0 引言

雷达目标识别(radar target recognition,RTR)是指利用雷达发射的电磁波对目标进行照射,获得回波加以分析,从而确定目标的数量、种类和类型等属性,是雷达研究中的一个重要方向,尤其在军事领域中受到重点关注。图1是雷达探测到目标的高分辨距离像(high resolution range profile,HRRP),HRRP是宽带雷达获取目标在视线方向上的一维投影矢量和,包含丰富的目标信息,如目标尺寸、结构、形状和散射体分布等,且比较容易获取和处理,因此,已经成为了识别空/天目标的重要依据[1]。

图1 飞机目标的HRRP示意图
Fig.1 The HRRP of an aircraft target

目前,国内外对基于HRRP的雷达目标识别展开了充分的研究,在研究的过程中,主要集中于2个方面,即合作目标的识别和非合作目标的识别问题。合作目标的数据获取较为容易,往往具备庞大的数据量;而非合作目标数据的获取往往比较困难,受探测距离、探测环境以及目标属性等影响,稳健健全的非合作目标HRRP的样本数量较少,也是目前基于HRRP的雷达目标识别中亟待解决的问题之一。在识别方法上,早期主要是基于特征提取的方法,从样本中提取稳健特征,选择合适的分类器分类。另一种方法是基于统计模型的识别方法,从训练样本中获取相应的模型参数,根据测试样本中对应的概率判定类别。近年来,深度学习在各领域的研究得到飞速发展,在目标识别领域的应用也越来越广泛。与传统基于特征提取的识别算法相比,深度学习模型可以自动提取HRRP中反映目标本质属性的深层次特征,从而对不同目标进行分类和识别。从原理上来说,以上几种方法存在一定程度的交叉,本文中针对具有大量数据基础的合作目标识别问题和小样本的非合作目标识别2个问题,从以上3种方法的角度,对基于HRRP的雷达目标识别进行综述。

1 基于特征提取的雷达HRRP目标识别

目标的HRRP包含丰富的结构特征,在传统识别方法中,系统的识别性能很大程度上取决于目标特征的选择和特征提取的准确性。理论上来说,用于分类的特征越多,目标的可分类性越强,然而在实际中并非总是如此,有些特征并不总是反映目标的本质属性,对分类无法起到积极作用,且特征越多,维数越高,越容易引发维数灾难。因此,选择能反映样本本质的特征,剔除与分类任务无关的特征,从而提高识别模型的泛化能力是十分重要的。

1.1 样本完备情况下的目标识别方法

众多研究者对特征选择和特征提取方法展开了深入探索。文献[2]从实测HRRP中提取了双谱特征,文献[3-4]将一维HRRP数据转化为二维谱图数据用于识别,而文献[5]则将双谱-谱图特征结合起来,使得特征更加具备噪声抑制能力。文献[6]定义了波峰数量、距离像真实长度、质心、2个最大峰间距和最大峰到近距离边缘距离等5个特征,从VV和HH 2个极化中提取了共计10个特征来对目标进行分类识别。文献[7]从散射随机性、散射矩阵结构性、物理结构和Mueller矩阵相似性4方面提取了39个特征,提出了一种基于归一化互信息并利用模拟退火算法进行优化的全局最优特征选择算法NMI-SA,对39个特征进行重点分析,最后选择出了25个辨别力强、冗余度低的最优特征。文献[8]考虑目标精细化的尺寸信息,首先通过时序HRRP数据来估计目标径向尺寸,获得径向尺寸的目标均值、极差、中值以及结尾均值等4种特征,然后对这4种特征拼接获得更具鲁棒性的高维特征。

此外,HRRP具有幅度敏感性、平移敏感性和方位敏感性,选择特征时需要考虑这些特性。文献[9]从HRRP中提取中心矩和分布熵等平移不变特征,并将之组合为一个新的特征向量以应对平移敏感性;文献[10]针对HRRP的方位敏感性将平均功率特征用于识别;文献[11]使用小波去噪处理HRRP后将噪声阈值作为强散射中心的检测阈值,可以有效消除目标姿态对HRRP的影响。这些特征的提取有助于消除HRRP的幅度、平移或者方位敏感性,为HRRP数据的预处理提供技术支撑,但提取的特征相对单一,并不能很好的刻画目标本质,还需要结合其它稳健不变特征一起开展目标识别,以期获得更高的识别效率及精度。

目标特征提取方法也受到了学者的广泛关注。文献[12]提出一种基于散度的HRRP特征优选方法,优选后的特征子集在降低特征维度的情况下识别性能有一定的提升。文献[13]在Clean算法的基础上提出了基于简单散射点模型的Relax算法用于雷达目标识别。文献[14]提出一种改进Relax算法,提取不同的散射点来重建距离轮廓。但Relax算法需要合适的超参数设置和数据预处理,才能获得最佳的特征提取效果。文献[15]采用进化算法获取自适应小波特征参数来表示HRRP,在原始特征空间中提供了更多可分离和灵活的信息。文献[16]提出了基于平均度量尺度、不定度量尺度和金字塔型度量尺度3种特征提取方法提取极化特征,提取的特征具有良好的可分性。

总体而言,基于特征提取的方法存在一定的局限性。一是不同目标之间的特征存在一定差异,特征选取不当可能会导致对不同目标的刻画不够全面或准确,识别方法泛化性也会变差;二是当目标种类繁多时,针对不同目标需要提取特征不一,特征提取所需要的计算量会变大,系统复杂度高,处理速度慢;三是不同的分类器具有不同的分类能力和特征适应性,各个类型特征对应的最佳分类器不尽相同,因此,在基于传统的特征提取的目标识别中,也需要重点考虑特征类型和分类器的关联问题。

1.2 小样本情况下的目标识别方法

在实际的应用中,当探测敌方非合作目标时,难以进行持续的检测和跟踪,很难获取大样本、高信噪比的HRRP数据,而这类目标也是我方识别的重点,如何在样本数量较少的情况下保持较高的识别性能,是雷达目标识别领域亟待解决的问题。

雷达非合作目标的识别中主要面临以下问题:一是训练样本和测试样本的信噪比失配问题;二是训练集样本少,在姿态角方面数量不完备问题;三是具有方位、平移和幅度敏感性问题,而这其中方位敏感性更难克服。因此,常规用于大数据集的识别方法在用于小目标识别时,往往容易出现过拟合和泛化性能差的问题,需要着力于提取具有明确含义的深层次反映目标本质的特征进行识别。

在传统的识别方法中,通常采用以下几种方法来解决小样本问题,一是对HRRP进行降维或变换,提取低维度的不变特征;二是通过数据增强的方法对原始数据进行扩充,常用的方法包括旋转、翻转、缩放和平移等;三是选择适用于小样本识别问题的分类算法,并加以改进,提高识别精度。

提取HRRP低维度的不变特征可以降低系统对训练样本数量的需求。文献[17]提取的强散射中心的反射强度和位置信息具有不变性质。文献[18]通过计算出距离像的各阶中心矩来构成具有平移不变性质的特征向量。

数据增强是小样本识别中的另一种解决办法。文献[19]提取了HRRP的散射中心,并提出一种HRRP方位外推模型来获取缺失方位下的HRRP数据,提高了数据完备性;文献[20]提出一种小样本分布估计的数据语义增强方法,在特征空间中为模型识别提供潜在充足训练样本。

选择合适的分类算法,往往能获得较高的识别性能。支持向量机(support vector machine,SVM)是小样本识别中的重要分类器,文献[21]提出了增量支持向量数据描述ISVDD算法,可在训练过程中减少对样本集数量的需求;文献[22]提出一种带负例扩展的支持向量数据描述方法,并在其中引入特权信息学习从而获得更好的识别性能,适用于低信噪比和小规模数据集的识别。

传统的目标识别方法所提取的特征一般具有明确的含义,可解释性强,代表了目标的一些根本特性,可以在一定程度上提升HRRP目标识别的性能。但这些特征大多依赖于研究人员的认知和以往的经验,且很少考虑到特征之间的关联程度以及不同特征具有不同的可分性。另外,传统基于特征提取的方法在小样本数据集上的识别效果普遍不佳,离实际需要还有一定的差距,且通常存在泛化性能不足的问题,需要研究更具泛化性、性能更高的方法以应对小样本的识别问题。

2 基于统计模型的雷达HRRP目标识别

统计模型(statistic model)是指以概率论为基础,采用数学统计方法所建立的模型。统计建模具有诸多优势,如能够对模型参数分布进行估计,泛化能力更强;可融入一定的先验知识,可为目标识别提供更多可靠信息,提升识别性能;模型迁移能力更强,同一模型适用场景广泛等。因此,基于统计模型的雷达HRRP目标识别得到了广泛的关注和研究。常用的统计模型包括线性判别分析、因子分析、贝叶斯方法、非参数检验、马尔科夫链等。

2.1 样本完备情况下的目标识别方法

文献[23]针对目标方位敏感性问题,提出一种基于边际Fisher分析(marginal fisher analysis,MFA)的改进有限元方法——核自适应(kernel adaptive MFA,KAMFA)方法。利用核技巧来提取样本的非线性特征,可以基于样本间类别的相似性度量,自适应地为每个样本分配权重,从而更好地约束类内紧密性和类间可分离性。文献[24]将HRR信号的散射中心概率化,提出一种表征雷达目标信号的分层次贝叶斯信号模型,可以自动确定优势散射中心的数量,并推断各目标各方位帧的复散射系数和位置的后验分布。该模型在识别过程中,对低信噪比的测试样本,可以通过分析后验估计进行去噪和恢复,有效提高模型的噪声稳健识别能力。

因子分析(factor analysis,FA)模型被广泛应用于雷达目标HRRP的统计识别之中,其基本思想是基于某种规则函数建立一个低维子空间,通过一定映射关系将现有高维样本投影到低维子空间中。

文献[25]开发了一个最大边缘因子分析(max-margin FA,MMFA)模型,利用潜在变量支持向量机作为潜在空间中的分类标准来学习具有最大边缘约束的判别子空间。为了处理多模态分布数据,该文将MMFA扩展到无限高斯混合模型,建立了无限最大边缘因子分析(infinite MMFA,iMMFA)模型,可以对提取的数据隐特征进行识别。文献[26]利用局部因子分析(local FA,LFA)模型对HRRP数据的非高斯性进行建模,可以形成隐特征到观测数据的单层非线性映射。文献[27]针对类间可分离性较强的低维特征提取问题,提出一种基于距离度量约束的混合因子分析(distance metric restricted mixture FA,DMR-MFA)模型。模型集成多个FA模型,通过引入距离度量约束,促进每个子集的隐特征学习向可分离的方向发展,提高了模型的类间可分性。几种基于FA的HRRP统计识别模型识别准确率如表1所示。

表1 不同模型在目标HRRP数据上的识别率比较

Table 1 Comparison of recognition rates of different models on HRRP data

文献[30]提出一种基于多任务学习(multi-task learning,MTL)的因子分析模型来表征复杂HRRP的幅度特征。文献[31]引入多任务学习机制,开发了一个标签约束卷积因子分析(label constrained convolutional FA,LCCFA)模型,该模型将因子分析、卷积运算和监督学习相结合,对所有数据共享卷积字典,每个字典原子被用作一个小尺度的卷积核,用卷积模型学习数据的隐特征,并将之映射到样本对应的类别标签上,约束了参数的学习。标签约束可以让不同类别的权重向量差异增加,使得该模型的类间可分性更强。文献[32]扩展了MTL-FA模型,提出一种标签辅助因子分析(label-aided FA)模型,引入离散类标签来限制模型参数的学习,利用标签之间的差异引导隐特征向类间可分的方向进行学习,提高识别能力。文献[33]将卷积运算集成到统计建模中,开发了一种基于卷积因子分析(convolutional FA,CFA)的概率生成模型。CFA模型把每个字典原子作为卷积核,将观测样本表示为一系列字典原子和对应权向量的卷积之和,维度较低;同时,这些字典原子能够捕获反映数据本质的如线条、单尖峰等局部细节信息,从而需要更少的字典原子来描述观测结果。基于以上2个特性,CFA模型中的字典尺寸远小于FA模型中的加载矩阵尺寸,因此,该模型具有更低的模型复杂度,对训练数据的样本数要求更低。不同FA模型之间的优缺点如表2所示。

表2 不同FA模型的对比

Table 2 Comparison of different Factor Analysis models

在自编码器模型中,编码器可以学习概率隐分布,解码器可以对概率隐分布的采样特征进行重构,被广泛应用于HRRP的识别之中。自编码器(auto-encoder,AE)的结构如图2所示。

图2 自动编码器的基本结构
Fig.2 Basic structure of auto-encoder

文献[34]提出一种因式判别条件变分自编码器(factorized discriminative conditional variational auto-encoder,FDCVAE),用于学习提取目标的鲁棒特征并预测HRRP样本标签。该模型将所提取的隐特征经分类器映射到样本对应的类别标签上,实现了深层概率隐藏特征的监督学习。模型通过引入标签信息、平均像信息和权重分解方法,在特征分离方面表现了足够的优越性,如图3所示,相比原始数据和堆叠去噪自编码器(stacked denoising auto-encoders,SDAE)[35],该模型在目标识别和距离像重构方面更具可扩展性和高效性。

图3 原始数据的分离和采用SDAE、FDCVAE进行特征提取
Fig.3 The separation of original data and features extracted by SDAE, FDCVAE methods

文献[36]开发了一种因式分解复变分自动编码器(class-factorized complex variational auto-encoder,CFCVAE)模型。解码器由多个子解码器组成,每个子解码器只对相应类别的隐特征进行解码,编码模块将观察到的数据投影到潜在空间中,再将隐特征馈送至解码器中进行解码。通过按类解码,使解码器只对所属类别数据具备更好的描述能力,对其他类别数据描述较差,提高了特征表达能力,减小重构误差,可直接实现对测试样本类别属性的判决,也避免了所提特征与后端分类器不匹配的问题。

2.2 小样本情况下的目标识别方法

在统计模型中,许多模型参数量较大,用于目标识别时依赖于完备训练数据的充分学习,在数据量大幅减少的情况下,识别性能大幅下降。但许多统计模型方法在小样本的情况下依然表现出识别性能的优越性,文献[37]提出的多任务TSB-HMM模型由于共享参数,在小样本识别方面具有明显的优势,在识别门限为80%时,多任务TSB-HMM对样本的需求量仅为单任务方法的1/25,大大降低了对样本数的需求。

因子分析(FA)方法在小样本情况下识别性能大幅下降[38],对其进行改进后,在小样本情况下取得较好的识别效果。文献[29]提出的MTL-FA模型通过在不同目标的所有方位帧上共享大尺寸的加载矩阵,集体学习相关参数,提升了小样本数据集下系统的识别性能。文献[31]提出的LA-FA模型在小样本的情况下具有更优的识别性能,当每帧数据有20个训练样本时,LA-FA模型相比MTL-FA模型,识别率提升了7%。文献[39]提出的CFA模型中的字典尺寸远小于FA模型中的加载矩阵尺寸,对训练样本数量需求低。文献[40]提出多任务复数因子分析(MTL complex factor analysis,MTL-CFA)模型,将数据描述推广到复数领域,对多类目标帧的概率函数学习过程中,共享加载矩阵,利用贝塔伯努利稀疏先验自适应地选择各任务因子,完成多任务学习,每帧样本数在70时,识别率高于85%。

文献[41]提出一种基于相似性保持多任务学习(similarity preserving MTL,SP-MTL)的统计识别模型,在多任务学习中引入描述HRRP数据相似性信息的相似性保持约束,增强了训练样本有限情况下统计模型的判别能力。当设置识别阈值为80%时,SP-MTL模型仅需26个样本即可。基于迁移学习理论,该模型还可用于新数据的模型预测,具有良好的泛化性能。文献[42]也做了相关工作,采用多任务稀疏学习实现雷达HRRP的小样本识别。

3 基于深度学习的雷达HRRP目标识别

深度学习(deep learning,DL)是机器学习中一个重要研究领域,由于可以自动有效提取HRRP数据的深层次特征,已被广泛应用于雷达目标识别中。作为典型深度学习算法,本文中主要讨论基于卷积神经网络(convolutional neural networks,CNN)的识别方法。

3.1 样本完备情况下的目标识别方法

CNN是一类包含卷积计算的深度前馈神经网络,其基本架构如图4所示,一般包括卷积层、池化层和全连接层。其默认输入为图像。

图4 CNN基本架构
Fig.4 Basic architecture of CNN

CNN的学习过程主要是针对网络中的卷积核、偏置情况通过反向传播算法进行更新,从而使网络获得稳定的识别效果。

文献[43]提出了一种基于HRRP的多基地雷达目标识别的深度学习方法,采用深度CNN从目标HRRP中自动提取特征,将各雷达HRRP的识别结果进行融合,将输出最高的全局目标概率与预设阈值进行比较,从而判定目标是否为已知。文献[44]在充分考虑雷达HRRP数据的时移灵敏度、目标方位灵敏度和大冗余度等特点的基础上,提出一种新的CNN用于目标识别,该网络采用大卷积核、大步长的卷积层和大网格的最大池化,并用中心损失函数修正softmax损失函数,从而使网络更具鲁棒性。实验结果证明,该方法能获得类内距离较小的特征。文献[45]提出了一种基于CNN的HRRP目标识别方法,采用特征层融合方法,将极化信息和HRRP相结合形成三维特征张量,然后设计了一种可分离性强的神经网络分类器进行分类。

上述传统CNN模型在HRRP识别方面发挥了一定的优势,但CNN模型在处理时序信息、动态特征方面存在一定的局限性,而HRRP数据本身就包含了一定的时序特征和动态特征,因此,需要对其进行一定的改进以应对HRRP的时序信息。递归神经网络(RNN)能有效利用相邻时间内输入样本间的相关性,可以用来处理HRRP的时序信息。

文献[46]将RNN和LSTM联合起来解决这一问题。文献[47]将CNN和RNN组合得到一种端到端网络架构,如图5所示。该模型在识别单个HRRP上具备良好的效果,随着输入序列越长,识别精度越高。

图5 CNN+RNN网络结构
Fig.5 Network structure of CNN+RNN

注意力机制的引入可以让模型专注于感兴趣的部分,自适应地为HRRP每个局部特征分配权重,从而定位于目标区域,增强模型对有价值目标信息的兴趣。将注意力机制与时序模型结合起来,可以取得较好的识别效果。文献[48]考虑到了输入数据范围单元间的时间相关性,将CNN、双向递归神经网络(bidirectional recurrent neural network,BiRNN)和注意力机制相结合,CNN用于挖掘原始数据的空间相关性,BiRNN用于挖掘距离单元之间的时间依赖性,注意力机制的引入让模型专注于判别目标区域,因此,该模型对数据的时移敏感性有很强的鲁棒性。文献[49]利用RNN的时间依赖性,通过深度聚类机制自动发现HRRP中的信息区域,提出区域分解递归注意网络(region factorized recurrent attentional network,RFRAN),能够提取隐藏的时序状态信息。文献[50]提出一种深度学习模型,将卷积神经网络和BERT(bidirectional encoder representations from transformers)模型结合起来形成CNN-BERT模型,可以利用HRRP中嵌入的时空结构进行识别。模型可以利用卷积模块表征目标的局部空间结构,通过标记嵌入生成序列特征,然后BERT模块通过多头自注意力机制捕获HRRP中单元间的长期时间依赖性,使用双向Transformer提取深度时间特征,使得模型的能力大幅提升。文献[51]提出一种基于时间卷积神经网络的注意力和弹性网络正则化识别方法,有效提取深度时间特征。

典型的CNN在应用时多使用相对较小的单尺度卷积核来控制模型参数数量和计算复杂度,但较小的卷积核可能无法提取足够的空间信息,影响识别性能。因此,文献[52]提出一种一维金字塔深度可分离卷积(pyramid depth-wise separable convolutional,PyDSC)神经网络,对不同的输入通道使用不同大小的卷积核,可以更好地提取不同尺度的特征。文献[53]也提出一种基于特征金字塔融合的轻量级CNN,引入不同高斯核的HRRP多尺度表示来构建模型的多通道输入,提高模型的稳定性。文献[54]提出一种多尺度群融合的一维CNN,用多尺度一维卷积和点向卷积来取代标准卷积,能够捕获不同层次不同尺度的目标信息,并将多尺度特征进行融合,提升识别性能,降低系统复杂度。

文献[55]将卷积架构和自编码器结合起来,提出一种卷积架构的自动编码器(sparse convolutional auto-encoder,S1CAE)用于HRRP识别。利用稀疏编码器来学习高维数据的稀疏表示,获得比传统基于向量的自动编码器更好的识别性能。文献[56]将多个一维卷积自编码器堆叠起来形成深度卷积自编码器模型(one-dimensional stack convolutional auto-encoder,1D-S2CAE),卷积核的引入可以充分学习HRRP的局部结构特征,通过堆叠网络可以提取不同层次的特征,具有较高的识别精度。

3.2 小样本情况下的目标识别方法

机器学习中,常用的小样本学习方法主要有3种,一是弱监督学习(weakly supervised learning),通过先验知识增强监督信号;二是迁移学习(transfer learning,TL),将其他领域或者任务上学习到的知识(模式)应用到其他数据不完备的领域或问题中,在这种任务下,源域和目标域任务相同,但数据分布不同;三是元学习(meta-learning,ML),又称学会学习(learning to learn),利用多轮任务中迭代学习到的一些通用知识(称为元知识),帮助新的任务快速迭代。

文献[57]为解决HRRP样本不均衡问题,提出一个基于CNN的识别框架,首先采用自适应均匀流形逼近与投影(adaptive uniform manifold approximation and projection,AUMAP)方法对HRRP进行分割,得到HRRP目标姿态角数据;然后通过双谱分析对双谱的关键区域进行重构得到新的数据,扩大了数据量;并采用焦点损失作为CNN的损失函数,有效解决了数据不平衡的问题,提高算法稳定性。

文献[58]提出一种基于深度迁移学习的目标识别方法,根据目标域样本特点设计了一个预训练模型,并用源域数据对模型进行训练,最后在此基础上采用模糊截断交叉熵损失函数对模型进行微调,该函数用于解决类别不平衡导致的识别性能不理想的问题,提高特征可分性。

文献[59]提出一种特征引导的transformer模型。在注意力模块中引入人工特征,使得模型将注意力集中在目标散射信息较多的HRRP距离单元上,减少训练样本规模有限带来的负面影响。文献[65]也致力于transformer模型,所提的CNN-BERT模型在不同目标之间的识别结果更加均衡,并且在训练样本减少到原始样本的1/128时,模型依然具备较高的识别精度。

文献[60]提出一种基于判别深度稀疏自编码器(discriminant deep sparse auto-encoders,DDSEs)的分类模型来处理具有少量HRRP训练样本的非合作目标识别任务。该模型受多任务学习的启发,将目标间的HRRP样本共同训练,实现目标间固有结构模式共享,并且能捕获到比观测值维度更高的高级特征。文献[61]将稀疏自编码器(SAE)与聚类相结合,提高了小样本数据集下的识别精度。。

文献[62]针对非合作目标识别中目标面缺失(non-cooperative recognition with target-aspect missing,NCRTAM)问题,提出一种元网络(meta network,MNet)来处理该问题,该网络基于时域卷积神经网络,借鉴元学习技术,具备较强的特征提取能力,能有效处理NCRTAM问题,保持较高的识别效率,并且能快速泛化到新任务中。

生成对抗网络(generative adversarial network,GAN)由一个生成器和一个判别器组成,被广泛用于数据增强中。但原始GAN的目标值函数可能会导致模式崩溃和训练不稳定,使得GAN在用于数据增强时表现不佳。文献[63]采用了4种GAN模型来探索数据增强效果,分别是深度卷积GAN、辅助分类器GAN、最小二乘条件GAN和Wasserstein条件GAN。综合来看,辅助分类GAN比其他模型更适合用于HRRP数据增强。文献[64]将最小二乘GAN(least-squares GAN,LSGAN)和Wasserstein梯度惩罚GAN(wasserstein GAN with gradient penalty,WGAN-GP)相结合,对HRRP数据进行增强的同时进行去噪,具有较好的增强性能。文献[65]将面向方位变化的注意力机制引入GAN中,生成多视图HRRP数据。文献[66]将注意力机制与GAN结合起来,并利用条件变分自编码器(VAE)进行识别。文献[67-68]都在GAN网络基础上开展小样本识别,取得了一定的研究成果。

深度学习在雷达目标识别中得到了研究人员广泛的关注和深入的研究,并取得了诸多卓有成效的成果,与传统方法相比,深度学习算法可以有效自动地提取HRRP数据的深层次特征,降低特征提取算法及特征选择对研究人员的依赖,因此也取得了比传统识别方法更高的精度和更优的效率。

4 发展趋势和面临的挑战

HRRP数据包含了丰富的物理结构、电磁散射特征、雷达散射截面积和位置等信息,基于HRRP的雷达目标识别已成为颇具前景的识别方法。通过近年来的诸多相关领域文献,从样本完备和不完备识别2个问题,对3种方法进行了总结。综合近期各研究成果,笔者认为在HRRP的识别中仍有一些挑战和不足。

1) 需要着力解决高质量HRRP数据集的建设问题。大量高质量、真实准确且数据标签完整的HRRP数据对目标识别具有重要的意义,但在实际情况中,这些数据的获取存在一定的难度,且大都属于合作目标。当前使用的HRRP数据集,多是各个研究团队通过仿真模拟的手段获得的,只有少部分是实测数据,且HRRP数据属于敏感数据,各研究团队的数据集不便公开,这也造成了很难对各个团队所采用目标识别算法的优劣程度进行比较。因此,需要加强高质量HRRP数据库的建设,尤其是非合作目标的数据库建设问题,注重实测数据对于识别算法性能的验证和比较,便于研究需要。

2) 雷达在实际测量中面临强噪声干扰问题,怎么提高低信噪比情况下雷达目标识别的准确率是关键。现有研究通常在高信噪比情况下能取得较好的识别性能,但随着信噪比的下降,识别性能呈明显下降的趋势,因此,在进行目标识别时应着重考虑该模型对噪声的鲁棒性。

3) 需要着力解决样本不平衡对目标识别的影响。雷达探测目标中包含大量已知和未知目标,尤其是随着科技进步,先进武器层出不穷,雷达在长期运行过程中积累的目标回波数据存在样本不均衡的问题,且某些数据的标注比较困难。因此,需要考虑模型对不平衡样本的识别性能,提升模型在样本不平衡情况下的识别性能和泛化性能。

4) 利用深度学习模型对HRRP进行识别时,需要着重考虑过拟合和泛化性差的问题。另外,并不是网络层数越深,模型性能越好,网络层数过深可能会造成梯度消失或梯度爆炸,从而使得模型无法对目标进行识别。因此,利用深度学习模型对HRRP进行识别时,要重点考虑网络深度与模型泛化性能之间的平衡,提升模型识别性能。

5) 开展目标识别,要着眼于实际应用。尤其是空中目标识别的研究是为了更好的提升装备作战能力,但在实际上仍然存在诸多问题:一是现有研究多是基于模拟数据,与实际应用环境存在较大差异,能否将该模型用于实际作战场景下还须进一步验证;二是现役雷达资源有限,且主要任务仍是以探测为主,如何在不影响雷达首要工作的情况下完成识别任务需要进一步探索;三是战场时效性要求高,在实际应用中,能否在规定的时间内完成信号处理、目标识别等任务还需要进一步考量和研究。

5 结论

雷达目标识别具有重要的军事意义,受到了国内外研究人员的广泛关注。从以上研究现状可以看出,开展该项研究的最终目的都是为了提升对目标的识别精度,尽可能提高识别模型的效率,有效提升装备作战能力。虽然已经取得了一系列研究成果,但在实际应用中,仍然存在实际数据获取难、数据样本不平衡、低信噪比情况下识别率较低等诸多问题,模型的泛化能力和实际应用能力有待进一步验证。下一步可以重点对以上问题开展研究。