基于自注意力的雙波段預(yù)警雷達(dá)微動融合識別

趙慶媛, 趙志強(qiáng), 葉春茂, 魯耀兵

(北京無線電測量研究所, 北京 100854)

0 引 言

態(tài)勢的準(zhǔn)確評估決定著戰(zhàn)爭的結(jié)果,而氣動目標(biāo)識別是空中態(tài)勢評估的重要一環(huán)。目標(biāo)微動特征能夠反映氣動目標(biāo)特有的物理結(jié)構(gòu)信息以及表面電磁特性信息[1]。單個雷達(dá)很難提取出全面的目標(biāo)特征,因此很多學(xué)者開始研究多雷達(dá)協(xié)同以實(shí)現(xiàn)穩(wěn)健的目標(biāo)識別[2-9]。低頻雷達(dá)對于目標(biāo)早期預(yù)警意義重大,且其對站址要求較高,對于遠(yuǎn)距離來襲目標(biāo)觀測角度的差異不大,雙波段預(yù)警雷達(dá)融合能夠?yàn)楝F(xiàn)役設(shè)備以較小代價(jià)提供目標(biāo)識別性能增量,因此雙波段微動融合識別具有巨大的研究價(jià)值。

時頻圖能夠反映精細(xì)的微多普勒特征[10],但其特征提取依賴專家知識,有效信息損失較大[11-12]。而深度學(xué)習(xí)算法能夠?qū)崿F(xiàn)端到端的自動學(xué)習(xí),可全面提取時頻圖的多層次特征。文獻(xiàn)[13]將X波段雷達(dá)采集的回波生成時頻圖,并輸入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN),在人類活動分類方面取得了高準(zhǔn)確率。文獻(xiàn)[14]將時頻圖和韻律頻率圖(cadence frequency diagram, CFD)合成一幅圖像,作為CNN網(wǎng)絡(luò)的輸入。文獻(xiàn)[15-16]引入循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)提取人體微動時序特征,進(jìn)一步提高了識別率。為了降低深度網(wǎng)絡(luò)訓(xùn)練對海量數(shù)據(jù)的依賴性,文獻(xiàn)[17-18]分別通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和初始化方式,實(shí)現(xiàn)了少量樣本情形下人體活動模式的穩(wěn)健分類。

在多雷達(dá)微動特征融合識別方面,文獻(xiàn)[2-4]結(jié)合多站雷達(dá)系統(tǒng),用傳統(tǒng)機(jī)器學(xué)習(xí)算法對武裝/非武裝人員進(jìn)行了分類;文獻(xiàn)[6]研究了站址布站對人體運(yùn)動過程中微動效應(yīng)的影響;文獻(xiàn)[7-9]用CNN實(shí)現(xiàn)多站融合目標(biāo)識別,證明了特征級融合的分類精度高于決策級融合。這些研究利用不同觀測角度的雷達(dá)回波進(jìn)行融合識別,并沒有針對不同波段的微動特征進(jìn)行分析，且均未引入自注意力機(jī)制,更沒有考慮不同雷達(dá)對目標(biāo)分類的重要程度。

自注意力機(jī)制能夠自動學(xué)習(xí)通道及空間維度的權(quán)重,摒棄無用信息,增強(qiáng)有用信息,已成為多個領(lǐng)域的研究熱點(diǎn)[19-26]。通過在深度網(wǎng)絡(luò)中嵌入自注意力模塊,通道及空間的重要性和交互關(guān)系在訓(xùn)練過程中可通過自動學(xué)習(xí)得到,從而提高融合識別的性能。

針對雙波段雷達(dá)時頻圖的特點(diǎn),本文對卷積塊注意力模塊(convolutional block attention module,CBAM)殘差網(wǎng)絡(luò)[27]進(jìn)行了針對性改進(jìn),提出了一種自適應(yīng)權(quán)重雙輸入CBAM(weighted double input, WDI-CBAM)殘差融合識別網(wǎng)絡(luò)。將不同波段回波對目標(biāo)識別的貢獻(xiàn)差異性考慮在內(nèi),對兩部雷達(dá)的輸入通道自動進(jìn)行權(quán)重訓(xùn)練。通過仿真和實(shí)測數(shù)據(jù)處理,驗(yàn)證了融合識別網(wǎng)絡(luò)的有效性,并進(jìn)一步研究了信噪比和駐留時間對其識別性能的影響。

1 微動模型與時頻分析

1.1 微動回波建模

在遠(yuǎn)場理想條件下,氣動目標(biāo)微動部件回波由雷達(dá)波長和重頻、旋翼結(jié)構(gòu)、觀測角度等決定。令λ為雷達(dá)波長，N表示槳葉個數(shù),L1和L2分別表示槳葉根部和葉尖至旋翼中心的距離,φ為槳葉角,wr為旋翼轉(zhuǎn)速,θ0為初始相位角,α為槳葉相對于雷達(dá)平臺的方位角,βt為雷達(dá)視線與旋轉(zhuǎn)平面的俯仰角。

對于窄帶低分辨雷達(dá)而言,旋翼部件的理論回波模型[1]可表示為

(1)

式中:θn=θ0+2πn/N+2πwrt-α。相關(guān)變量可定義為

(2)

(3)

(4)

其中,若旋轉(zhuǎn)平面平行于飛機(jī)飛行方向,β=βt;若旋轉(zhuǎn)平面垂直于飛機(jī)飛行方向,β=π/2-βt。對于低分辨預(yù)警雷達(dá)而言,t=mTs為慢時間維脈沖采樣,采樣間隔為脈沖重復(fù)周期Ts,m為相參脈沖個數(shù)。R(t)=R0+vt,目標(biāo)的移動速度v會影響微動回波相位,還會在某些情況下導(dǎo)致越距離單元徙動。令采樣率為fs,距離單元為ΔR=c/2fs。當(dāng)vmTs<ΔR時,目標(biāo)在相參積累時間內(nèi)沒有越距離單元徙動,不需要進(jìn)行平動補(bǔ)償,否則需要進(jìn)行平動補(bǔ)償,平動補(bǔ)償?shù)木唧w方法參見文獻(xiàn)[28]。

1.2 時頻分析

時頻分析的輸入為目標(biāo)在雷達(dá)慢時間維的回波。短時傅里葉變換(short-time Fourier transform, STFT)是應(yīng)用最為廣泛的時頻變換[29],能夠?qū)r變非平穩(wěn)信號轉(zhuǎn)換為二維時頻圖。STFT用固定長度的窗函數(shù)對雷達(dá)回波采樣信號進(jìn)行滑窗截取處理,轉(zhuǎn)換公式如下:

(5)

式中：τ和f分別表示時間分量和頻率分量；g(t)為窗函數(shù),選用漢明窗。窗長與頻率分辨率成正比,與時間分辨率成反比。在本文中,對于不同雷達(dá)不同目標(biāo)的回波采用同樣的窗函數(shù)。

時頻圖的單邊展寬fmax為

(6)

式中：vtip為槳葉葉尖的轉(zhuǎn)速。根據(jù)空氣動力學(xué)相關(guān)理論可知,葉尖的轉(zhuǎn)速一般不會超過聲速。不同波長情況下時頻圖的單邊展寬不同。

一部分傳統(tǒng)低頻雷達(dá)氣動目標(biāo)識別是基于調(diào)制譜特征的[30]。調(diào)制譜的譜線強(qiáng)度和位置反映了微動特征信息。當(dāng)駐留時間較短時,調(diào)制譜的分辨率較低,很難實(shí)現(xiàn)穩(wěn)健的目標(biāo)識別。同時，調(diào)制譜僅反映目標(biāo)微動頻域信息,沒有反映出其時變特性,對某些本征特征(如槳葉奇偶性等)缺乏表達(dá)能力。因此，本文使用時頻圖作為融合識別網(wǎng)絡(luò)的輸入。

氣動目標(biāo)在飛行過程中,槳葉不停轉(zhuǎn)動,觀測角度具有時變性,其電磁反射特性具有時變性,使得時頻圖包涵了更豐富的微動特征。不同波長的回波具有不同的時變幅相特性,在時頻圖上表現(xiàn)為微動周期性、上下對稱性、多普勒擴(kuò)展、時變包絡(luò)等諸多方面的差異性[10]。因此，不同波段的時頻圖融合識別能夠更全面地提取目標(biāo)微動本征特征,提高識別性能。

2 融合識別網(wǎng)絡(luò)設(shè)計(jì)

2.1 目標(biāo)識別流程

基于深度神經(jīng)網(wǎng)絡(luò)的雙波段時頻圖目標(biāo)融合識別流程圖如圖1所示。兩部雷達(dá)分別在相參積累時間內(nèi)進(jìn)行目標(biāo)檢測,形成點(diǎn)航跡,再根據(jù)需要進(jìn)行平動補(bǔ)償,在慢時間維進(jìn)行時頻變換,最后將由兩部雷達(dá)的時頻圖輸入所設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò),進(jìn)行自動特征提取及融合,輸出氣動目標(biāo)識別結(jié)果。

圖1 基于深度神經(jīng)網(wǎng)絡(luò)的雙波段時頻圖目標(biāo)融合識別流程圖Fig.1 Target fusion recognition flowchart of double band time-frequency diagram based on deep neural network

2.2 所提深度神經(jīng)網(wǎng)絡(luò)

針對雙波段雷達(dá)回波時頻圖融合識別需求,本文在CBAM殘差網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計(jì)了WDI-CBAM殘差結(jié)構(gòu),如圖2(a)所示。對比算法為DI-CBAM (double input-CBAM)殘差結(jié)構(gòu),即將兩部雷達(dá)的時頻圖進(jìn)行無差別通道疊加，并進(jìn)行輸入,如圖2(b)所示。

圖2 模型框圖Fig.2 Model diagram

自注意力機(jī)制能夠從數(shù)據(jù)中自適應(yīng)地篩選有用信息,忽略不重要的信息。SE(squeeze-and-excitation)模塊[31]是經(jīng)典的通道自注意力模塊,CBAM在SE模塊的基礎(chǔ)上改進(jìn)通道注意力機(jī)制,并增加空間注意力機(jī)制,進(jìn)一步提高了深度網(wǎng)絡(luò)性能。自注意力模塊可以嵌入任何CNN,在不大幅增加訓(xùn)練和計(jì)算代價(jià)的前提下可提高分類準(zhǔn)確率。殘差網(wǎng)絡(luò)[32]通過跳層連接結(jié)構(gòu),可有效緩解梯度消失問題,已經(jīng)成為主流的深度學(xué)習(xí)模型。因此,以基于CIFAR10數(shù)據(jù)集的ResNet20網(wǎng)絡(luò)為參照網(wǎng)絡(luò),加入CBAM模塊,構(gòu)成WDI-CBAM殘差網(wǎng)絡(luò),整體結(jié)構(gòu)如表1所示。

表1 整體網(wǎng)絡(luò)結(jié)構(gòu)

DI-CBAM殘差結(jié)構(gòu)在輸入端直接進(jìn)行通道疊加,并沒有考慮兩個波段時頻圖的差異性。根據(jù)前文對時頻圖的分析可知,不同波段雷達(dá)的時頻圖在頻域擴(kuò)展以及初始微動周期相位方面均存在差異,因此用同一個卷積核對兩個時頻圖進(jìn)行處理,會破壞時頻圖所含的微動特征。而WDI-CBAM殘差結(jié)構(gòu)利用主干淺層卷積網(wǎng)絡(luò)分別對兩個輸入進(jìn)行淺層特征提取,在此基礎(chǔ)上再進(jìn)行融合,一方面保留了兩個時頻圖的差異性,增加了網(wǎng)絡(luò)的自由度,另一方面在淺層特征層面進(jìn)行融合,能夠最大程度地利用淺層共性特征,耦合非共性特征。

2.2.1 CBAM殘差結(jié)構(gòu)

CBAM包括通道注意力模塊和空間注意力模塊,分別如圖2(c)和圖2(d)所示。CBAM的輸入為F∈RC×H×W,CBAM依次進(jìn)行一維通道自注意力映射Mc∈RC×1×1,以及二維空間注意力映射Ms∈R1×H×W。注意力過程可總結(jié)為

(7)

式中：⊙表示元素級別的乘法。在相乘的過程中,注意力值相應(yīng)地得到傳播,通道權(quán)重沿著空間維度傳播,空間權(quán)重則沿著通道維度傳播。F″是最終的注意力權(quán)重輸出。

(8)

式中：σ表示激活函數(shù),選用sigmoid函數(shù),W0∈R(C/r)×C,W1∈RC×(C/r)。W0和W1分別表示兩個全連接層的權(quán)重。

(9)

式中：σ表示激活函數(shù),同為sigmoid函數(shù)；f(·)為卷積操作。

表1中的整體網(wǎng)絡(luò)結(jié)構(gòu)均包括1個主干網(wǎng)絡(luò)和3個卷積塊,每個卷積塊包括3個網(wǎng)絡(luò)塊,1個網(wǎng)絡(luò)塊包括2層卷積。圖2(a)中的主干網(wǎng)絡(luò)為單層的卷積網(wǎng)絡(luò),[3×3@16];圖2(b)的主干網(wǎng)絡(luò)為[3×3@32]。[3×3@16]表示1個卷積核為3×3、通道數(shù)為16的卷積層,1個批歸一化層(batch normalization, BN),以及1個ReLU激活層。

每個卷積塊包括3個傳統(tǒng)的CBAM殘差模塊。以[3×3@32,2]為例,網(wǎng)絡(luò)塊表示2個卷積的卷積層,第1個卷積層包括1個核為3×3、通道數(shù)為32的卷積操作,1個BN層和1個ReLU激活層;第2個卷積層包括1個卷積操作和1個BN層。在CBAM殘差結(jié)構(gòu)后再添加1個ReLU激活層。最后,進(jìn)行平均池化,設(shè)計(jì)全連接層,再輸出氣動目標(biāo)種類,分類器為Softmax函數(shù)。損失函數(shù)采用交叉熵。

殘差單元恒等映射的核心是跳層連接,其能夠緩解深度網(wǎng)絡(luò)梯度消失的問題。殘差單元用快捷連接實(shí)現(xiàn)恒等映射。映射關(guān)系為

Y=σ(F″+WlX)

(10)

式中：Wl表示恒等映射,是對X的線性變換矩陣,一般采用核尺寸為1的卷積操作使得WlX的尺寸與F″保持一致，σ表示激活函數(shù),選用ReLU函數(shù)。

2.2.2 整體網(wǎng)絡(luò)結(jié)構(gòu)

以CIFAR-10數(shù)據(jù)庫訓(xùn)練的ResNet20為參照網(wǎng)絡(luò),整體網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。WDI-CBAM+ResNet20和DI-CBAM+ResNet20在主干網(wǎng)絡(luò)和第一個卷積塊的首個網(wǎng)絡(luò)塊部分有區(qū)別,后續(xù)的網(wǎng)絡(luò)結(jié)構(gòu)沒有區(qū)別。

CBAM+ResNet20的輸入為單個時頻圖,DI-CBAM+ResNet20的輸入為兩個時頻圖的通道拼接,WDI-CBAM+ResNet20的輸入為兩個時頻圖。

3 驗(yàn)證與分析

計(jì)算機(jī)配置:CPU為Intel Xeon Gold 5222@3.80GHz;GPU為NVIDIA TITAN RTX 24GB;內(nèi)存為128GB;操作系統(tǒng)為Windows 10;深度學(xué)習(xí)框架為Keras2.3.1。

3.1 仿真驗(yàn)證與分析

為了驗(yàn)證本文所提算法對氣動目標(biāo)識別的有效性,根據(jù)第1.1節(jié)的微動模型進(jìn)行仿真,并分析信噪比,以及駐留周期對算法性能的影響。

雷達(dá)1和雷達(dá)2的載頻分別設(shè)置為170 MHz和80 MHz,脈沖重復(fù)周期為1 ms。兩部雷達(dá)站址一致,時間不嚴(yán)格同步,即微動的初相θ0不一致。7類目標(biāo)具體參數(shù)如表2所示,目標(biāo)1～目標(biāo)3為直升機(jī),目標(biāo)1的葉片數(shù)為偶數(shù),目標(biāo)2和目標(biāo)3的葉片數(shù)為奇數(shù)。目標(biāo)4～目標(biāo)6為螺旋槳飛機(jī)。目標(biāo)7為噴氣式飛機(jī)。對7型氣動目標(biāo)進(jìn)行仿真,既可以驗(yàn)證算法對3大類目標(biāo)分類的性能,還可以進(jìn)一步驗(yàn)證其對型號判別的能力。

表2 氣動目標(biāo)參數(shù)

采用Matlab對雷達(dá)回波信號進(jìn)行仿真,并生成時頻圖?；跁r頻圖,用Keras構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu),進(jìn)行訓(xùn)練、驗(yàn)證和測試。其中,時頻圖的窗長設(shè)置為17。

3.1.1 模型性能分析

脈沖個數(shù)設(shè)置為80個。目標(biāo)仰角范圍設(shè)置為1°～10°,步進(jìn)為0.5°;目標(biāo)速度范圍設(shè)置為-100～100 m/s,步進(jìn)為5 m/s。在回波信號中加入復(fù)正態(tài)白噪聲,使得信噪比在-10～20 dB,步進(jìn)為5 dB。每類目標(biāo)的樣本數(shù)為4 800個,其中60%用于訓(xùn)練,20%用于驗(yàn)證,20%用于測試。

多種算法的性能對比如表3所示。通道注意力機(jī)制中的全連接層壓縮比均設(shè)置為4。

表3 多個算法性能對比

根據(jù)表3可進(jìn)行如下分析。

首先,對比深度網(wǎng)絡(luò)和傳統(tǒng)算法性能。表3中,算法1～算法19均為神經(jīng)網(wǎng)絡(luò)模型,算法20～算法25為傳統(tǒng)算法。調(diào)制譜特征和時頻圖特征提取方法可分別參考文獻(xiàn)[30]和文獻(xiàn)[10],分類器為支持向量機(jī)。算法22和算法25將兩部雷達(dá)的特征進(jìn)行拼接,輸入支持向量機(jī),得到融合識別結(jié)果。通過對比,可以看到基于調(diào)制譜特征的識別結(jié)果劣于時頻圖特征,且基于時頻圖特征提取的識別結(jié)果劣于深度網(wǎng)絡(luò)。對于調(diào)制譜而言,在短駐留情況下很難進(jìn)行穩(wěn)健的特征提取,識別準(zhǔn)確率受限。對于時頻圖而言,傳統(tǒng)的特征提取不如深度網(wǎng)絡(luò)全面。

接著分析自注意力機(jī)制的優(yōu)劣性。在分類準(zhǔn)確率方面,將SE注意力機(jī)制與ResNet20結(jié)合,與無注意力機(jī)制的ResNet20相比有較大幅度的提升,將CBAM注意力機(jī)制與ResNet20結(jié)合，相比SE注意力機(jī)制有進(jìn)一步提升。在模型收斂速度方面,注意力機(jī)制能夠加快模型收斂速度,使模型訓(xùn)練輪數(shù)大大減少。此外，SE和CBAM模塊與ResNet20的結(jié)合使得訓(xùn)練收斂輪數(shù)變少,且并不會導(dǎo)致參數(shù)量大幅增加。因此，注意力機(jī)制能夠在不大幅增加計(jì)算負(fù)擔(dān)的前提下提高深度網(wǎng)絡(luò)性能,且CBAM自注意力機(jī)制優(yōu)于SE機(jī)制。

再分析融合算法的優(yōu)劣性。表3涉及3種融合方法,包括雙雷達(dá)決策級融合、DI-CBAM殘差網(wǎng)絡(luò)以及WDI-CBAM殘差網(wǎng)絡(luò)。決策級融合采用證據(jù)理論對兩部雷達(dá)通過網(wǎng)絡(luò)結(jié)構(gòu)輸出的識別概率進(jìn)行融合[33]。由表3可以看出，進(jìn)行決策級融合后,識別率比單部雷達(dá)高，而DI-CBAM+ResNet20比決策級融合性能更好,WDI-CBAM+ResNet20能夠更進(jìn)一步提高識別率。另外，WDI-CBAM+ResNet20與DI-CBAM+ResNet20相比,參數(shù)量略有下降,且訓(xùn)練收斂輪數(shù)更少。這說明WDI-CBAM在提取淺層次信息的基礎(chǔ)上進(jìn)行特征融合,能夠更好地抑制無用信息,增強(qiáng)有用特征信息,而且訓(xùn)練代價(jià)更小。

最后分析網(wǎng)絡(luò)深度對模型性能的影響。隨著網(wǎng)絡(luò)深度的增加,目標(biāo)識別準(zhǔn)確率有小幅增加,但參數(shù)量和訓(xùn)練代價(jià)急劇增加。因此，之后的分析均以ResNet20為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。

WDI-CBAM+ResNet20的混淆矩陣如圖3所示。通過混淆矩陣進(jìn)一步分析所提網(wǎng)絡(luò)模型的目標(biāo)識別性能可知,直升機(jī)的型號識別準(zhǔn)確率均大于90%,而螺旋槳飛機(jī)的型號識別率稍低,尤其是目標(biāo)4和目標(biāo)5之間較容易混淆。噴氣式飛機(jī)較難與其他兩大類氣動目標(biāo)混淆。值得注意的是,由于噴氣式飛機(jī)的微動頻率過高,很難通過低頻雷達(dá)采集的微動特征進(jìn)行型號識別。

圖3 WDI-CBAM+ResNet20的混淆矩陣Fig.3 Confusion matrix of WDI-CBAM+ResNet20

3.1.2 噪聲對算法的影響

根據(jù)不同的噪聲水平進(jìn)行仿真,進(jìn)行回波疊加,生成測試數(shù)據(jù),信噪比范圍為-10～20 dB,步進(jìn)為2 dB,選取每個雷達(dá)目標(biāo)、每種噪聲水平共200個樣本。

用第3.1.1節(jié)中訓(xùn)練所得的典型網(wǎng)絡(luò)對7類目標(biāo)測試數(shù)據(jù)進(jìn)行分類,統(tǒng)計(jì)得到的不同信噪比下的準(zhǔn)確率如圖4所示。圖4中的算法25和網(wǎng)絡(luò)7、網(wǎng)絡(luò)8、網(wǎng)絡(luò)12、網(wǎng)絡(luò)13對應(yīng)表3中相應(yīng)的雷達(dá)輸入及網(wǎng)絡(luò)結(jié)構(gòu)。可知在信噪比為-10 dB時,算法25和網(wǎng)絡(luò)7、網(wǎng)絡(luò)8、網(wǎng)絡(luò)12、網(wǎng)絡(luò)13的目標(biāo)分類準(zhǔn)確率分別對應(yīng)26.5%、34%、27%、50.5%和55%。通過對比算法25和其他網(wǎng)絡(luò)模型性能,驗(yàn)證了深度網(wǎng)絡(luò)與傳統(tǒng)的識別算法相比具有更好的噪聲魯棒性;通過對比4種網(wǎng)絡(luò)結(jié)構(gòu),驗(yàn)證了兩部雷達(dá)微動融合能夠在較低信噪比情況下提高識別率。且在不同的信噪比情況下,網(wǎng)絡(luò)13均比網(wǎng)絡(luò)12的分類準(zhǔn)確率高。網(wǎng)絡(luò)13能夠在信噪比為8 dB時實(shí)現(xiàn)接近100%的準(zhǔn)確率。因此,網(wǎng)絡(luò)13對應(yīng)的WDI-CBAM+ResNet20在噪聲魯棒性和融合識別性能方面更具優(yōu)勢。

圖4 不同信噪比下網(wǎng)絡(luò)對7類目標(biāo)的分類準(zhǔn)確率Fig.4 Classification accuracy of networks for seven kinds of targets with different signal to noise ratios

3.1.3 駐留時間對算法的影響

目標(biāo)仰角和信噪比以及目標(biāo)速度設(shè)置同第3.1.1節(jié)。相參脈沖個數(shù)范圍為20～100,步進(jìn)為20。在不同相參脈沖個數(shù)情況下,仿真產(chǎn)生新的時頻圖樣本,訓(xùn)練新的網(wǎng)絡(luò),并對其進(jìn)行測試。不同駐留時間條件下,各種算法對目標(biāo)分類的準(zhǔn)確率如表4所示。由表4可以看到，隨著駐留時間的增加,各個算法的分類性能均有提升。算法22和算法25對7類目標(biāo)的識別準(zhǔn)確率遠(yuǎn)不如深度學(xué)習(xí)網(wǎng)絡(luò),這進(jìn)一步證明了深度學(xué)習(xí)網(wǎng)絡(luò)對于氣動目標(biāo)微動特征提取的有效性。

表4 不同駐留時間下網(wǎng)絡(luò)的分類準(zhǔn)確率

在不同的駐留周期情況下,網(wǎng)絡(luò)13均能取得最優(yōu)的分類準(zhǔn)確率。同時，網(wǎng)絡(luò)13在20 ms的駐留條件下即可實(shí)現(xiàn)85%以上的3大類氣動目標(biāo)識別率。這說明WDI-CBAM+ResNet20在駐留時間較短的情況下也能實(shí)現(xiàn)較高的目標(biāo)識別準(zhǔn)確率。7類目標(biāo)分類準(zhǔn)確率低于3大類目標(biāo)分類準(zhǔn)確率的原因是直升機(jī)之間容易產(chǎn)生混淆,螺旋槳飛機(jī)之間更容易產(chǎn)生混淆。

3.1.4 可視化分析

為了研究WDI-CBAM結(jié)構(gòu)中自注意力機(jī)制的影響,本節(jié)對通道權(quán)重和空間熱力圖進(jìn)行可視化分析。模型采用第3.1.1節(jié)所訓(xùn)練的網(wǎng)絡(luò)13。

從7類氣動目標(biāo)中分別選取典型樣本,通過式(8)得到通道權(quán)重。第1個CBAM模塊對應(yīng)的通道權(quán)重如圖5所示,前16個通道對應(yīng)雷達(dá)1,后16個通道對應(yīng)雷達(dá)2。

圖5 WDI-CBAM的通道權(quán)重可視化結(jié)果Fig.5 Spatial weight visualization results of WDI-CBAM

由圖5可以看出，前16個通道比后16個通道權(quán)重大。為了進(jìn)一步觀測通道權(quán)重,從每類氣動目標(biāo)中選取300個典型樣本,計(jì)算其通道權(quán)重,求取平均值,結(jié)果如表5所示。由表5可以看到,7類目標(biāo)樣本對應(yīng)的前16個通道權(quán)重比后16個通道大,這進(jìn)一步證明了雷達(dá)1對目標(biāo)識別的貢獻(xiàn)度較大。雷達(dá)1的波長更短,多普勒擴(kuò)展更大,微動細(xì)節(jié)更加豐富。因此,WDI-CBAM模塊能夠合理分配兩部雷達(dá)的重要程度,更適用于雙波段雷達(dá)目標(biāo)識別場景。

表5 通道權(quán)重

根據(jù)文獻(xiàn)[34]中的梯度類激活圖計(jì)算方法對選取的典型樣本，利用網(wǎng)絡(luò)7、網(wǎng)絡(luò)8和網(wǎng)絡(luò)13進(jìn)行空間權(quán)重可視化,熱力圖如圖6所示。圖6中，P表示各型網(wǎng)絡(luò)根據(jù)輸入預(yù)測為對應(yīng)目標(biāo)的概率，P值越大，表明預(yù)測結(jié)果越可信。網(wǎng)絡(luò)7的輸入為雷達(dá)1的時頻圖,網(wǎng)絡(luò)8的輸入為雷達(dá)2的時頻圖,其熱力圖均能夠覆蓋微動擴(kuò)展區(qū)域。而WDI-CBAM的輸入為兩部雷達(dá)的時頻圖,其熱力圖是兩個輸入中對分類有貢獻(xiàn)的區(qū)域的疊加。

3.2 實(shí)測數(shù)值驗(yàn)證

實(shí)測數(shù)據(jù)由兩部不同波段的雷達(dá)在外場采集得到,雷達(dá)1工作在170 MHz左右,雷達(dá)2工作在80 MHz左右。兩部雷達(dá)的脈沖重復(fù)周期均為1 ms,相參積累個數(shù)為64個。雷達(dá)之間不嚴(yán)格相參,時間上秒級同步。

圖6 空間權(quán)重可視化結(jié)果Fig.6 Spatial weight visualization results

兩部雷達(dá)同時觀測3個目標(biāo),包括直升機(jī)AS350、螺旋槳飛機(jī)Y5和噴氣式某民航飛機(jī)。目標(biāo)速度范圍為50～280 m/s,目標(biāo)高度范圍為2～9.6 km;三型目標(biāo)與雷達(dá)的徑向距離范圍為10～100 km,方位角范圍為210° ～230°。兩部雷達(dá)對目標(biāo)的觀測角度基本一致。

雷達(dá)原始回波的預(yù)處理包括,飛機(jī)主體移動至零頻率,主體摳除[35],以及時頻轉(zhuǎn)換。經(jīng)過初步篩選,兩部雷達(dá)對于每類目標(biāo)的觀測樣本分別為3 200個左右。訓(xùn)練樣本占比為60%,驗(yàn)證樣本和測試樣本占比分別為20%和20%。

基于實(shí)測數(shù)據(jù)的測試分類準(zhǔn)確率如表6所示,深度學(xué)習(xí)網(wǎng)絡(luò)相比傳統(tǒng)算法22和算法25優(yōu)勢明顯。這說明深度學(xué)習(xí)網(wǎng)絡(luò)能夠在復(fù)雜的實(shí)測電磁環(huán)境中提取有效識別信息,從而實(shí)現(xiàn)穩(wěn)健的分類效果。基于雙雷達(dá)融合的網(wǎng)絡(luò)12和網(wǎng)絡(luò)13相比基于單個雷達(dá)的網(wǎng)絡(luò)7和網(wǎng)絡(luò)8的性能有較大提升,從而驗(yàn)證了雙波段融合識別網(wǎng)絡(luò)相較于單一波段的識別網(wǎng)絡(luò)能夠提高氣動目標(biāo)識別準(zhǔn)確率。

表6 實(shí)測數(shù)據(jù)目標(biāo)識別結(jié)果

具有權(quán)重自適應(yīng)功能的網(wǎng)絡(luò)13性能最優(yōu),網(wǎng)絡(luò)13的混淆矩陣如圖7所示,三型飛機(jī)的識別率均大于92%。

圖7 實(shí)測數(shù)據(jù)的混淆矩陣Fig.7 Confusion matrix of measured data

實(shí)測數(shù)據(jù)更進(jìn)一步驗(yàn)證了所提網(wǎng)絡(luò)結(jié)構(gòu)(即網(wǎng)絡(luò)13)能夠有效提取有用信息,獲得更優(yōu)的識別性能。

4 結(jié)束語

本文提出了一種自適應(yīng)WDI-CBAM殘差融合識別網(wǎng)絡(luò),在輸入端對CBAM殘差結(jié)構(gòu)進(jìn)行改進(jìn),優(yōu)化不同波段回波時頻圖的通道權(quán)重,從而降低了訓(xùn)練代價(jià),并提高了融合識別準(zhǔn)確率。VHF波段的仿真和實(shí)測數(shù)據(jù)處理結(jié)果證明了WDI-CBAM殘差網(wǎng)絡(luò)性能優(yōu)于決策級融合和DI-CBAM網(wǎng)絡(luò)。

本文方法可以進(jìn)一步擴(kuò)展至高波段雷達(dá)微動特征融合,在時頻分析預(yù)處理之前可根據(jù)需要進(jìn)行平動補(bǔ)償,所提網(wǎng)絡(luò)結(jié)構(gòu)依然適用。對于兩個以上波段雷達(dá)協(xié)同,本文網(wǎng)絡(luò)結(jié)構(gòu)可進(jìn)行適應(yīng)性擴(kuò)展,綜合多波段識別優(yōu)勢,提供更穩(wěn)健的氣動目標(biāo)識別性能。