基于自注意力的双波段预警雷达微动融合识别_赵庆媛.pdf

第 卷第期 年月系统工程与电子技术 文章编号：（）网址：收稿日期：；修回日期：；网络优先出版日期：。网络优先出版地址：通讯作者引用格式：赵庆媛，赵志强，叶春茂，等基于自注意力的双波段预警雷达微动融合识别系统工程与电子技术，（）：，（）：基于自注意力的双波段预警雷达微动融合识别赵庆媛，赵志强，叶春茂，鲁耀兵（北京无线电测量研究所，北京 ）摘要：针对预警雷达对气动目标协同识别的需求，提出一种自适应权重双输入自注意力残差融合识别方法。通过分析不同波段雷达对气动目标的微动差异性，在传统卷积块注意力模块（，）残差网络的基础上进行针对性改进，设计加权双输入 （，）残差结构，对两种波段的时频图浅层特征自动分配权重并融合，从而均衡不同波段对目标识别的贡献度。仿真和实测数据处理结果表明，残差网络训练代价小，在信噪比较低及驻留时间较短的情况下识别率高。可视化结果进一步证明了所提方法能够合理分配不同波段输入对气动目标分类的重要性。关键词：自注意力机制；权重自适应；双波段融合；气动目标识别中图分类号：文献标志码：，（，）：，（）（），：；引言态势的准确评估决定着战争的结果，而气动目标识别是空中态势评估的重要一环。目标微动特征能够反映气动目标特有的物理结构信息以及表面电磁特性信息。单个雷达很难提取出全面的目标特征，因此很多学者开始研究多雷达协同以实现稳健的目标识别 。低频雷达对于目标早期预警意义重大，且其对站址要求较高，对于远距离来袭目标观测角度的差异不大，双波段预警雷达融合能够为现役设备以较小代价提供目标识别性能增量，因此双波段微动融合识别具有巨大的研究价值。时频图能够反映精细的微多普勒特征，但其特征提取依赖专家知识，有效信息损失较大 。而深度学习算法能够实现端到端的自动学习，可全面提取时频图的多层次特征。文献 将波段雷达采集的回波生成时频图，并输入卷积神经网络（，），在第期赵庆媛等：基于自注意力的双波段预警雷达微动融合识别 人类活动分类方面取得了高准确率。文献 将时频图和韵律频率图（，）合 成 一 幅 图像，作为 网络的输入。文献 引入循环神经网络（，）提取人体微动时序特征，进一步提高了识别率。为了降低深度网络训练对海量数据的依赖性，文献 分别通过改进网络结构和初始化方式，实现了少量样本情形下人体活动模式的稳健分类。在多雷达微动特征融合识别方面，文献 结合多站雷达系 统，用 传 统 机 器 学 习 算 法 对 武 装非 武 装 人员进行了分类；文献 研究 了 站 址 布 站 对 人 体 运 动 过程中微动效应的影 响；文 献 用 实 现 多 站 融合目标识别，证明了特征级融合的分类精度高于决策级融合。这些研究 利 用 不 同 观 测 角 度 的 雷 达 回 波 进 行 融合识别，并没有针对不同波段的微动特征进行分析，且均未引入自注意力机制，更没有考虑不同雷达对目标分类的重要程度。自注意力机制能够自动学习通道及空间维度的权重，摒弃无用信息，增强有用信息，已成为多个领域的研究热点 。通过在深度网络中嵌入自注意力模块，通道及空间的重要性和交互关系在训练过程中可通过自动学习得到，从而提高融合识别的性能。针对双波段雷达时频图的特点，本文对卷积块注意力模 块（，）残差网络 进行了针对性改进，提出了一种自适应权重双输入 （，）残差融合识别网络。将 不 同 波 段 回 波 对 目 标 识 别 的 贡 献 差 异性考虑在 内，对 两 部 雷 达 的 输 入 通 道 自 动 进 行 权 重 训练。通过仿真和实测数据处理，验证了融合识别网络的有效性，并进一步研究了信噪比和驻留时间对其识别性能的影响。微动模型与时频分析 微动回波建模在远场理想条件下，气动目标微动部件回波由雷达波长和重频、旋翼结构、观测角度等决定。令为雷达波长，表示桨叶个数，和分别表示桨叶根部和叶尖至旋翼中心的距离，为桨叶角，为旋翼转速，为初始相位角，为桨叶相对于雷达平台的方位角，为雷达视线与旋转平面的俯仰角。对于窄带低分辨雷达而言，旋翼部件的理论回波模型可表示为（）（）（）（）（）式中：。相关变量可定义为 （）（）（）（）（）（）（）（）（）（）（）（）（）（）其中，若旋转平面平行于飞机飞行方向，；若旋转平面垂直于飞机飞行方向，。对于低分辨预警雷达而言，为慢时间维脉冲采样，采样间隔为脉冲重复周期，为相参脉冲个数。（），目标的移动速度会影响微动回波相位，还会在某些情况下导致越距离单元徙动。令采样率为，距离单元为。当 时，目标在相参积累时间内没有越距离单元徙动，不需要进行平动补偿，否则需要进行平动补偿，平动补偿的具体方法参见文献 。时频分析时频分析的输入为目标在雷达慢时间维的回波。短时傅里叶变换（，）是应用最为广泛的时频变换 ，能够将时变非平稳信号转换为二维时频图。用固定长度的窗函数对雷达回波采样信号进行滑窗截取处理，转换公式如下：（，）（）（）（）式中：和分别表示时间分量和频率分量；（）为窗函数，选用汉明窗。窗长与频率分辨率成正比，与时间分辨率成反比。在本文中，对于不同雷达不同目标的回波采用同样的窗函数。时频图的单边展宽 为 （）式中：为桨叶叶尖的转速。根据空气动力学相关理论可知，叶尖的转速一般不会超过声速。不同波长情况下时频图的单边展宽不同。一部分传统低频雷达气动目标识别是基于调制谱特征的。调制谱的谱线强度 和 位 置 反 映 了 微 动 特 征 信息。当驻留时间较短时，调制谱的分辨率较低，很难实现稳健的目标识别。同时，调制谱仅反映目标微动频域信息，没有反映出其时变特性，对某些本征特征（如桨叶奇偶性等）缺乏表达能力。因此，本文使用时频图作为融合识别网络的输入。气动目标在飞行过程中，桨叶不停转动，观测角度具有时变性，其电磁反射特性具有时变性，使得时频图包涵了更丰富的微动特征。不同波长的回波具有不同的时变幅相特性，在时频图上表现为微动周期性、上下对称性、多普勒扩展、时变包络等诸多方面的差异性。因此，不同波段的时频图融合识别能够更全面地提取目标微动本征特征，提高识别性能。系统工程与电子技术第 卷融合识别网络设计 目标识别流程基于深度神经网络的双波段时频图目标融合识别流程图如图所示。两部雷达分别在相参积累时间内进行目标检测，形成点航迹，再根据需要进行平动补偿，在慢时间维进行时频变换，最后将由两部雷达的时频图输入所设计的深度神经网络，进行自动特征提取及融合，输出气动目标识别结果。图基于深度神经网络的双波段时频图目标融合识别流程图 所提深度神经网络针对双波段雷达回波时频图融合识别需求，本文在 残差网络的基础上设计了 残差结构，如图（）所 示。对 比 算 法 为 （）残差结构，即将两部雷达的时频图进行无差别通道叠加，并进行输入，如图（）所示。图模型框图 自注意力机制能够从数据中自适应地筛选有用信息，忽略不重要的信息。（）模块 是经典的通道自注意力模块，在 模块的基础上改进通道注意力机制，并增加空间注意力机制，进一步提高了深度网络性能。自注意力模块可以嵌入任何，在不大幅增加训练和计算代价的前提下可提高分类准确率。残差网络 通过跳层连接结构，可有效缓解梯度消失问题，已经成为主流的深度学习模型。因此，以基于 数据集的 网络为参照网络，加入 模块，构成 残差网络，整体结构如表所示。表整体网络结构 网络结构输出尺寸 主干网络 卷积块 ，卷积块 ，卷积块 ，全连接层平均池化，残差结构在输入端直接进行通道叠加，并没有考虑两个波段时频图的差异性。根据前文对时频图的分析可知，不同波段雷达的时频图在频域扩展以及初始微动周期相位方面均存在差异，因此用同一个卷积核对两个时频图进行处理，会破坏时频图所含的微动特征。而 残差结构利用主干浅层卷积网络分别对两个输入进行浅层特征提取，在此基础上再进行融合，一方面保留了两个时频图的差异性，增加了网络的自由度，另一方面在浅层特征层面进行融合，能够最大程度地利用浅层共性特征，耦合非共性特征。第期赵庆媛等：基于自注意力的双波段预警雷达微动融合识别 残差结构 包括通道注意力模块和空间注意力模块，分别如图（）和图（）所示。的输入为，依次进行一维通道自注意力映射，以及二维空间注意力映射。注意力过程可总结为（）（）（）式中：表示元素级别的乘法。在相乘的过程中，注意力值相应地得到传播，通道权重沿着空间维度传播，空间权重则沿着通道维度传播。是最终的注意力权重输出。通道注意力模块通过平均池化和最大池化整合图像层的空间信息，生成两个不同的空间描述向量 和 ，尺寸均为，分别表示平均池化特征和最大池化特征。两个向量均前向传播到一个共享网络，生成通道注意力映射，如图（）所示。共享网络为全连接层，包括一个隐藏层，尺寸为（）。其中，为压缩比。通道注意力机制为（）（）（）式中：表示激活函数，选用 函数，（），（）。和分别表示两个全连接层的权重。空间注意力模块沿着通道轴进行平均池化和最大池化操作，生成两个不同的通道描述向量 和 ，尺寸均为。将其拼接，再通过一个标准卷积层生成二维空间注意力映射（）。空间注意力机制为（）（；）（）式中：表示激活函数，同为 函数；（）为卷积操作。表中的整体网络结构均包括个主干网络和个卷积块，每个卷积块包括个网络块，个网络块包括层卷积。图（）中的主干网络为单层的卷积网络，；图（）的主干网络为 。表示个卷积核为、通道数为 的卷积层，个批归一化层（，），以及个 激活层。每个 卷 积 块 包 括个 传 统 的 残 差 模 块。以，为例，网络块表示个卷积的卷积层，第个卷积层包括个核为、通道数为 的卷积操作，个 层和个 激活层；第个卷积层包括个卷积操作和个 层。在 残差结构后再添加个 激活层。最后，进行平均池化，设计全连接层，再输出气动目标种类，分类器为 函数。损失函数采用交叉熵。残差单元恒等映射的核心是跳层连接，其能够缓解深度网络梯度消失的问题。残差单元用快捷连接实现恒等映射。映射关系为（）（）式中：表示恒等映射，是对的线性变换矩阵，一般采用核尺寸为的卷积操作使得的尺寸与 保持一致，表示激活函数，选用 函数。.整体网络结构以 数据库训练的 为参照网络，整体网络结构如表所示。和 在主干网络和第一个卷积块的首个网络块部分有区别，后续的网络结构没有区别。的输入为单个时频图，的输入为两个时频图的通道拼接，的输入为两个时频图。验证与分析计算机配置：为 ；为 ；内存为 ；操作系统为 ；深度学习框架为 。仿真验证与分析为了验证本文所提算法对气动目标识别的有效性，根据第.节的微动模型进行仿真，并分析信噪比，以及驻留周期对算法性能的影响。雷达和雷达的载频分别设置为 和 ，脉冲重复周期为。两部雷达站址一致，时间不严格同步，即微动的初相不一致。类目标具体参数如表所示，目标目 标为 直 升 机，目 标的 叶 片 数 为 偶 数，目标和目标的叶片数为奇数。目标目标为螺旋桨飞机。目标为喷气式飞机。对型气动目标进行仿真，既可以验证算法对大类目标分类的性能，还可以进一步验证其对型号判别的能力。表气动目标参数 目标 叶片数 采用 对雷达回波信号进行仿真，并生成时频图。基于时频图，用 构建网络结构，进行训练、验证和测试。其中，时频图的窗长设置为。.模型性能分析脉冲个数设置为 个。目标仰角范围设置为，步进为.；目标速度范围设置为 ，步进为。在回波信号中加入复正态白噪声，使得信噪比在 ，步进为。每类目标的样本数为 个，其中 用 于 训 练，用 于 验 证，用 于测试。多种算法的性能对比如表所示。通道注意力机制中的全连接层压缩比均设置为。系统工程与电子技术第 卷表多个算法性能对比 算法网络结构类目标准确率大类目标准确率训练轮数参数量（）雷达 雷达 两部雷达 决策级融合 雷达 雷达 两部雷达 决策级融合 雷达 雷达 两部雷达 决策级融合 雷达调制谱特征 雷达调制谱特征 双雷达调制谱特征 雷达时频图特征 雷达时频图特征 双雷达时频图特征 根据表可进行如下分析。首先，对比深度网络和传统算法性能。表中，算法 算法 均为神经网络模型，算法 算法 为传统算法。调制谱特征和时频图特征提取方法可分别参考文献 和文献 ，分类器为支持向量机。算法 和算法 将两部雷