一種基于雷達高分辨距離像的空天時敏目標識別方法

邱祥風 霍凱 張新禹 姜衛東

摘 要：????? 針對空天時敏目標識別問題，提出了一種新的針對雷達高分辨距離像（HRRP）的序貫特征提取方法，并設計了一種基于決策樹和支持矢量描述（SVDD）方法的多分類器。該方法首先基于時序HRRP估計目標的徑向尺寸，利用序貫脈沖積累對尺寸估計結果進行滑窗處理，獲取各個窗內徑向尺寸的均值、極差、中值以及結尾均值四種統計特征; 然后，將得到的四種特征進行拼接，從而獲取更加魯棒的高維特征; 最后，使用基于決策樹的多分類SVDD方法（Multi-SVDD-DT）對獲取的高維特征進行分類。四類飛機的測量數據實驗表明，本文所提方法可以提取出目標的穩健特征，能夠有效完成空天時敏目標的識別任務。

關鍵詞：???? 時敏目標; 高分辨距離像; 徑向尺寸估計; 多分類器設計; 決策樹; 目標識別; 雷達

中圖分類號：???? TJ760; TN958

文獻標識碼：??? A

文章編號：???? 1673-5048（2022）02-0013-06

DOI：10.12132/ISSN.1673-5048.2020.0261

0 引? 言

時敏目標（Time Sensitive Target，TST）是指具有非常有限薄弱時間窗口的目標，可以是正在或很快將對我軍和友軍造成危險的時敏目標，也可以是高回報和短暫存在的目標[1-3]，主要包括以下兩類： （1）空中或空間目標，如各類飛行器等; （2）地面機動目標，如移動指揮控制中心和機動式武器平臺等。

目前針對時敏目標的探測感知方法主要有雷達探測方法、紅外探測方法以及多模復合探測方法[4-6]。在雷達探測方面，隨著電子電路技術的高速發展，雷達波長越來越短，從微波發展到毫米波，甚至太赫茲波，進一步向多極化、寬帶頻率捷變發展，實現對目標高分辨率和多維信息的獲取，提升對抗各種有源無源干擾的能力，獲取更加客觀的識別效果。在紅外探測方面，紅外成像在精確制導領域占據重要的位置，通過使用紅外焦面陣列技術（IRFPA），紅外導引頭靈敏度更高，探測距離更遠，瞬時視場和跟蹤場最大，可有效解決時敏目標探測識別時面臨的背景環境復雜、干擾因素眾多等難題。但是紅外成像技術的研制難度大，相關元器件、集成電路的設計和制造要求高，在彈載環境下還面臨著小型化的難題。多模復合探測方法將各種體制的傳感器設備相結合，獲取目標在不同傳感器下的特征信息，再通過信息融合的技術提高時敏目標探測識別性能，發揮不同傳感器的優勢，彌補單一體制的不足，提高識別算法在不同自然環境與戰場環境下的魯棒性。但是這種方法面臨著控制結構復雜、結構設計困難、信息融合難度大等特點，不同傳感器的融合策略需要進一步研究。

考慮到雷達具有全天時全天候、作用距離遠、抗干擾能力強、分辨率不受作用距離影響等特點[7-8]，本文主要研究基于雷達高分辨一維距離像的空天時敏目標識別方法。

雷達高分辨距離像（High Resolution Range Profile，HRRP）是基于雷達寬帶信號獲取的目標散射點子回波在雷達視線方向上投影的矢量和，包含了大量的目標特征信息，如目標結構和散射點分布等[9]。與二維的（逆）合成孔徑雷達圖像相比，一維的HRRP數據獲取方式簡單，存儲量更低，計算和存儲方便。

對于空天飛機目標以及空間衛星目標而言，目標常常處于高速的運動之中。在實際探測中，HRRP信號是在雷達回波數據中通過距離窗截取的，一般留有一定的余量。在識別運動目標時，截取的距離像在距離門中的位置相對不固定，導致一維距離像平移敏感性[10]。由于雷達的波長往往小于探測目標的尺度，當目標的姿態發生變化時，在雷達視線上目標各散射中心之間的相對位置也會隨之發生變化。特別是當目標的姿態角發生較大變化時，目標的一些散射中心會在距離單元上發生遷移，由此產生姿態敏感性的問題。

針對以上問題，大量學者進行了廣泛的研究。文獻[11]首先提取HRRP的高階譜特征，然后使用模板匹配法對這些特征進行識別，但是這種方法將時域的數據映射到其他域，破壞了HRRP距離單元之間的時序相關性。文獻[12]使用字典學習的方法對HRRP進行稀疏表示，獲取了噪聲環境下的魯棒識別方法。文獻[13]使用PPCA提取HRRP特征，進而使用MPPCA按照方位角的不同進行了聚類，達到了減少待匹配模板數量的效果。文獻[14]保留了HRRP數據的相位信息，進行了復數域的目標識別。這些方法將HRRP數據視為一個整體，雖然都取得了一定的效果，但是忽略了HRRP樣本之間的時序相關性。

由于空天目標的雷達數據獲取不易，基于HRRP的目標識別還面臨著小樣本識別的問題，即要求在少量樣本的條件下實現對目標快速準確的判別。在小樣本條件下，基于 HRRP 的傳統的雷達目標識別方法具有模型參數少的優點。但是模型參數少也意味著模型的表征能力弱，而雷達HRRP數據又具有平移敏感性和姿態敏感性的特點，這造成了基于HRRP的傳統的雷達目標識別方法識別準確率低的問題[15-16]。對此，常用的解決思路有兩種： 一種是通過變分自編碼器、生成對抗網絡等數據生成方法生成新樣本擴充數據集[17]; 另一種是使用遷移學習的思想，使用具有一定相似性的數據集預訓練分類器，然后使用少量的待識別樣本進行微調[18]，以此來提高識別精度。

針對空天時敏目標識別問題，本文提出一種基于序貫脈沖積累的HRRP特征提取新方法，通過時域滑窗的方法提取HRRP徑向尺寸的統計特征，實現了對目標的準確識別。

4 結? 論

針對空天時敏目標識別問題，提出一種基于徑向尺寸估計及序貫脈沖積累的穩健特征提取新方法，有效克服了HRRP的敏感性問題; 為了將經典的SVDD方法擴展至多分類問題中，引入決策樹思想，設計了一種Multi-SVDD-DT分類器。本文所使用的序貫特征提取方法具有良好的遷移效果，可以應用于其他時敏目標識別問題。為了進一步提升識別率，下一步計劃引入空天目標的窄帶RCS特征，通過特征拼接的方式實現寬帶特征與窄帶特征的融合識別。

參考文獻：

[1] 鄭明，? 劉冠邦，? 張昕，? 等. 美軍時敏目標殺傷鏈[J]. 指揮信息系統與技術，? 2020，? 11（2）： 59-63.

Zheng Ming，? Liu Guanbang，? Zhang Xin，? et al. US Time-Sensitive Target Kill Chain[J]. Command Information System and Technology，? 2020，? 11（2）： 59-63.（in Chinese）

[2] 張鵬飛. 空間時敏紅外弱小目標檢測及跟蹤算法研究[D]. 成都： 電子科技大學，? 2020.

Zhang Pengfei. Detection and Tracking for Time Sensitive Infrared Dim Small Target in Deep Space[D]. Chengdu： University of Electronic Science and Technology of China，? 2020. （in Chinese）

[3] 劉鋼，? 廖守億，? 于功健，? 等. 時敏目標打擊作戰信息鏈仿真研究[J]. 信息通信，? 2016，? 29（10）： 76-79.

Liu Gang，? Liao Shouyi，? Yu Gongjian，? et al. Simulation Research of Time-Sensitive Target Striking Information Chain[J]. Information & Communications，? 2016，? 29（10）： 76-79.（in Chinese）

[4] 陳思遠，? 夏群利，? 李強. 反時敏目標機動再入飛行器滑翔制導方法[J]. 宇航學報，? 2016，? 37（8）： 984-991.

Chen Siyuan，? Xia Qunli，? Li Qiang. Glide Guidance Method for Maneuverable Reentry Vehicle Against Time-Sensitive Target[J]. Journal of Astronautics，? 2016，? 37（8）： 984-991.（in Chinese）

[5] 劉恩凡. 地面時敏目標探測制導技術探討[J]. 飛航導彈， 2016（1）： 87-91.

Liu Enfan. Discussion on Ground Time-Sensitive Target Detection and Guidance Technology [J]. Aerodynamic Missile Journal，? 2016（1）： 87-91.（in Chinese）

[6] 毛航. 可見光復雜背景圖像中地面時敏小目標檢測算法研究[D]. 武漢： 華中科技大學，? 2017.

Mao Hang. Research on Detection Algorithm of Ground Time Sensitive Small Target in Visible Light Image with Complex Background[D]. Wuhan： Huazhong University of Science and Technology，? 2017. （in Chinese）

[7] 杜蘭. 雷達高分辨距離像目標識別方法研究[D]. 西安： 西安電子科技大學，? 2007.

Du Lan. Study on Radar HRRP Target Recognition[D]. Xi’an： Xidian University，? 2007. （in Chinese）

[8] 王曉丹，? 王積勤. 雷達目標識別技術綜述[J]. 現代雷達，? 2003，? 25（5）： 22-26.

Wang Xiaodan，? Wang Jiqin. A Survey of Radar Target Recognition Technique[J]. Modern Radar，? 2003，? 25（5）： 22-26.（in Chinese）

[9] 保錚，? 邢孟道，? 王彤. 雷達成像技術[M]. 北京： 電子工業出版社，? 2005.

Bao Zheng，? Xing Mengdao，? Wang Tong. Radar Imaging Technology [M]. Beijing： Publishing House of Electronics Industry，? 2005.（in Chinese）

[10] Du L，? Wang P H，? Liu H W，? et al. Bayesian Spatiotemporal Multi-task Learning for Radar HRRP Target Recognition[J]. IEEE Transactions on Signal Processing，? 2011，? 59（7）： 3182-3196.

[11] Du L，? Liu H W，? Bao Z，? et al. Radar HRRP Target Recognition Based on Higher Order Spectra[J]. IEEE Transactions on Signal Processing，? 2005，? 53（7）： 2359-2368.

[12] Feng B，? Du L，? Liu H W，? et al. Radar HRRP Target Recognition Based on K-SVD Algorithm[C]∥IEEE CIE International Conference on Radar，? 2011： 642-645.

[13] 李彬，? 李輝. 基于混合概率主成分分析的HRRP特征提取[J]. 系統工程與電子技術，? 2017，? 39（1）： 1-7.

Li Bin，? Li Hui. HRRP Feature Extraction Based on Mixtures of Probabilistic Principal Component Analysis[J]. Systems Engineering and Electronics，? 2017，? 39（1）： 1-7.（in Chinese）

[14] Du L，? Liu H W，? Bao Z. Radar Automatic Target Recognition Based on Complex High-Resolution Range Profiles[C]∥CIE International Conference on Radar，? 2006.

[15] Du L，? Liu H，? Bao Z，? et al. Radar Automatic Target Recognition Using Complex High-Resolution Range Profiles[J]. IET Radar，? Sonar & Navigation，? 2007，? 1（1）： 18-26.

[16] Du L，? Liu H W，? Wang P H，? et al. Noise Robust Radar HRRP Target Recognition Based on Multitask Factor Analysis with Small Training Data Size[J]. IEEE Transactions on Signal Processing，? 2012，? 60（7）： 3546-3559.

[17] Sun X J，? Li J R，? Gu L，? et al. Identifying the Characteristics of the Hypusination Sites Using SMOTE and SVM Algorithm with Feature Selection[J]. Current Proteomics，? 2018，? 15（2）： 111-118.

[18] Huang Z L，? Pan Z X，? Lei B. Transfer Learning with Deep Convolutional Neural Network for SAR Target Classification with Limited Labeled Data[J]. Remote Sensing，? 2017，? 9（9）： 907.

[19] 王曉鵬. 一種局部SVDD分類方法[J]. 電子測量技術，? 2020，? 43（12）： 96-100.

Wang Xiaopeng. Classification Method Using Local SVDD[J]. Electronic Measurement Technology，? 2020，? 43（12）： 96-100.（in Chinese）

[20] 楊晨. 基于SVDD的分類方法研究[D]. 太原： 山西大學，? 2020.

Yang Chen. Research on Classification Method Based on SVDD[D]. Taiyuan： Shanxi University，? 2020. （in Chinese）

[21] Hsu C W ， Lin C J . A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks， 2002， 13（2）： 415-425.

[22] 劉家麒，? 陳渤，? 介茜. 基于注意力機制和雙向GRU模型的雷達HRRP目標識別[J]. 雷達學報，? 2019，? 8（5）： 589-597.

Liu Jiaqi，? Chen Bo，? Jie Xi. Radar High-Resolution Range Profile Target Recognition Based on Attention Mechanism and Bidirectional Gated Recurrent[J]. Journal of Radars，? 2019，? 8（5）： 589-597.（in Chinese）

A Recognition Method of Aerospace Time-Sensitive Targets

Based on Radar High Resolution Range Profile

Qiu Xiangfeng，Huo Kai*，Zhang Xinyu，Jiang Weidong

（College of Electronic Science and Technolody，National University of Defense Technology，Changsha 410073，China）

Abstract：

Aiming at the problem of aerosapce time-sensitive target recognition，? a new sequential feature extraction method for radar high resolution range profile （HRRP） is proposed，? and a multi classifier based on decision tree and support vector description （SVDD） method is designed. Firstly，? the method estimates the radial size of the target based on time-series HRRP，? uses sequential pulse accumulation to perform sliding window processing on the size estimation results，? and obtains the four statistical characteristics of mean，? range，? median，? and end mean of the radial size in each window. Then， The four types of features are spliced to obtain more robust high-dimensional features. Finally，? the proposed multi classification SVDD method based on decision tree （Multi-SVDD-DT） is used to classify the obtained high-dimensional features. The simulation data experiments of four types of aircraft show that the proposed method can extract the robust features of the target，? and can effectively complete the recognition task of aerospace time-sensitive targets.

Key words：?? time-sensitive target; high resolution one-dimensional range profile; radical size estimation; multi-classifier design; decision tree;? target recognition; radar