要手段，综合利用弹道导弹的基本运动特征、轨道特征、RCS序列特征实现对弹道导弹的头体分辨。

3.1 基本运动特征

弹道目标的运动特性与其轨道特性直接相关。导弹目标的“宏运动”特征涵盖速度、高度、加速度、距离等，“微运动”特征即微动特征，涵盖弹头目标的自旋周期、进动周期等。多数情况下，弹头目标的飞行高度要高于弹体目标，也在弹体目标的前方。

3.2 轨道特征

弹道导弹为轨道目标，发射后无推力作用时，其运动过程是可预测的，通常轨道特征可用于弹道目标的落发点预测。最为常用的轨道特征为轨道六根数，即轨道长半轴、偏心率、轨道倾角、升交点赤经口、近地点幅角和过近地点的时刻。

3.3 RCS序列统计特征

弹头目标在中段具有高速、自旋等特点，其动态RCS的规律性较强。而弹体目标则通常表现为翻滚等随机运动，并且这种随机性往往体现在量测得到的RCS时间序列上。本节采用RCS序列的均值、方差、变异系数来综合衡量RCS的起伏特性。其中，变异系数的定义如下：

式中，为标准差，为均值。目标运动趋势越稳定，其值越小。

3.4 质阻比

质阻比表征弹道目标质量与沿速度矢量上的有效阻力面积之比，表达式为

式中，为目标受到的空气阻力系数，为目标在速度方向上的投影面积，为弹道目标的质量（单位为千克/平方米）。通常情况下，再入战术弹头的质阻比约为5000～8000，诱饵则更轻。该特征在再入段最为有效。

4 基于在线多核学习的头体分辨

如前所述，不同特征在不同飞行阶段的有效性不同。常规算法中，所有特征往往组成一个特征向量，难以实现对不同特征的分类处理。在多核机器学习框架下，不同种类特征空间的学习可用不同的核函数执行。本文采用Rakotomamonjy等提出的SimpleMKL完成多核学习，其优化问题表述如下：

为第个核函数的权重，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。本文启用三个核矩阵分别对应运动特征（含轨道特征）、RCS序列统计特征、质阻比的特征空间学习。决策函数表征如下：

与经典SimpleMKL算法不同的是，本文采用增量式学习实现算法在线化。同时学习过程中，针对质阻比特征增加对飞行段的指示标志。其作用为飞行中段禁用质阻比特征，而再入段仅使用质阻比以实现弹头与诱饵的分类识别。

本节以仿真数据为例验证所提算法的有效性。其中，弹头目标有50个样本，弹体目标有50个样本。三个基本核矩阵的类型均采用“gaussian”型核函数，对应地，核参数设置为“0.5”、“1”和“2”。其中50%作为训练数据，50%作为测试数据，并且，将中段的测试数据与再入段的测试数据分开。验证过程中，设置弹道目标飞行阶段的标志，中段将质阻比特征对应的核矩阵置零，再入段则自动仅启用该剧镇。所得结果见表1。进一步地，在该数据上利用常规SVM算法进行验证，所获得的最优分类准确率为89.29%。

5 结语

本文基于多核学习提出一种并行在线分类算法，由干预不同核矩阵的权重实现对不同飞行阶段目标特征的自选则。仿真结果证明了所提算法的有效性。

参考文献

[1]A.Rakotomamonjy，F.Bach，S.Canu，Y.Grandvalet，SimpleMKL，Journal of Machine Learning Research，vol.9，2491-2521，2008.

[2]冯德军，王博，王伟，弹道中段雷达目标识别研究进展综述.中国电子科学研究院学报，142-148，vol.8，2013.

收稿日期：2016-07-25

作者简介：田西兰（1981―），女，山东泰安人， 高级工程师，博士，雷达目标识别设计师，中国电子科技集团公司第三十八研究所，研究方向为雷

达目标识别，机器学习；郭法滨（1979―），男，山东泰安人，高级工程师，博士，雷达总体设计师，中国电子科技集团公司第三十八研究所，研

究方向为雷达总体设计，架构设计。