田西蘭， 李 川， 王 鳳， 孫 瑞， 劉麗莎

(1. 中國電子科技集團公司第三十八研究所， 安徽合肥 230088；2. 孔徑陣列與空間探測安徽省重點實驗室， 安徽合肥 230088)

0 引言

目標識別是決定武器系統(tǒng)作戰(zhàn)效能的核心技術之一，以目標與環(huán)境相互作用的結果為輸入，以先進機器學習算法為手段，從寬窄帶特性數據中獲得對目標本原特征的描述，完成對目標屬性的判定。目標識別輸入由目標自身特性、環(huán)境特性、雷達工作參數共同決定。根據基礎環(huán)境自適應調整雷達工作模式及參數是保證識別輸入的廣度、深度與精確度的關鍵。在此基礎上，多維度挖掘高可分、強泛化的目標特性表征方法，進行高維特征融合判決，是雷達目標識別在實戰(zhàn)中發(fā)揮有效作用的關鍵所在。

隨著戰(zhàn)場探測識別手段日益多樣化、復雜化，作戰(zhàn)過程中的對抗日趨激烈化，戰(zhàn)場環(huán)境日趨復雜。更廣域的環(huán)境感知與更深度的目標特性感知之間的矛盾日益突出。如何自主地對基礎環(huán)境進行分類識別，使傳感器更高效地匹配環(huán)境特性的獲取并輸出其中的顯著性目標；如何自主地對重要目標進行關鍵特征的精準激勵，高效完成目標的細粒度識別直接支撐后續(xù)的情報分析，是智能化目標識別需要面臨的首要問題。本文結合目標識別的技術發(fā)展趨勢與實裝應用需求探討軍用雷達智能化目標識別在各處理環(huán)節(jié)的關鍵問題，為智能算法落地實裝提供參考方案。

1 雷達目標識別發(fā)展需求及關鍵問題

作為新一代雷達的核心性能表征，目標識別已成為軍事智能的競爭高地。美國國防高級研究計劃局(DARPA)、美國導彈防御局(MDA)等連續(xù)資助開展一系列雷達目標識別創(chuàng)新課題研究，研究人員針對不同雷達數據特性采用相應的機器學習算法實現目標特征的自動提取[1-4]。國內理論研究以西安電子科技大學、國防科技大學、北京理工大學[5-6]等院校為主，多集中于目標精細特性分析及先進機器學習算法在雷達目標識別中的應用研究。其中，空軍工程大學的馮存前團隊提出利用彈道目標微動特征和RCS(Radar Cross Section)序列統(tǒng)計特征相結合的彈道目標智能分類算法[7]。國防科學技術大學的夏靖遠針對雷達目標信號序列數據特征，采用受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)實現雷達高分辨距離像(High Resolution Range Profile，HRRP)目標自動識別[8]。目前大部分雷達目標智能化識別的研究還處于理論研究階段，然而如何將深度學習技術有效應用到實戰(zhàn)裝備的討論與研究并不多見。

實裝應用研究層面，以中國電科38所、14所等為代表的雷達整機研究所為主，在防空、反導、對海處理等領域均有一定的成功應用[9-10]。整體來講，新一代軍用雷達目標識別呈現輸入特性數據大規(guī)?；?、識別類型精細化、特征計算高效化的趨勢。軍事應用的高保密、強偶發(fā)、非合作等特性使得軍用雷達目標識別具有典型的“大數據、小樣本”特性，經典的數據分析挖掘算法難以直接應用，軍用雷達目標識別實裝應用時面臨以下挑戰(zhàn)：

1) 數據層面，高保密、非合作帶來真值難以標定、測量數據質量相對較低的問題，偶發(fā)性帶來樣本分布稀疏、測量特性不完備的問題。

2) 特征層面，經典特征多適用于特定場景，未知場景中最優(yōu)特征向量組合難以確定，特征的泛化性弱，導致識別系統(tǒng)推廣性弱。

3) 決策層面，多為基于知識庫及規(guī)則的粗粒度決策，決策結果的模糊性與不確定性較強，系統(tǒng)的連續(xù)學習能力較弱。

4) 應用層面，識別場景、識別任務與應用平臺多樣，智能化識別架構各異，實裝推進效率較低。

針對上述問題，結合軍用雷達目標識別發(fā)展趨勢，在數據層、特征層、決策層梳理出亟待解決的關鍵問題：

1) 更精準的特性數據感知：特性數據是在線目標識別的輸入信息，也是離線特性分析的基礎，決定了原始測量信息的廣度與深度。因此，數據層需關注在線特性數據的精準獲取，以及離線實測數據中未標定數據的有效利用問題。

2) 更穩(wěn)健的特征提取：特征是不同維度的目標特性表征，反映特性挖掘的深度與可信度，在一定程度上決定了不同目標之間的可分性。經典特征多由測量數據分析計算獲得，多與雷達工作參數、應用場景及觀測視角耦合。因此，在特征層應關注穩(wěn)健的特征提取方法，并提升特征的泛化能力。

3) 更自主的決策方法：決策器輸出目標的屬性及類別。經典的分類識別模型多基于數據驅動的方式建模，需要大規(guī)模的標注樣本進行訓練；不同類別的特征進行決策時結果的一致性弱，甚至沖突；在遇到陌生樣本及應用場景時推廣能力較弱。因此，在決策層應關注多元特征的一致性決策與決策模型的自學習能力提升。

2 智能化軍用雷達目標識別設計

2.1 層次化目標識別策略設計

目標精準識別的前提是獲取精細的目標特性信息。在線應用時，同時探測到的目標數量眾多，對雷達資源需求巨大。在保證基本跟蹤性能的基礎上如何分配雷達資源，對重點關注目標進行針對性的特性激勵是智能化軍用雷達目標識別需要解決的第一個問題。如圖1所示為層次化目標識別處理架構，基于在線獲取的目標基礎特征，如速度、高度、距離、航向、機動性等進行威脅等級的初步計算，對所有探測到的目標進行排序，僅對高威脅的目標進行精細特征的激勵，對于極小威脅的目標釋放雷達資源。在此基礎上，基于獲取的精細目標特性信息完成特征提取、分類與判決；更新之前的探測目標威脅等級排序，并對新的高威脅目標進行更為精細特征的激勵、提取與判決，對弱威脅目標釋放雷達資源。重復上述過程，直至遍歷所有的探測目標?；谶@種識別策略，逐層篩選重點關注目標進行精細識別及確認，在最優(yōu)化雷達資源利用的前提下實現對觀測目標的精準識別。

圖1 層次化目標識別處理架構

2.2 目標穩(wěn)健特征提取與特性自學習

目標特征反映空/時/頻/極化域的目標特性，經典的特征提取方法總結如下：

1) RCS序列統(tǒng)計特征：RCS反映目標的后向散射能力，與目標材質、結構、尺寸及雷達自身的頻段相關。通?；赗CS序列提取其位置特征、散布特征、分布特征以及變換特征。能夠進行粗粒度的尺寸區(qū)分以及姿態(tài)穩(wěn)定性判別。一般不需要單獨發(fā)射識別波形，判決結果的準確性與數據率相關。

2) 微動特征：反映目標局部運動引起的微多普勒效應，與平動相比，能夠據此反演目標的精細化的微運動周期、結構甚至尺寸。例如進行飛機目標的直升機、螺旋槳、噴氣式等的動力類型判決，以及支撐彈道目標自旋、進動、章動等精細化微動識別并直接支撐真假彈頭的識別。一般需要單獨發(fā)射識別波形，對于重頻、駐留時間等的雷達工作參數需求較高。

3) 寬帶一維距離像特征提取：反映目標沿觀測視線方向強散射點的分布情況，對目標姿態(tài)角、目標出現在空間的位置、距離以及接收機增益均較為敏感。帶寬越高，反映目標的特征越精細。

4) 寬帶ISAR(Inverse Synthetic Aperture Radar)圖像特征提取：反映目標在距離-多普勒成像平面的投影，通常表現為稀疏的散射中心的分布。由于目標的非合作性，平動分量在成像中易引起距離向模糊，微動分量易引起方位向模糊。成像條件較為苛刻，對雷達工作參數的需求也較高，支持目標的輪廓提取與高精度徑向尺寸估計。

5) 極化特征：反映目標基本結構單元的特點，并對電假目標的判定有一定的支撐作用，多由極化散射矩陣獲取極化不變量以及典型的主極化-交叉極化通道的相對關系進行目標結構及屬性的判定，對于雷達天線的需求較高。

上述各特征的適用場景及所支撐的分類識別任務不一。因此，當雷達目標識別面臨的應用場景發(fā)生變化時，各特征的泛化能力有待提升。近年來，以深度學習為代表的先進機器學習算法在民用光學圖像處理、語音識別等領域獲得了巨大的成功。隨著裝備實測數據的不斷積累與高精度電磁特性仿真軟件的持續(xù)優(yōu)化，深度學習網絡等算法模型在雷達目標識別中應用變得可行[11]。

基于深度神經網絡的特征自學習根據學習目的可分為三大類：

1) 目標特征的泛化能力提升：傳統(tǒng)的目標特征表征與提取維度有限，以飛機目標識別為例，將一維特性信息經時頻分析變換到時頻二維空間，實現雷達特征的圖像化，再采用CNN的視覺特征提取機制實現目標雷達特性的深層次提取，并對卷積神經網絡(Convolutional Neural Network, CNN)的結構進行針對性優(yōu)化，即強化對微動響應強的節(jié)點，弱化對雜波及噪聲響應強的節(jié)點，進行目標特征的自學習，實現特征的泛化能力提升。采用的基礎卷積神經網絡結構如圖2所示，包括卷積層、池化層、全連接層、輸出層四類。卷積神經網絡的三個特性：局部連接、權重共享以及匯聚，使其具有一定程度的平移、縮放和旋轉不變性。除此之外，可以通過正則化等技術來緩解神經網絡在訓練過程中容易出現的過擬合問題，也可通過數據增強技術解決雷達目標樣本數量過少的問題。

圖2 卷積神經網絡基本結構

2) 多模態(tài)特征的關聯與遷移：不同特征的特性表征維度的互補性可以支撐不同特征的關聯、遷移與聯合表征。以一維距離像特征與微動特征的協同關聯為例，一維距離像特征反映目標的結構特性，微動特征反映目標的局部運動特性，兩者結合有助于提升分類識別的精細度。采用多頭注意力機制模型(Multi-Head Attention Mechanism,MHAM)進行并行計算，將不同維度的雷達特征數據的自注意力進行整合，關注不同任務的多個方面并覆蓋多種語義信息，允許網絡在不同的表示子空間里提取到互相關聯的特征信息。同時通過降低特征數據的維度來減少整體計算資源的消耗，可更有效地捕獲特征間全局依賴關系。具體計算公式如下所示，其中Q、V、K分別為注意力參數，W為Q、V、K的線性變換參數，Attention為自注意力計算公式，Concat為多頭注意力的合并公式。

MultiHead(Q,V,K)=

Concat(head1,…,headh)WO

(1)

3) 時間序貫信息的上下文關聯關系挖掘：目標在觀測時間內特性表征隨著時間的變化而變化，例如彈頭目標多呈現穩(wěn)定姿態(tài)，彈體目標則呈現無序翻滾。循環(huán)神經網絡(Recurrent Neural Network, RNN)結構如圖3所示，其通過使用帶自反饋的神經元，能夠處理任意長度的時序數據，更適用于挖掘上下文的關聯關系。該模型的變種，長短期記憶神經網絡(Long Short-Term Me-mory，LSTM)可良好解決不同識別任務中對歷史信息的取舍問題。

圖3 循環(huán)神經網絡基本結構

2.3 決策模型設計

目標識別的本質為對給定的特征向量進行類別及屬性的判定，最終的判決結果由輸入特征向量與分類器共同決定。目前裝備應用中，以監(jiān)督式分類器為主，支持向量機(Support Vector Machine, SVM)分類器、K-近鄰、多層感知機(Multilayer Perceptron, MLP)等均有很多成功的應用案例。針對軍用雷達目標識別的“大數據、小樣本”特性，以及連續(xù)學習需求，決策器設計層面需要加強如下方面的應用研究：

1) 半監(jiān)督分類器設計：實際獲取的目標識別樣本集合多數表示為

{(x1,y1) (x2,y2) … (xl,yl),

xl+1…xl+u}

(2)

式中，x為輸入特征向量，規(guī)模為l的數據準確標定，大規(guī)模的數據(規(guī)模為u)的真值未知。采用半監(jiān)督分類器設計的思想，在分類器學習階段將未標定樣本引入學習集合進行同步優(yōu)化，提升分類器的準確性與泛化性。目前多數的半監(jiān)督學習方法往往對有限的已標定樣本和大量的未標定數據進行強的分布假設。如何結合識別任務自身特性優(yōu)化半監(jiān)督分類器模型設計方法，實現分類識別算法的快速收斂是值得關注的一個方向。

2) 增量式分類器模型設計：軍用雷達目標識別能力應隨著投入運行時間的增加同步進行識別性能的迭代提升。針對小樣本陌生目標的識別與分類器連續(xù)學習需求，開展增量學習在雷達目標識別中的應用研究，在保證已有能力的前提下，結合半監(jiān)督/無監(jiān)督學習對新樣本進行增量學習提取新特性知識，提升分類識別的準確性及對新類別的識別能力，應對裝備識別能力的穩(wěn)健在線提升起到直接支撐的作用。

3) 重點目標知識圖譜構建：對軍用目標的目標類型、本征特征、特征事件等建立關聯關系圖譜?；跍y量數據或先驗完成實體、關系、屬性、事件等的知識抽取，并結合特性數據知識進行知識融合，經知識加工后形成知識圖譜。在智能化軍用雷達目標識別應用研究中，基于仿真與實測特性數據建立結構化數據源，構建特性圖譜，結合識別規(guī)則、應用場景特點、任務需求等支撐目標意圖推理，是值得深入研究的方向。

4) 類腦多模態(tài)融合識別模型：多元感知信息融合識別是軍用雷達目標識別發(fā)展的重要趨勢。在處理數據冗余且信息不完備的感知數據時，類腦信息融合為我們提供了新的思路。大腦對所獲取的信息按照一定的學習方式進行整合，根據記憶中的經驗知識去估計判斷，對獲取的信息進行評判并更新記憶。類腦智能通過借鑒人腦神經結構、信息處理機制和認知行為機制，以計算建模為手段，通過軟硬件協同實現的機器智能[12-13]。構建類腦多模態(tài)融合識別處理架構，實現多元感知信息的高效融合應是智能化雷達目標識別的重要目標。

5) 基于環(huán)境認知的目標識別決策閉環(huán)：當前裝備應用中，識別結果與前端信息處理多呈開環(huán)狀態(tài)。發(fā)展基于戰(zhàn)場環(huán)境實時感知認知的目標檢測-跟蹤-識別一體化處理技術，設計高效的各處理環(huán)節(jié)的交互增益機制，實現戰(zhàn)場環(huán)境的實時感知與識別決策結果實時閉環(huán)，是軍用雷達智能化目標識別發(fā)展的必然。

4 結束語

目前，加速推進軍事智能化已成為國家級戰(zhàn)略導向。作為軍事智能的典型案例，智能化軍用雷達目標識別仍面臨數據層面、特征層面、決策層面的一系列挑戰(zhàn)。本文從實際裝備應用的角度探討智能化目標識別的關鍵問題，為人工智能相關技術落地軍事應用提供參考。