李 軻，張建強，李勝軍，王沫然,

(1.海軍工程大學(xué) 電子工程學(xué)院，湖北 武漢 430033；2.四川九洲電器集團有限責(zé)任公司，四川 綿陽 621000)

0 引 言

低、慢、小目標(biāo)具有雷達(dá)散射截面積小、飛行高度低、速度慢或多普勒頻移不明顯的特點，在復(fù)雜海洋環(huán)境中，低、慢、小目標(biāo)的識別成為一個世界性難題[1–3]。目前低、慢、小目標(biāo)主要通過雷達(dá)、光電、聲學(xué)等手段探測[4–5]。雷達(dá)作為一種全天候探測手段，在低、慢、小目標(biāo)識別中應(yīng)用越來越廣。艦載雷達(dá)接收的雷達(dá)回波主要由目標(biāo)回波和海雜波組成，由于海雜波空時變化的復(fù)雜性，傳統(tǒng)基于規(guī)則和目標(biāo)特征庫的目標(biāo)識別方式難以滿足復(fù)雜海況下低、慢、小目標(biāo)識別的需求，深度學(xué)習(xí)技術(shù)作為智能識別的有效手段，為低、慢、小目標(biāo)識別提供了技術(shù)基礎(chǔ)。然而，傳統(tǒng)深度學(xué)習(xí)對樣本的過度依賴限制了模型在實際場景種的應(yīng)用。如何挖掘小樣本的優(yōu)勢已成為目標(biāo)識別應(yīng)用的迫切問題[6]。

小樣本學(xué)習(xí)的概念最早源自于計算機視覺領(lǐng)域，近幾年在電磁目標(biāo)識別方向受到廣泛關(guān)注。在視覺方向，Oriol Vinyals 等[7]利用余弦注意力機制學(xué)習(xí)類別間的度量來推斷目標(biāo)樣本的類別，通過訓(xùn)練和測試一致性匹配原則，該方法在目標(biāo)識別和自然語言處理上表現(xiàn)出優(yōu)異的性能。Li 等[8]提出了一個協(xié)方差度量網(wǎng)絡(luò)，在基于小樣本分類任務(wù)的分布一致性上，利用協(xié)方差表示和協(xié)方差矩陣對圖片進(jìn)行識別。在電磁方向，丁辰偉等[9]將圖像增強技術(shù)和生成對抗網(wǎng)絡(luò)應(yīng)用于雷達(dá)輻射源個體識別中，實驗證明該方法的有效性，解決了小樣本條件下目標(biāo)識別概率較低的問題。

綜上，當(dāng)前主流先進(jìn)的小樣本識別算法模型主要針對視覺圖像等領(lǐng)域，對于電磁信號目標(biāo)識別領(lǐng)域的研究相對較少，特別是低、慢、小目標(biāo)識別領(lǐng)域。針對以上問題，本文借鑒匹配網(wǎng)絡(luò)，整合多頭注意力機制和殘差模塊去構(gòu)造一個表征學(xué)習(xí)單元，將經(jīng)過小波變換預(yù)處理后的信號輸入學(xué)習(xí)單元，利用FocalLoss 損失函數(shù)實現(xiàn)對低慢小目標(biāo)雷達(dá)回波信號的特征提取和分類。

1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本文通過多頭注意力機制和雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式，利用少量帶標(biāo)簽的樣本訓(xùn)練一個分類器解決艦載雷達(dá)小樣本目標(biāo)識別的問題，整體框架如圖1 所示。

圖1 基于艦載雷達(dá)小樣本的低慢小目標(biāo)識別分類框架Fig.1 Low-slow and small target recognition framework with few shot learning based on shipborne radar

1.1 基于小波變換的域轉(zhuǎn)換模塊

考慮到雷達(dá)在探測過程中受到海上多種環(huán)境因素干擾，降低了目標(biāo)識別性能[10]?；谛〔ㄗ儞Q原理，對探測到的目標(biāo)信號進(jìn)行分解，盡可能消除干擾因素帶來的影響。

小波變換的重要核心是小波基函數(shù) ψ (t)，通過尺度因子a和平移因子b來控制小波函數(shù)的伸縮和平移，小波基函數(shù)為：

式中： ψ為小波基函數(shù)；a為尺度因子；b為平移因子。

小波變換同時滿足了時域和頻域的高分辨，有良好的時頻局部化特性?？紤]目標(biāo)回波信號受海雜波影響較大以及SWT(Synchrosqueezed Wavelet Transform)小波函數(shù)的消噪特性。選用SWT 小波函數(shù)進(jìn)行目標(biāo)回波特征域轉(zhuǎn)換，使用db1 小波基做3 層小波分解。

1.2 基于殘差與多頭注意力機制的特征表征模塊

在小樣本學(xué)習(xí)中對目標(biāo)信號的特征提取通常采用4～6 層的卷積進(jìn)行特征提取，該網(wǎng)絡(luò)易于訓(xùn)練，但學(xué)習(xí)能力有限[11–15]。因此，本文提出使用殘差神經(jīng)網(wǎng)絡(luò)與多頭注意力機制進(jìn)行特征提取。

多頭自注意力機制發(fā)揮了對輸入序列中元素之前相關(guān)關(guān)系進(jìn)行建模的強大能力，可進(jìn)一步聯(lián)合關(guān)注來自不同表示子空間的信息，提高模型性能。多頭注意力模型通過對輸入的序列分別進(jìn)行3 次線性映射得到Q、K、V，利用Q與K的點積計算得到的權(quán)重對V進(jìn)行加權(quán)求和。在計算時通過輸入多次映射，每個映射使用不同參數(shù)進(jìn)行相同計算，最后將各個輸出合并在一起，相比縮放點積注意力更適合處理含有細(xì)微變化的數(shù)據(jù)，多頭注意力模塊如圖2 所示。

圖2 多頭注意力模塊Fig.2 Multi-head attention module

給定目標(biāo)回波通過線性映射計算查詢向量、鍵向量和值向量注意力矩陣。注意力矩陣計算如下：

式中：Q為查詢矩陣；K為鍵值矩陣；V為值矩陣；dk為尺度因子。

基于殘差與多頭注意力機制的特征表征模塊利用卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)回波信號的局部信息，同時使用多頭注意力機制對全局信息進(jìn)行建模，捕捉各散射點的本質(zhì)特征，在特征學(xué)習(xí)中增強目標(biāo)回波顯著信息，特征提取模塊如圖3 所示。

圖3 基于殘差與多頭注意力機制的特征提取Fig.3 Based on residual and multi-head attention mechanism of feature extraction

1.3 基于全局上下文注意力感知記憶增強模塊

源域和目標(biāo)域的樣本特征由共有特征和相關(guān)特征構(gòu)成。共有特征為可學(xué)習(xí)的通用特征，這些特征與領(lǐng)域無關(guān)；相關(guān)特征與每個域獨有的特征，用來保持每個域的可區(qū)分性[16]。

每個樣本對象包含了每個樣本的多種特征表征類型，每種表征都在存在不同程度的信息損失，為提高目標(biāo)識別精度，本文結(jié)合多步雙向長短記憶網(wǎng)絡(luò)和注意力機制學(xué)習(xí)樣本之間的共有特征。在強表示性的特征提取模塊基礎(chǔ)上，增加全條件編碼，增強模型的共有特征提取性能。

如圖4 所示，為增強網(wǎng)絡(luò)記憶容量，將學(xué)習(xí)樣本的共有特征信息保存在輔助記憶中，在特征信息提取時再進(jìn)行讀取。通過多步雙向長短記憶網(wǎng)絡(luò)進(jìn)行共有特征提取，將支持集樣本特征生成序列輸入多步雙向長短記憶網(wǎng)絡(luò)使支持集和查詢集的樣本之間相互作用，通過關(guān)注樣本間的共性特征提取樣本間的共有語義信息。多步雙向長短記憶函數(shù)為：

圖4 目標(biāo)源數(shù)據(jù)表示Fig.4 Target source data represention

式中：f′(x?)為標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)，用來提取目標(biāo)輸入特征；g(S)為嵌入支持集函數(shù)，用來提取支持集特征；S為支持集；k為固定展開迭代步數(shù)；x?表示目標(biāo)數(shù)據(jù)。

2 基于遷移學(xué)習(xí)的分類識別

利用遷移學(xué)習(xí)的思想來解決艦載雷達(dá)低慢小目標(biāo)識別問題，流程如圖5 所示。艦載雷達(dá)低慢小目標(biāo)識別包括線下訓(xùn)練、線下識別2 個部分，訓(xùn)練采用n-way k-shot 的形式構(gòu)建包含支持集樣本和查詢集樣本的任務(wù)數(shù)據(jù)集。面對目標(biāo)任務(wù)時，模型利用源任務(wù)學(xué)習(xí)的共有特征，通過少量的支持集樣本，實現(xiàn)目標(biāo)的識別。

圖5 小樣本遷移學(xué)習(xí)框架Fig.5 Few-shot transfer learning framework

分類器以“正間隔”來區(qū)分目標(biāo)，由于低、慢、小目標(biāo)樣本特征極為相似，在基礎(chǔ)類上，“正間隔”可形成清晰的類簇結(jié)構(gòu)并取得了較高的準(zhǔn)確率；然而在目標(biāo)類上，正的“間隔”破壞了特征的類簇結(jié)構(gòu)。考慮特征的可遷移性和可分性，利用FocalLoss 損失函數(shù)解決難易樣本數(shù)量不平衡的問題，完成低、慢、小目標(biāo)的分類識別，其表達(dá)式為：

式中： αt為權(quán)重參數(shù)；pt為 預(yù)測值； γ為可調(diào)節(jié)因子。

訓(xùn)練中，對于容易區(qū)分的樣本，也就是pt值趨近于1 的樣本，可降低它的損失函數(shù)值，而對于pt值趨近于0 的樣本，對損失函數(shù)值影響并不大，這樣可促使網(wǎng)絡(luò)的學(xué)習(xí)權(quán)重向困難樣本傾斜，提高網(wǎng)絡(luò)區(qū)分困難樣本的敏感度。同時為提高誤分類樣本的權(quán)重，利用 αt增加誤分類權(quán)重。

3 實驗結(jié)果

3.1 數(shù)據(jù)集及實驗設(shè)置

仿真工具為電磁計算軟件FEKO 和Matlab，將仿真場景設(shè)置為遠(yuǎn)場艦載單站雷達(dá)，海雜波采用復(fù)合K分布，SCNR（信號雜波噪聲比）為3 dB。仿真參數(shù)設(shè)置如下：雷達(dá)天線高度為20 m；工作波段為L 波段；信號載頻為1 GHz；脈沖重復(fù)頻率PRF 為4 096 Hz；波束寬度3°；天線掃描速度為30°/s。信號帶寬50 MHz，時寬10 μs。以雷達(dá)所在位置在地平面上的投影為OXYZ坐標(biāo)系原點。仿真的11 種低、慢、小目標(biāo)具體參數(shù)如表1 所示。

表1 低慢小目標(biāo)數(shù)據(jù)集Tab.1 Low-slow and small target datasets

以滑翔機為例，設(shè)滑翔機高度500 m，與雷達(dá)水平距離5 km，雷達(dá)天線高度為20 m，采用水平極化。以雷達(dá)所在坐標(biāo)系為參考坐標(biāo)系，計算可得滑翔機與雷達(dá)之間俯仰角為5.47°。激勵設(shè)置與計算得到的目標(biāo)RCS 值如圖6 和圖7 所示。

圖6 激勵設(shè)置Fig.6 Incentive settings

圖7 滑翔機RCS 估計值Fig.7 RCS estimation for gliders

基于艦載雷達(dá)小樣本的低、慢、小目標(biāo)分類識別使用赤龍4 固定翼無人機、日本ASM-2、雄達(dá)UF26 快艇3 類目標(biāo)作為訓(xùn)練集。S100 無人直升機、ME300 領(lǐng)航者無人船、動力三角翼3 類目標(biāo)作為驗證集。大疆精靈4、滑翔機、美國捕鯨叉、AD100 輕型飛機、華微6 號無人船5 類目標(biāo)作為測試集。訓(xùn)練采用3way-5shot 的訓(xùn)練方式，測試以60 次隨機測試精度的均值作為最終識別結(jié)果。訓(xùn)練分為2 種情況：1）從訓(xùn)練集每類中挑選30 個樣本，共90 個訓(xùn)練樣本；2）從訓(xùn)練集每類中挑選100 個樣本，共300 個訓(xùn)練樣本。驗證集每類300 個樣本，共900 個驗證樣本，測試集每類300 個樣本，共1 800 個測試樣本。

3.2 實驗結(jié)果與分析

從訓(xùn)練樣本量和目標(biāo)回波姿態(tài)角2 個角度來探索樣本差異性對模型性能的影響。數(shù)據(jù)集空中目標(biāo)的信噪比（SNR）為15 dB，水面目標(biāo)的SNR 為5 dB，目標(biāo)回波姿態(tài)角包含0°和30°，測試集每類300 個樣本，共1 800 個測試樣本，實驗使用姿態(tài)角差異性表示樣本差異性，設(shè)置9 組對比實驗。實驗設(shè)置及結(jié)果如表2 和表3 所示。

表2 90 個訓(xùn)練樣本Tab.2 Difference experiment results of 90 training samples

表3 300 個訓(xùn)練樣本差異性實驗結(jié)果Tab.3 Difference experiment results of 300 training samples

針對訓(xùn)練任務(wù)和測試任務(wù)樣本量的差異，繪制折線如圖8 所示。

圖8 目標(biāo)識別率與任務(wù)差異性關(guān)系Fig.8 The relationship between target recognition rate and task

圖8(a)表示目標(biāo)回波姿態(tài)角為0°時，在300 個訓(xùn)練樣本的情況下，目標(biāo)識別率由99.65%降低到99.5%，下降了0.15%；在90 個訓(xùn)練樣本的情況下，目標(biāo)識別率由99.59%降低到97.45%，下降了2.14%。圖8(b)表示目標(biāo)回波姿態(tài)角為30°時，當(dāng)訓(xùn)練樣本和測試樣本存在姿態(tài)角差異時，在300 個訓(xùn)練樣本的情況下，0°的測試精度提高了0.5%，但混合的測試精度降低了0.09%；在90 個訓(xùn)練樣本的情況下，目標(biāo)識別率由98.39%降低到97.82%，下降了0.57%。圖8(c)展示了源任務(wù)姿態(tài)角為0°和30°時，在0°和30°測試時，識別精度都有相應(yīng)的提高；在300 個訓(xùn)練樣本的情況下提高0.61%，在90 個訓(xùn)練樣本的情況下提高0.8%。

在針對訓(xùn)練任務(wù)和測試任務(wù)的內(nèi)類差異性，為避免任務(wù)樣本量的影響，根據(jù)表2 和表3 的實驗結(jié)果分別對比繪制類內(nèi)差異性對比圖，如圖9 所示。

圖9 目標(biāo)識別率與類內(nèi)差異性關(guān)系Fig.9 The relationship between target recognition rate and intraclass difference

從圖9(a) 可以看出，當(dāng)訓(xùn)練樣本為90 個，0°、30°和混合姿態(tài)角的識別率分別為99.59%、98.82%和97.45%，姿態(tài)角混合后的識別率比0°和30°的識別率均值低1.76%；當(dāng)訓(xùn)練樣本為300 個，0°、30°和混合姿態(tài)角的識別率分別為99.65%、99.56%和99.55%，姿態(tài)角混合后的識別率略低于單個姿態(tài)角識別率均值；圖9(b) 和圖9(c) 在目標(biāo)識別率的變化趨勢上整體與圖9(a)一致。因此可知，目標(biāo)回波姿態(tài)角增大，模型性能均呈現(xiàn)下降趨勢，訓(xùn)練樣本量大時，影響較小，但總體說明類內(nèi)差異對模型推理性能有一定影響。

4 結(jié) 語

針對艦載雷達(dá)目標(biāo)識別中存在的小樣本問題，本文提出一種基于艦載雷達(dá)小樣本的低、慢、小目標(biāo)識別方法，使用具有強表示學(xué)習(xí)能力的基于殘差與多頭注意力機制的特征表征模塊?；谌稚舷挛淖⒁饬Ω兄洃浽鰪娔K提取樣本的共有特征，結(jié)合Focal-Loss 損失函數(shù)實現(xiàn)困難樣本的分類。在FEKO 和Matlab 仿真的十一類低、慢、小目標(biāo)雷達(dá)回波數(shù)據(jù)集上進(jìn)行多組完備實驗驗證，充分挖掘了小樣本學(xué)習(xí)中不同樣本間共有特征和相關(guān)特征。實驗結(jié)果表明，本文提出方法在小樣本識別任務(wù)上具有優(yōu)異的性能，進(jìn)一步證明了本文方法在雷達(dá)目標(biāo)識別領(lǐng)域的可行性和適用性。同時，由于場景的特殊性，仿真環(huán)境無法完全模擬真實環(huán)境，海雜波與低慢小目標(biāo)回波建模具有一定的局限性，如何從仿真環(huán)境遷移到真實場景，這是下一步工作重點研究的問題。