摘 要：

針對在低空雷達(dá)監(jiān)視場景下，行人、車輛、無人機(jī)等目標(biāo)分類任務(wù)中目標(biāo)微動特征難以提取導(dǎo)致分類準(zhǔn)確率較低的問題，提出一種基于EfficientNet的多通道雷達(dá)目標(biāo)微動特征分類方法。首先，根據(jù)雜波、目標(biāo)和噪聲信號的能量分布差異，提出多能量奇異值分解方法抑制雜波和噪聲，增強(qiáng)目標(biāo)微動特征。隨后，聯(lián)合雷達(dá)和差通道時頻信息特點(diǎn)，設(shè)計多通道EfficientNet模型，結(jié)合多通道微動特性進(jìn)一步實(shí)現(xiàn)目標(biāo)的準(zhǔn)確分類。最后，利用雷達(dá)實(shí)測目標(biāo)數(shù)據(jù)對所提方法進(jìn)行驗證。結(jié)果表明，所提方法在保證較低模型復(fù)雜度的情況下，相比于其他方法在準(zhǔn)確率上有顯著提升。

關(guān)鍵詞：

多通道雷達(dá); 微動目標(biāo)分類; EfficientNet; 奇異值分解

中圖分類號：

TN 959.1

文獻(xiàn)標(biāo)志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.09.11

Multi-channel radar target micro-motion feature classification method based on EfficientNet

WANG Xiaoyi1，2， LUO Yunhua1， YU Zhongjun1，2，*， SUN Hao1， WANG Xiaobei1

（1. Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing 100094， China;

2. School of Electronic， Electrical and Communication Engineering， University of

Chinese Academy of Sciences， Beijing 100049， China）

Abstract：

To solve the problem on low classification accuracy caused by the difficulty of extracting features of micro-motion targets， such as pedestrians， vehicles， and drones in low-altitude radar monitoring scenarios， a multi-channel radar target micro-motion feature classification method based on EfficientNet is proposed. Firstly， a multi-energy singular value decomposition method is proposed to suppress clutter and noise， and enhance the micro-motion characteristics of the target based on the energy distribution differences between the clutter， target， and noise signals. Secondly， the multi-channel EfficientNet model is designed to combine time-frequency information features in radar sum and difference channels， and further fuse multi-channel micro-motion features to achieve accurate target classification. Finally， the effectiveness of the proposed method is verified through experiments using radar measured target data. The results show that compared with other methods， the proposed method significantly improves classification accuracy with low model complexity.

Keywords：

multi-channel radar; classification of micro-motion targets; EfficientNet; singular value decomposition

0 引 言

安防監(jiān)視系統(tǒng)對于社會經(jīng)濟(jì)發(fā)展中的各項基礎(chǔ)設(shè)施建設(shè)具有重要意義，其中雷達(dá)因其全天時、全天候等特點(diǎn)，在安防系統(tǒng)中扮演著重要角色。雷達(dá)目標(biāo)分類識別是低空監(jiān)視任務(wù)中的重要組成部分［1-3］。由于目標(biāo)微多普勒特征包含目標(biāo)特有的物理結(jié)構(gòu)、運(yùn)動模式等信息［4］，所以常作為雷達(dá)微動目標(biāo)分類的重要依據(jù)。

雷達(dá)微動目標(biāo)分類的傳統(tǒng)方法是從時域、頻域、時頻域中人工提取信號幅值、波形熵、小波變換系數(shù)等特征，最后結(jié)合機(jī)器學(xué)習(xí)模型進(jìn)行分類［5-6］，常用的模型有支持向量機(jī) （support vector machine， SVM）［7］、貝葉斯模型［8］、k-近鄰［9］等。傳統(tǒng)方法物理意義明確、具備較高的可解釋性和穩(wěn)定性，但極其依賴專家知識，特征的選擇對分類性能影響較大［10］。并且，在實(shí)際情況下，復(fù)雜的目標(biāo)運(yùn)動模式和檢測環(huán)境具有隨機(jī)性，根據(jù)人工經(jīng)驗提取特征容易造成信息丟失，從而無法充分反映目標(biāo)微動特征，影響分類效果。微多普勒特征一般通過時頻圖來描述［11］，傳統(tǒng)機(jī)器學(xué)習(xí)模型對圖像局部特征的學(xué)習(xí)能力較差。深度學(xué)習(xí)可以自動提取圖像的深層信息，利用深度學(xué)習(xí)方法從回波時頻圖中學(xué)習(xí)目標(biāo)的微多普勒特征，可以充分發(fā)揮深度學(xué)習(xí)模型在學(xué)習(xí)圖像特征方面的優(yōu)勢，實(shí)現(xiàn)目標(biāo)微動特征的智能化提取和識別。現(xiàn)有大量研究驗證了深度學(xué)習(xí)方法學(xué)習(xí)微多普勒特征的優(yōu)勢［12-13］，文獻(xiàn)［14］使用回波信號的時頻圖輸入卷積神經(jīng)網(wǎng)絡(luò) （convolutional neural network， CNN），實(shí)現(xiàn)了地面目標(biāo)的準(zhǔn)確分類和識別。

在實(shí)際環(huán)境中，目標(biāo)時頻圖被雜波和噪聲污染，微多普勒特征不明顯，從而給目標(biāo)的分類造成困難［15］?，F(xiàn)有基于奇異值分解 （singular value decomposition， SVD）［16］的信號去噪方法，根據(jù)奇異值大小選取有效奇異值重構(gòu)信號，對回波中的雜波和噪聲進(jìn)行抑制，從而增強(qiáng)微多普勒特征。文獻(xiàn)［14］首先利用SVD提取目標(biāo)信號，從而增強(qiáng)時頻圖中的目標(biāo)微多普勒特征，然后基于AlexNet模型［17］實(shí)現(xiàn)了不同目標(biāo)的分類識別，取得了較好的分類效果。有效奇異值可以基于回波各信號分量的能量規(guī)律選擇，但目前研究利用雜波能量最大，噪聲能量最小的經(jīng)驗，導(dǎo)致目標(biāo)能量較大時容易被判為雜波去除，能量較小時被判為噪聲去除［18］，從而無法自適應(yīng)地抑制雜波和噪聲，影響后續(xù)的目標(biāo)分類效果，所以一種更加有效的微多普勒特征增強(qiáng)方法研究具有重要意義。

同時，現(xiàn)有研究大多從單通道回波中提取微多普勒特征，導(dǎo)致分類特征較為單一，不能充分挖掘目標(biāo)的微動特征信息。近年來，隨著多通道雷達(dá)技術(shù)的發(fā)展，很多研究者嘗試融合雷達(dá)多通道回波特征來提高目標(biāo)分類效果。文獻(xiàn)［19］將毫米波雷達(dá)的多通道距離-多普勒譜進(jìn)行非相干疊加處理，提高了譜圖信噪比，實(shí)現(xiàn)了微動手勢的準(zhǔn)確識別。然而，現(xiàn)有研究大多采用多通道形成和通道的方法融合目標(biāo)微動特征，實(shí)質(zhì)上與單通道目標(biāo)分類過程并無本質(zhì)區(qū)別，未能發(fā)揮使用多通道雷達(dá)觀測目標(biāo)的優(yōu)勢。

本文利用有源相控陣?yán)走_(dá)［20］對微動目標(biāo)進(jìn)行觀測，在多通道回波中包含著豐富的目標(biāo)微動特征信息?；诖耍疚奶岢鲆环N基于EfficientNet模型的多通道雷達(dá)目標(biāo)微動特征分類方法。首先，由于回波中不同信號分量的能量具有差異，提出一種基于SVD的多能量SVD分解方法 （multi-energy SVD， MESVD） 對目標(biāo)回波進(jìn)行提取，再基于學(xué)者Stankovic提出的時頻分析方法 （簡稱為SM） 獲得時頻圖，增強(qiáng)微多普勒特征。然后，結(jié)合雷達(dá)多通道和EfficientNet網(wǎng)絡(luò)高效學(xué)習(xí)特征的優(yōu)勢，本文提出將平面陣列和差通道的時頻圖輸入多通道EfficientNet模型中實(shí)現(xiàn)微動目標(biāo)特征融合和分類。最后，利用雷達(dá)系統(tǒng)采集的無人機(jī)、車輛、行人目標(biāo)回波數(shù)據(jù)進(jìn)行實(shí)驗驗證，實(shí)驗結(jié)果證明本文所提方法能夠?qū)崿F(xiàn)3種不同目標(biāo)的準(zhǔn)確分類。

1 目標(biāo)微多普勒特征分析

目標(biāo)的微多普勒特征是微動目標(biāo)分類的重要依據(jù)，可以通過微多普勒信號模型分析影響微多普勒特征的因素。因此，本節(jié)對目標(biāo)的微多普勒信號進(jìn)行建模，研究無人機(jī)、車輛、行人目標(biāo)微多普勒特征的差異，為微動目標(biāo)的分類提供理論支撐。

1.1 目標(biāo)微多普勒信號基礎(chǔ)模型

雷達(dá)發(fā)射信號一般使用線性調(diào)頻信號［21-22］，其時域表達(dá)式為

2.2 微動目標(biāo)多通道特征融合分類方法

2.2.1 和差通道微多普勒信號

雷達(dá)和通道回波信號是各通道信號的疊加，可使輸出信號的強(qiáng)度增強(qiáng)，提高信噪比。雷達(dá)差通道回波信號則表征目標(biāo)與雷達(dá)位置的偏離角度，其發(fā)射信號模型如圖4所示，兩個天線波束同時接收處于軸線附近目標(biāo)的反射回波信號，從差通道回波中可以得到目標(biāo)點(diǎn)位置的角度信息［26］。

圖5表示的是雷達(dá)監(jiān)視場景中雷達(dá)和目標(biāo)的空間分布示意圖，雷達(dá)置于高架上，在雷達(dá)遠(yuǎn)場區(qū)域有兩個目標(biāo)點(diǎn)P1和P2，其位置如圖5所示，其中兩目標(biāo)的俯仰角β1gt;β2，則P1的微多普勒信號能量大于P2。目標(biāo)在運(yùn)動過程中微動部分的俯仰角不同，所以俯仰差通道微多普勒信號能量存在差異［27］。需要說明的是，由于方位角與目標(biāo)所在位置有關(guān)，不屬于目標(biāo)運(yùn)動特性，所以本文的差通道專指俯仰差通道。

綜上所述，目標(biāo)的和通道回波信噪比較高，目標(biāo)的差通道回波中包含目標(biāo)空間俯仰信息，聯(lián)合兩個通道回波的時頻圖，可以充分挖掘目標(biāo)的微動特征。

2.2.2 多通道EfficientNet模型

EfficientNet模型是目前較先進(jìn)的CNN之一［28］，在參數(shù)量較小的情況下，通過同時增加網(wǎng)絡(luò)深度和寬度來放大模型，可獲得比傳統(tǒng)CNN模型更高的性能。如圖3所示，本文所提多通道EfficientNet模型結(jié)構(gòu)主要由提取和差通道微多普勒特征的EfficientNet模型和融合多通道特征的全連接層組成?？紤]到時間、資源等實(shí)際因素影響，本文選取了EfficientNet模型中的EfficientNet-B0網(wǎng)絡(luò)作為主體結(jié)構(gòu)，該網(wǎng)絡(luò)模型較小，速度最快，在小規(guī)模數(shù)據(jù)集分類任務(wù)中效果較好。

網(wǎng)絡(luò)的輸入是一組同一個目標(biāo)的和通道信號時頻圖和俯仰差通道信號時頻圖，兩個通道輸入數(shù)據(jù)共享EfficientNet-B0網(wǎng)絡(luò)權(quán)重。通過EfficientNet-B0網(wǎng)絡(luò)后得到兩通道的高層特征，通過特征拼接后再輸入全連接層，實(shí)現(xiàn)兩通道的特征融合，輸出維度為目標(biāo)類別數(shù)。

本文所使用的EfficientNet-B0網(wǎng)絡(luò)結(jié)構(gòu)組成如表1所示，網(wǎng)絡(luò)共分為9個階段，輸入尺寸為112×112的彩色時頻圖。第1階段是一個3×3的卷積層，第2到8階段由16個移動倒置瓶頸卷積 （mobile inverted bottleneck convolution， MBConv） 模塊堆疊而成。第9階段由一個1×1的卷積層、一個平均池化層和一個全連接層組成，其中k是類別數(shù)。

MBConv模塊是EfficientNet-B0網(wǎng)絡(luò)的主要部分，與一般的卷積模塊不同，在MBConv模塊中使用了Swish激活函數(shù)，同時加入了壓縮激活 （squeeze and excitation， SE） 模塊［29］。Swish函數(shù)可以看作是介于線性函數(shù)與ReLU函數(shù)之間的平滑函數(shù)，Swish激活函數(shù)的公式如下：

f（x）=x·sigmoid（βx） （20）

式中：β是一個參數(shù)，控制Swish的函數(shù)形狀。當(dāng)β=0時，激活函數(shù)變?yōu)榫€性函數(shù)f（x）=x/2;當(dāng)β=∞時，激活函數(shù)變?yōu)镽eLU函數(shù)。Swish函數(shù)無上邊界但有下邊界，因此訓(xùn)練過程中不會出現(xiàn)梯度飽和現(xiàn)象，有更強(qiáng)的正則化效果，而且該函數(shù)處處可導(dǎo)，更容易訓(xùn)練。

SE模塊本質(zhì)是一種通道注意力機(jī)制，可以自動為每個通道特征分配權(quán)值，再通過殘差強(qiáng)化網(wǎng)絡(luò)輸出特征重要性，將和差通道的微多普勒特征以不同權(quán)重融合，從而提高多通道EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)的特征提取能力。

3 實(shí)驗結(jié)果及分析

本節(jié)將采用雷達(dá)在低空監(jiān)視環(huán)境下采集的無人機(jī)、車輛和行人目標(biāo)回波數(shù)據(jù)，基于此方法實(shí)現(xiàn)3種微動目標(biāo)分類任務(wù)，并與其他方法進(jìn)行對比實(shí)驗，驗證本文所提方法的有效性和優(yōu)越性。

3.1 實(shí)驗數(shù)據(jù)采集

實(shí)驗采用X波段的低空監(jiān)視雷達(dá)采集數(shù)據(jù)，雷達(dá)為有源相控陣體制，實(shí)驗場景示意圖如圖6所示。

雷達(dá)對地面和低空目標(biāo)進(jìn)行監(jiān)視，行人、車輛和無人機(jī)分別在地面和200 m高度范圍內(nèi)的低空區(qū)域做折返運(yùn)動，測試目標(biāo)如圖7所示，分別包括人、車、無人機(jī)3類目標(biāo)。行人身高約1.7 m;車輛為常見輪式車，輪胎直徑約0.7 m，無人機(jī)屬于四旋翼無人機(jī)且葉片長度為0.25 m。3組實(shí)驗共采集到169個運(yùn)動行人樣本，153個運(yùn)動車輛樣本，145個運(yùn)動無人機(jī)樣本，共467個樣本。

3.2 微多普勒特征增強(qiáng)處理

對比SVD方法［18］和MESVD方法從回波中提取目標(biāo)信號的效果，處理前后的時頻域信號波形如圖8所示。圖8（a）為信號時域波形對比，圖8（b）為信號頻譜波形對比。從圖8中可知，對于目標(biāo)回波強(qiáng)度較大的情況，SVD方法依賴人工經(jīng)驗，默認(rèn)雜波能量最大，在該情況下無法去除雜波，同時會抑制目標(biāo)信號能量。MESVD方法可以提取大部分目標(biāo)信號，抑制雜波和噪聲。

接下來給出不同時頻變化結(jié)果，并使用Renyi熵［30］評價其能量聚集性。Renyi熵是一種常見的評價時頻能量聚集性指標(biāo)，其值越小，證明聚集性越好，對于離散信號的公式如下：

Hα（X）=－1α－1log2∑nk=1pαk， αgt;0;α≠1 （21）

式中：α為控制參數(shù)；pk為離散信號第k個值的相應(yīng)概率。

使用STFT得到的結(jié)果如圖9所示，使用SM得到的對應(yīng)結(jié)果如圖10所示。對比實(shí)驗結(jié)果，在每組結(jié)果中，經(jīng)過SM處理得到的時頻圖更清晰，Renyi熵更小，所以SM變化相比于傳統(tǒng)的STFT可以得到更高的時頻能量聚集性，實(shí)現(xiàn)微多普勒特征的進(jìn)一步增強(qiáng)。

圖11是回波信號分別使用STFT、MESVD-STFT和MESVD-SM方法得到的時頻圖，對比圖11（a）和圖11（b）可知，通過MESVD處理可以有效抑制回波中的雜波和噪聲，使微多普勒特征更明顯，對比圖11（b）和圖11（c），計算得到經(jīng)STFT的時頻圖Renyi熵為1.17，SM得到的時頻圖Renyi熵為0.69，后者的Renyi熵更小，時頻能量聚集性更好。綜上，利用MESVD-SM方法實(shí)現(xiàn)了雜波和噪聲的抑制以及時頻能量聚集，頻譜更加清晰，從而實(shí)現(xiàn)目標(biāo)微多普勒特征增強(qiáng)。

將上述預(yù)處理方法得到的時頻圖用于構(gòu)建多通道EfficientNet模型的訓(xùn)練和測試數(shù)據(jù)集，圖12為部分?jǐn)?shù)據(jù)集示例。時頻圖反映了不同目標(biāo)運(yùn)動狀態(tài)下和差通道的多普勒頻率隨時間變化情況，可見實(shí)際情況下無人機(jī)葉片的后向散射作用較強(qiáng)，由葉片旋轉(zhuǎn)引起的微多普勒信號互相交疊;車輛輪胎后向散射作用遠(yuǎn)小于車身，時頻圖主要體現(xiàn)的是由主體平動產(chǎn)生的多普勒譜;行人四肢后向散射作用相對主體較弱，微多普勒具有明顯周期性。可知3類目標(biāo)的時頻圖有較大差異，且同一目標(biāo)和差通道的時頻圖具有不同的能量分布。

3.3 基于深度學(xué)習(xí)的模型訓(xùn)練策略

本文在EfficientNet-B0網(wǎng)絡(luò)部分使用了從ImageNet數(shù)據(jù)集得到的預(yù)訓(xùn)練模型，而全連接層部分，則從頭開始訓(xùn)練。實(shí)驗所用網(wǎng)絡(luò)模型由PyTorch1.8深度學(xué)習(xí)框架搭建，為了避免訓(xùn)練集與測試集劃分造成的結(jié)果偶然性，訓(xùn)練采用10折交叉驗證［31］，其實(shí)現(xiàn)方法如圖13所示。將數(shù)據(jù)集拆分為互斥的訓(xùn)練和驗證集，共獲得10次訓(xùn)練和驗證，將10次驗證結(jié)果的均值作為結(jié)果用來評估模型性能。訓(xùn)練模型過程的各參數(shù)設(shè)置如表2所示。

訓(xùn)練過程中的損失值變化和準(zhǔn)確率變化如圖14所示，隨著迭代數(shù)的增加，損失值逐漸降低，驗證集準(zhǔn)確率逐漸增大。當(dāng)?shù)鷶?shù)超過30時損失達(dá)到最小且保持穩(wěn)定，說明模型已經(jīng)訓(xùn)練完畢，因此在接下來的分類實(shí)驗中，在迭代為30時停止訓(xùn)練。

3.4 消融實(shí)驗

為了驗證不同模塊對識別性能改進(jìn)的影響，本文共進(jìn)行了9輪消融實(shí)驗，結(jié)果如表3所示。傳統(tǒng)方法是首先從回波中提取目標(biāo)相關(guān)特征，再輸入到SVM分類器中，對應(yīng)實(shí)驗1～實(shí)驗6。提取的具體特征包括① 時域相關(guān)特征：信號最大幅值、波形熵、線性預(yù)測編碼;② 頻域相關(guān)特征：頻譜波形熵;③ 時頻域相關(guān)特征：時頻圖熵、小波變換系數(shù)。深度學(xué)習(xí)方法是以時頻圖作為EfficientNet模型輸入，實(shí)現(xiàn)微多普勒特征識別和分類，對應(yīng)實(shí)驗7～實(shí)驗9。

本文以提取時域特征、SVM模型分類作為基線模型，后續(xù)實(shí)驗在此實(shí)驗基礎(chǔ)上進(jìn)行。實(shí)驗2在提取特征之前，先采用MESVD抑制回波中的雜波和噪聲，再提取時域特征實(shí)現(xiàn)分類。實(shí)驗3～實(shí)驗5在實(shí)驗2的基礎(chǔ)上，將時域特征依次替換為頻域、時頻域和多域拼接特征，時頻變換方法改用SM。實(shí)驗6在實(shí)驗5的基礎(chǔ)上，從多通道回波中提取特征并進(jìn)行特征拼接，作為SVM分類器的輸入。

對于深度學(xué)習(xí)模型，實(shí)驗7利用STFT得到的時頻圖作為模型輸入，使用EfficientNet模型實(shí)現(xiàn)目標(biāo)分類。實(shí)驗8利用MESVD-SM得到目標(biāo)時頻圖，輸入EfficientNet模型中。實(shí)驗9在實(shí)驗8基礎(chǔ)上，利用多通道時頻圖作為輸入，訓(xùn)練多通道EfficientNet模型。9組實(shí)驗操作對性能的影響如表3所示，實(shí)驗結(jié)果的混淆矩陣如圖15所示。

實(shí)驗結(jié)果表明，本文所采用的不同模塊對目標(biāo)分類準(zhǔn)確率均有提升效果，具體分析如下。

（1） 傳統(tǒng)分類方法中，多域特征比單域特征對目標(biāo)特征描述更完整，可以提高模型的分類準(zhǔn)確率。使用多域特征輸入模型，使模型最高準(zhǔn)確率達(dá)到83.70%。

（2） 使用MESVD-SM實(shí)現(xiàn)微多普勒特征增強(qiáng)，對于傳統(tǒng)分類方法和深度學(xué)習(xí)分類方法效果均有提升，使SVM模型分類準(zhǔn)確率提高4.07%，EfficientNet模型的準(zhǔn)確率提高1.09%;使用多通道回波特征同樣有利于提高模型分類準(zhǔn)確率，使SVM模型分類準(zhǔn)確率提高3.27%，EfficientNet模型的準(zhǔn)確率提高1.52%。

（3） EfficientNet網(wǎng)絡(luò)模型由于其較強(qiáng)特征信息能力，可以挖掘更多深層特征，比傳統(tǒng)SVM模型準(zhǔn)確率有大幅度提升，且避免了傳統(tǒng)方法中因特征增加帶來的復(fù)雜特征提取過程。在所有實(shí)驗中，本文方法準(zhǔn)確率最高，為99.13%，且對于每類樣本的準(zhǔn)確率達(dá)到98.69%以上。

消融實(shí)驗表明，本文所用的微多普勒特征增強(qiáng)、多通道特征融合以及深度學(xué)習(xí)網(wǎng)絡(luò)方法對目標(biāo)分類性能提高起到積極作用，三者相結(jié)合比基線實(shí)驗結(jié)果提高24.94%，實(shí)現(xiàn)了較高的目標(biāo)識別性能，且深度學(xué)習(xí)方法比傳統(tǒng)方法提取到更全面、更有效的目標(biāo)特征，對提升分類結(jié)果起重要作用。

3.5 不同輸入維度對分類性能的影響

在每次實(shí)驗中，改變特征尺寸、通道數(shù)，輸入EfficientNet模型中進(jìn)行訓(xùn)練，并評估其準(zhǔn)確率和計算量，以研究不同特征輸入維度對分類性能的影響，計算量的評價指標(biāo)為每秒浮點(diǎn)運(yùn)算（floating point operations per second， FLOPs）次數(shù)，結(jié)果如表4所示。從表4中可知，不同的特征尺寸和通道數(shù)會影響模型準(zhǔn)確率和計算量。特征尺寸為56×56，通道數(shù)為1的模型分類準(zhǔn)確率最低，計算量最小;特征尺寸為112×112，通道數(shù)為2的模型分類準(zhǔn)確率最高，且計算量適中;當(dāng)特征尺寸從112×112提升為224×224時，準(zhǔn)確率沒有明顯改變，但計算量大大增加。綜合考慮模型的準(zhǔn)確率和計算量，數(shù)據(jù)選擇尺寸為112×112，通道數(shù)為2可以使模型的目標(biāo)分類性能達(dá)到最佳。由實(shí)驗可知，通過選擇合適的特征尺寸，可以控制模型計算量。

3.6 不同模型的分類性能比較

為進(jìn)一步說明本文提出方法的識別效果，將本文所提方法的實(shí)驗結(jié)果與其他方法的識別結(jié)果進(jìn)行對比。常見的CNN VggNet19［32］、AlexNet、ResNet50［33］作為多通道特征提取模型，控制微多普勒特征提取方法一致的情況下，不同方法分類性能如表5所示。

對比實(shí)驗結(jié)果，可知VggNet19網(wǎng)絡(luò)準(zhǔn)確率最低，復(fù)雜度最高;ResNet50網(wǎng)絡(luò)的分類準(zhǔn)確率較高，復(fù)雜度較高;本文使用EfficientNet-B0網(wǎng)絡(luò)在實(shí)驗對比的模型中準(zhǔn)確率最高且復(fù)雜度最低，達(dá)到了最好的分類效果。

從上述實(shí)驗可以得出結(jié)論，EfficientNet-B0網(wǎng)絡(luò)具有高效特征學(xué)習(xí)能力，在無人機(jī)、車輛、行人3種微動目標(biāo)的分類中體現(xiàn)出最好的性能，相比于其他模型，在復(fù)雜度較低的情況下，有更高的準(zhǔn)確率。

4 結(jié) 論

對于雷達(dá)安防檢測系統(tǒng)中的目標(biāo)分類任務(wù)，本文提出了一種基于改進(jìn)SVD和多通道EfficientNet模型的雷達(dá)微動目標(biāo)分類方法。首先，提出MESVD-SM聯(lián)合方法增強(qiáng)微多普勒特征。然后，構(gòu)造多通道EfficientNet網(wǎng)絡(luò)，結(jié)合和差通道的微多普勒特征實(shí)現(xiàn)微動目標(biāo)分類。由于雜波和噪聲的有效抑制，微多普勒特征得到增強(qiáng);多通道回波中包含的空間信息為目標(biāo)分類提供了更豐富的目標(biāo)特征;再結(jié)合EfficientNet模型的輕量化結(jié)構(gòu)和高效的特征學(xué)習(xí)能力，可以實(shí)現(xiàn)目標(biāo)的準(zhǔn)確識別。基于實(shí)測相控陣?yán)走_(dá)數(shù)據(jù)進(jìn)行的多組實(shí)驗結(jié)果表明，本文方法比傳統(tǒng)分類方法準(zhǔn)確率有大幅提高，且在不同深度學(xué)習(xí)模型中實(shí)現(xiàn)了更高的分類精度和更低的復(fù)雜度。

參考文獻(xiàn)

［1］ GAO Y， ZHOU Y， WANG Y， et al. Narrowband radar automatic target recognition based on a hierarchical fusing network with multi-domain features［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18（6）： 1039-1043.

［2］ CAO X M， YI J X， GONG Z P， et al. Automatic target recognition based on RCS and angular diversity for multi-static passive radar［J］. IEEE Trans.on Aerospace and Electronic Systems， 2022， 58（5）： 4226-4240.

［3］ YU X L， LIU S， REN H H， et al. Transductive prototypical attention network for few-shot SAR target recognition［C］∥Proc.of the IEEE Radar Conference， 2023.

［4］ CHEN V C， LI F， HO S S， et al. Micro-Doppler effect in radar： phenomenon， model， and simulation study［J］. IEEE Trans.on Aerospace and Electronic Systems， 2006， 42（1）： 2-21.

［5］ 李彥兵， 杜蘭， 劉宏偉， 等. 基于微多普勒效應(yīng)和多級小波分解的輪式履帶式車輛分類研究［J］. 電子與信息學(xué)報， 2013， 35（4）： 894-900.

LI Y B， DU L， LIU H W， et al. Study on classification of wheeled and tracked vehicles based on micro-Doppler effect and multilevel wavelet decomposition［J］. Journal of Electronics amp; Information Technology， 2013， 35（4）： 894-900.

［6］ 王福友， 羅釘， 劉宏偉. 低分辨機(jī)載雷達(dá)飛機(jī)目標(biāo)分類識別技術(shù)研究［J］. 雷達(dá)學(xué)報， 2014， 3（4）： 444-449.

WANG F Y， LUO D， LIU H W， et al. Low-resolution airborne radar aircraft target classification［J］. Journal of Radars， 2014， 3（4）： 444-449.

［7］ LI Y B， DU L， LIU H W. Hierarchical classification of moving vehicles based on empirical mode decomposition of micro-Doppler signatures［J］. IEEE Trans.on Geoscience and Remote Sensing， 2013， 51（5）： 3001-3013.

［8］ SVENNINGSSON P， FIORANELLI F， YAROVOY A， et al. A Bayesian network for the classification of human motion as observed by distributed radar［J］. IEEE Trans.on Aerospace and Electronic Systems， 2022， 58（6）： 5661-5674.

［9］ AMIN M G， ZENG Z X， SHAN T， et al. Hand gesture recognition based on radar micro-Doppler signature envelopes［C］∥Proc.of the IEEE Radar Conference， 2019.

［10］ HANIF A， MUAZ M， HASAN A， et al. Micro-Doppler based target recognition with radars： a review［J］. IEEE Sensors Journal， 2022， 22（4）： 2948-2961.

［11］ 楊磊， 孫衛(wèi)天， 毛欣瑤， 等. 雷達(dá)鳥類目標(biāo)微多普勒貝葉斯增強(qiáng)算法［J］. 系統(tǒng)工程與電子技術(shù)， 2024， 46（2）： 505-516.

YANG L， SUN W T， MAO X Y， et al. Bayesian enhancement algorithm for micro-Doppler feature of radar bird target［J］. Systems Engineering and Electronics， 2024， 46（2）： 505-516.

［12］ JI H R， HOU C P， YANG Y， et al. A one-class classification method for human gait authentication using micro-Doppler signatures［J］. IEEE Signal Processing Letters， 2021， 28： 2182-2186.

［13］ KANG H S， KIM B K， PARK J S， et al. Drone elevation angle classification based on convolutional neural network with micro-Doppler of multi-polarization［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 3501205.

［14］ ZHU L Z， ZHANG S N， CHEN K Y， et al. Low-SNR recognition of UAV-to-ground targets based on micro-Doppler signatures using deep convolutional denoising encoders and deep residual learning［J］. IEEE Trans.on Geoscience and Remote Sensing， 2022， 60： 5106913.

［15］ HE W K， SUN J B， ZHANG X Y， et al. Micro-Doppler feature extraction of micro-rotor UAV under the background of low SNR［J］. Journal of Systems Engineering and Electronics， 2022， 33（6）： 1127-1139.

［16］ ZHAO X Z， YE B Y. Selection of effective singular values using difference spectrum and its application to fault diagnosis of headstock［J］. Mechanical Systems and Signal Processing， 2011， 25（5）： 1617-1631.

［17］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.

［18］ 查翔， 倪世宏， 張鵬. 一類非線性信號去噪的奇異值分解有效迭代方法［J］. 電子與信息學(xué)報， 2015， 37（6）： 1330-1335.

ZHA X， NI S H， ZHANG P. Effective iteration method of a class of nonlinear signal denoising based on singular value decomposition［J］. Journal of Electronics amp; Information Techno-logy， 2015， 37（6）： 1330-1335.

［19］ 夏朝陽， 周成龍， 介鈞譽(yù)， 等. 基于多通道調(diào)頻連續(xù)波毫米波雷達(dá)的微動手勢識別［J］. 電子與信息學(xué)報， 2020， 42（1）： 164-172.

XIA Z Y， ZHOU C L， JIE J Y， et al. Micro-motion gesture recognition based on multi-channel frequency modulated continuous wave millimeter wave radar［J］. Journal of Electronics amp; Information Technology， 2020， 42（1）： 164-172.

［20］ 李浩冬， 廖桂生， 許京偉. 彈載雷達(dá)和差通道穩(wěn)健自適應(yīng)雜波抑制方法［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41（2）： 273-279.

LI H D， LIAO G S， XU J W. Robust adaptive clutter suppression approach for missile-borne radar with ∑Δ-beam［J］. Systems Engineering and Electronics， 2019， 41（2）： 273-279.

［21］ MA X J， QI W， CHE K J， et al. Parameter estimation of LFM signals based on time reversal［J］. Journal of Systems Engineering and Electronics， 2023， 34（3）： 674-681.

［22］ ABRATKIEWICZ K， SAMCZYNSKI P J， RYTEL-ANDRIANIK R， et al. Multipath interference removal in receivers of linear frequency modulated radar pulses［J］. IEEE Sensors Journal， 2021， 21（17）： 19000-19012.

［23］ ZHANG L， JIANG H D， ZHOU Y R， et al. Wheeled vehicle detection under the asymmetric micro-Doppler interference［J］. IEEE Sensors Journal， 2022， 22（18）： 18085-18092.

［24］ KARABACAK C， GURBUZ S Z， GURBUZ A C， et al. Know-ledge exploitation for human micro-Doppler classification［J］. IEEE Geoscience and Remote Sensing Letters， 2015， 12（10）： 2125-2129.

［25］ 王凡， 劉麗， 徐航， 等. 基于自適應(yīng)閾值濾波和S-Method的穿墻人體動作識別［J］. 電子器件， 2021， 44（5）： 1265-1273.

WANG F， LIU L， XU H， et al. Through-wall human motion classification based on adaptive threshold filtering and S-Method［J］. Chinese Journal of Electron Devices， 2021， 44（5）： 1265-1273.

［26］ JOSHI S K， BAUMGARTNER S V， CARDOSO D S A B， et al. Direction-of-arrival angle and position estimation for extended targets using multichannel airborne radar data［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 4022705.

［27］ ROCCA P， MORABITO A F. Optimal synthesis of reconfigurable planar arrays with simplified architectures for monopulse radar applications［J］. IEEE Trans.on Antennas and Propagation， 2015， 63（3）： 1048-1058.

［28］ TAN M， LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks［C］∥Proc.of the 36th International Conference on Machine Learning， 2019.

［29］ HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks［C］∥Proc.of the 31st IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2018： 7132-7141.

［30］ SAVARE G， TOSCANI G. The concavity of Renyi entropy power［J］. IEEE Trans.on Information Theory， 2014， 60（5）： 2687-2693.

［31］ WONG T T， YANG N Y. Dependency analysis of accuracy estimates in k-fold cross validation［J］. IEEE Trans.on Know-ledge and Data Engineering， 2017， 29（11）： 2417-2427.

［32］ SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. ［2023-04-12］. http：∥arxiv.org/pdf/1409.1556.pdf.

［33］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

作者簡介

王瀟怡（1999—），女，碩士研究生，主要研究方向為雷達(dá)目標(biāo)識別、雷達(dá)智能化信息處理。

羅運(yùn)華（1987—），男，副研究員，博士，主要研究方向為機(jī)載高分辨率SAR成像與運(yùn)動補(bǔ)償、動目標(biāo)檢測與數(shù)據(jù)處理、多源圖像信息融合、信息智能提取。

喻忠軍（1980—），男，研究員，博士，主要研究方向為微系統(tǒng)微集成、微波毫米波電路模塊、先進(jìn)相控陣天饋技術(shù)。

孫 浩（1991—），男，助理研究員，博士，主要研究方向為雷達(dá)組網(wǎng)、目標(biāo)檢測與跟蹤。

王曉蓓（1992—），女，助理研究員，碩士，主要研究方向為雷達(dá)智能化信息處理、SAR成像。