基于主成分分析和神经网络的目标识别*

陈新来

(海军蚌埠士官学校，安徽蚌埠 233012)

0 引言

战争条件下，目标属性信息的获取具有很大的不确定性，更使得海战场目标的识别面临很大的困难。能否对目标进行准确快速识别关系到战场的胜负，各国都致力于目标识别技术的研究。目前采用的目标识别方法主要有基于隶属度和D-S理论的目标识别［1－3］、基于贝叶斯网络的目标识别［4］、模糊聚类和模糊模式识别［5］、图像融合的目标识别［6］和一些智能方法［7－8］等。这些方法综合运用目标的物理特征和战术特征对目标进行识别将可以提高对目标类型识别的准确性和科学性，但同时也增加了指标的复杂性和综合分析的难度。随着传感器技术的发展使海战场可以获得的目标信息空前广泛，涉及运动特征、电磁特征、声响特征、影像特征等各个方面，将传感器得到的信息全部用于对目标的识别，冗余信息的加入使得识别复杂性增加，识别速度大大减慢，无关信息的加入甚至会使目标识别中出现较多的误判。而海战场态势分析对目标的识别速度与准确度要求是很高的。

可以将统计分析与神经网络结合起来，首先运用多元统计分析中的主成分分析法对海上目标的多项指标进行综合聚集，将海上目标繁杂的高维价值指标浓缩为互不相关的低维指标来处理，借助神经网络学习能力强，而且有一定的泛化能力的特点，能够对未在样本中出现的目标进行正确识别。提高识别速度和准确度。

1 基于主成分分析和BP神经网络的海战场目标识别

1.1 主成分分析用于属性聚集

主成分分析(principal component analysis，PCA)是一种通过降维技术把多个变量化为少数几个主成分(即综合变量)的统计分析方法。这些主成分能够反映原始变量的绝大部分信息，它们通常表示为原始变量的某种线性组合。主成分分析的一般目的是变量的降维和主成分的解释。海战场目标识别中采用主成分分析法进行属性聚集的步骤如下:

Step 1: 计算相关系数矩阵

式中:R 为实对称矩阵;rij(i，j=1，2，…，p)为原变量xi与xj之间的相关系数。

Step 2: 计算特征值与特征向量

Step 3: 计算主成分贡献率及累计贡献率

主成分zi的贡献率为

累计贡献率为

一般累计贡献率达85% ～95%的特征值λ1，λ2，…，λm所对应的第一、第二，…，第 m(m≤p)个主成分。

1．2 基于BP神经网络的海战场目标识别

人工神经网络(artificial neural network，ANN)在神经解剖学、神经生理学以及神经元的电生理过程等研究基础上，借助数学和物理方法从信息处理的角度对人脑神经网络进行抽象，建立简化模型［9－10］。在模式识别/分类中BP网络应用最广泛，是前馈网络的核心。用于海上目标识别的BP神经网络设计方法如下。

Step 1: 确定网络层数

BP神经网络可以包含不同的隐层，理论上已经证明，在模式样本相对较少的情况下，较少的隐层节点，可以实现模式样本空间的超平面划分，此时选择两层BP网络就可以了;当模式样本数很多时，减小网络规模增加一个隐层是必要的，但BP网络隐层数一般不超过两层。采用主成分分析法与BP神经网络进行识别时采用两层BP网络。

Step 2: 确定输入层与输出层节点数

输入层节点数等于输入矢量的维数即主成分数。输出层节点数为待分类模式总数，此时对应第j个待分类模式的输出为

即第j个节点输出为1，其余输出均为0。而以输出全为0表示拒识，即所输入的模式不属于待分类模式中任何一种模式。

Step 3: 隐层节点数

对于一个具有无限隐层节点的两层BP网络可以实现任意从输入到输出的非线性映射。但对于有限个输入模式到输出模式的映射，并不需要无限个隐层节点。对于模式识别/分类的BP网络，根据经验可以参照如下公式进行设计:

式中:n为隐层节点数;ni为输入节点数;n0为输出节点数;a为1～10之间的常数。

Step 4: 传输函数

BP网络中传输函数通常采用S(sigmoid)型函数:

采用BP网络进行模式识别，一般采用S型函数。因此在进行海战目标识别时，采用S型函数作为神经网络的传递函数。

Step 5: 训练方法

BP网络学习方法很多，这些方法具有自己的特点。理论和实践证明将弹性BP算法(resilient back－PROPagation，RPROP)进行训练应用于模式识别时，其速度是最快的［11－12］。同时，为了提高 BP 网络的泛化能力，采用提高BP网络泛化能力的策略。进行海上目标识别采用RPROP算法进行训练以提高网络收敛速度和识别效率，同时采用提前终止法提高网络的泛化能力。

将各主成分的得分作为神经网络的输入进行训练，各种优化策略的采用使得算法具有较高的收敛速度和泛化能力。然后用训练好的神经网络对已知样本和未知样本进行识别来测试算法的有效性。

2 海战场识别属性的确定及目标类型的划分

海战场用于目标识别的技术手段主要有雷达、ESM、光电传感器和雷达成像技术［11］。综合利用这些传感器可以得到关于战场目标的多种信息。由这些传感器得到的海战场目标的属性主要包括:巡航速度、雷达反射面积、编队数量、电磁特性、发现距离、航迹类型等。选取这些特性作为识别属性，将这些属性标准化后用于海上目标的识别。

通过对海战场目标的特性分析，将海战场目标分为以下四类:

I类:该类目标为航母、巡洋舰。属于大型目标。

II类:该类目标为驱逐舰、护卫舰。是各国海军主要作战舰艇。

III类:该类目标为巡逻艇、快艇。这类目标大都运动速度快，机动性强。

IV类:该类目标为侦察船、测量船、商船、渔船等。这类目标对我威胁度较小，一般运动较慢，航迹较固定。

3 算例仿真

根据以往的资料积累可以得到一些目标属性及目标识别结果，如表1所示。

将样本数据标准化(归一法)后采用主成分分析法计算相关系数矩阵的特征值与贡献率，如表2所示。

表1 目标识别样本Table 1 Sample of target recognition

表2 相关系数矩阵的特征值及贡献率Table 2 Eigenvalue of the correlation coefficient matrix

将各属性贡献率与累计贡献率表示为图1，2。

若取累计贡献率阈值δ=0.85，则有3个主成分，得分矩阵为S。

用得分矩阵训练建立好的BP神经网络，得到误差下降曲线和目标识别结果如图3，4。

对训练结束后的网络进行测试，可以对样本进行100%准确率的识别。对新发现的目标进行识别结果如表3所示。

图3 神经网络训练误差下降曲线Fig.3 Curve of error descending

图4 测试样本识别正确度Fig.4 Testing of the arithmetic

将基于主成分分析法和神经网络的目标识别算法与没有经过属性聚集后作为输入的神经网络识别算法进行对比。神经网络在相同训练算法和优化策略下，2种网络同时训练50次。没有经过属性聚集的神经网误差下降曲线和目标识别结果分别如图5，6 所示。

表3 目标识别测试Table 3 Target recognition testing

虽然对样本经过了主成分分析法和神经网络的2次计算，但由于主成分分析法去除了对识别贡献率小的属性，使识别维度大大降低，加快了神经网络的收敛速度，而主成分分析法的算法相对简单。仿真结果表明，经过2次运算，计算时间度并无大的改变。同时由于这些时间仅在神经网络训练期间产生，而不会影响到识别阶段，因此，该方法在时间复杂度上具有一定的优势。

4 结束语

采用基于主成分分析和神经网络的海战场目标识别方法能够将多项识别属性进行综合聚集，各种优化策略的使用使神经网络具有较快的收敛速度和很高泛化能力。主成分分析与神经网络的结合既能减少识别属性，有效利用多项识别指标又能具有较快的识别速度和很强的自学能力，并具有一定的泛化能力。这种识别方法非常适合战场条件下目标属性不易获取或获取不完全的情况，可以有效的对海战场目标进行识别。最后通过对比仿真试验证明了该方法的有效性。

［1］ 牛鹏飞，王晟达，马健．基于隶属度和D－S理论的雷达目标识别方法［J］．微计算机信息，2007，23(11):218－220．

［2］ 姚钦，肖明清．基于证据理论的交互式目标识别算法［J］．系统工程与电子技术，2005，27(27):592－596．

［3］ 李玉榕，蒋静坪，杨富文．基于神经网络的D－S证据理论应用于多传感器目标识别［J］．仪器仪表学报，2001，22(6):652－655．

［4］ 肖秦琨．基于贝叶斯网络的海上目标识别［J］．微机发展，2005，15(10):152－154．

［5］ 眭志方，张冰，朱志宇，等．模糊聚类和模糊模式识别在目标识别中的应用［J］．电光与控制，2007，14(4):35－38．

［6］ 刘松涛，周晓东，杨绍清．图像融合系统研究现状［J］．电光与控制，2007，14(5):14－18．

［7］ BRYANT A，BRYANT J．Recognizing Shapes in Planar Binary Imagers Pattern Recognition［C］∥ Proc．Int．Comput．Symp．，1989:155－164．

［8］ 李飚，李吉成，沈振康．一种基于神经网络的红外目标识别方法［J］．系统工程与电子技术，1999，21(2):39－47．

［9］ 朱大奇，史慧．人工神经网络原理及应用［M］．北京:科学出版社，2006．

［10］ MAGALI R，MEIRELES G，PAULO E，et al．Comprehensive Review for Industrial Applicability of Artificial Neural Networks［J］．IEEE Trans on Industrial Electronics，2003，50(3):585－601．

［11］ GEVREY M，DIMOPOULOS I，LEK S，et al．Review and Comparison of Methods to Study the Contribution of Variables in Artificial Neural Network models［J］．Ecological Modelling，2003，160(1):249－264．

［12］ 王强，胡维平，胡建平，等．基于几何不变性和BP网络的二维目标识别算法［J］．北京航空航天大学学报，2001，27(4):413－416．