深度学习雷达信号处理应用综述——机遇与挑战_吴迪.pdf

书书书雷达智能信号处理专题DOI:1016592/jcnki10047859202212001编者按:随着以深度神经网络为代表的人工智能技术飞速发展，深度学习方法已在图像识别、视频分析、无人驾驶和医学检测等领域取得了巨大的成功，也为雷达信号处理领域提供了崭新的研究思路。目前，人工智能相关技术已在雷达领域中的波形设计、信号处理、目标跟踪与识别等方面崭露头角。可以预期，随着人工智能技术的进一步发展，新一代智能信号处理技术将在雷达信号处理的多个领域发挥重要的作用，同时也为研究者们带来诸多机遇与挑战。鉴于此，本刊特邀业内知名专家、学者撰写了“雷达智能信号处理”专题，希望为雷达智能化技术的发展提供新的思路，并在工程实践中充分发挥效用。专题主编:吴迪深度学习雷达信号处理应用综述 机遇与挑战吴迪，徐滢，汪倍宁，耿哲*，朱岱寅(南京航空航天大学 雷达成像与微波光子技术教育部重点实验室，南京 211106)摘要:作为人工智能的重要分支，深度学习在近年来飞速发展，已成功应用于多个领域的研究工作中。深度学习算法为解决雷达信号处理领域的瓶颈问题提供了新的突破口，也带来了新的技术难题。文中针对深度学习在低截获与无源雷达波形识别、自动目标识别、干扰杂波信号的识别与抑制以及雷达波形与阵列设计等领域的应用进行了全面梳理总结，重点介绍和分析了近年来提出的基于深度学习的雷达波形识别和合成孔径雷达图像自动目标识别方法，阐明了限制深度学习算法性能的主要因素，旨在为相关领域科研人员开展后续研究提供参考依据。关键词:深度学习;波形识别;自动目标识别;低截获概率中图分类号:TN95751文献标志码:A文章编号:10047859(2022)12000107引用格式:吴迪，徐滢，汪倍宁，等 深度学习雷达信号处理应用综述 机遇与挑战 J 现代雷达，2022，44(12):17WU Di，XU Ying，WANG Beining，et al Comprehensive survey of deep learning in radar signal processing:opportuni-ties and challenges J Modern adar，2022，44(12):17Comprehensive Survey of Deep Learning in adar Signal Processing:Opportunities and ChallengesWU Di，XU Ying，WANG Beining，GENG Zhe*，ZHU Daiyin(Key Laboratory of adar Imaging and Microwave Photonics，Ministry of Education，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China)Abstract:As of the most important branches of artificial intelligence，deep learning(DL)has developed rapidly in recent years，and has been successfully used in many research fields Although the DL-based algorithms offer a great opportunity for researchersto finally conquer the bottleneck problems in the field of radar signal processing，they also bring about brand-new technical challen-ges In this paper，comprehensive review of the applications of DL methods is proposed，including low probability of interceptionand passive radar waveform recognition，automatic target recognition，radar jamming/clutter recognition and suppression，and radarwaveform and antenna array design ecently the proposed DL-based radar waveform recognition and SA automatic target recogni-tion methods are summarized and analyzed in detail The major factors limiting the performance of the DL algorithms are also exam-ined This work aims to provide valuable information to the scholars in this promising field of researchKey words:deep learning;waveform recognition;automatic target recognition(AT);low probability of intercept基金项目:江苏省自然科学基金青年基金资助项目(BK20200420);工信部民机专项项目(MJ-2018-S-28)收稿日期:2022-08-15修订日期:2022-10-161第 44 卷第 12 期2022 年 12 月现 代 雷 达Modern adarVol44No12Dec 20220引言近年来，随着图形处理器(GPU)的发展与普及，以卷积神经网络(CNN)和循环神经网络(NN)为代表的深度学习算法在图像识别、语音识别、自动驾驶等诸多领域取得了举世瞩目的成就。在雷达信号处理领域，越来越多的研究人员尝试利用深度学习算法解决雷达信号处理相关问题1，如波形识别23、自动目标识别4、干扰杂波信号的识别与抑制5 以及雷达波形与阵列设计6 等领域的瓶颈问题，取得了一系列具有重要理论意义和实用价值的研究成果7。现分类概述如下:1)雷达波形识别。为了解决传统雷达高功率发射信号易被敌方侦察设备截获的问题，国内外学者一直致力于研发具有优越射频隐身特性的低截获概率(LPI)波形。深度学习算法为解决复杂 LPI 波形快速、精准识别的问题，增强电子对抗系统、反辐射导弹和电子支援系统截获 LPI 信号的能力提供了新的思路2。另一方面，以电视/手机基站为外辐射源的无源雷达技术也迅速发展。相比于有源雷达，无源雷达不仅具有更好的抗截获性能，还可用于对大面积检测区域进行长期监控而无需消耗额外能源及频谱资源。然而，无源雷达发射信号对于雷达接收机而言是未知的，因此无法进行匹配滤波处理。为了解决这一问题，一些学者提出利用深度学习算法对外辐射源信号进行估计，并取得了一系列具有重要价值的前期成果89。虽然深度学习算法在雷达波形识别领域展现出巨大的潜力，大量研究表明，有针对性的对抗性攻击(AA)将导致算法分类准确性急剧下降10。2)自动目标识别。基于深度学习的雷达自动目标识别技术主要可以分为:(1)基于 SA 图像的自动目标识别(AT)11;(2)基于高分辨距离像的目标识别，主要包括飞机12、地面车辆13 以及舰船目标14 识别;(3)基于微多普勒特征的目标识别，主要包括人体目标动作识别1516 及无人机/飞鸟甄别1718;(4)基于其他信息(例如目标雷达截面积19)的自动目标识别。在本领域近 5 年来发表的相关论文中，合成孔径雷达 AT(SA-AT)方向的论文占比最高，且此类技术具有重要的工程实用价值、鲜明的军民两用特色以及广泛的应用场景，是本文重点讨论的内容。虽然SA-AT 相关理论研究已经取得了丰硕的成果，为解决 SA 图像高效精准解译问题提供了新的思路，其工程应用仍然面临训练样本数量种类有限以及在对抗性攻击条件下的鲁棒性欠佳等问题。与本方向研究密切相关的还包括依托于 SA 图像2021 及视频 SA22 的自动目标检测与识别，典型问题为大场景中的地面车辆23、港口区域舰船目标21 检测及类别划分。3)干扰杂波信号的识别与抑制。随着欺骗式有源干扰技术的不断进步，旁瓣消隐、旁瓣相消等传统抗干扰技术已无法保证军用雷达在敌方电子干扰条件下的正常工作。鉴于此，国内外学者开展了一系列基于深度学习的电子反对抗研究，主要包括干扰信号识别2324、干扰条件下的目标识别25 及自适应抗干扰策略优化26。同时，深度学习算法为进一步提升现代雷达对海面、地物杂波的抑制能力提供了技术保障，相关研究包括海杂波2728 及地物杂波29 环境中的目标检测。4)雷达波形及阵列设计。在雷达波形及阵列设计方面，深度学习主要用于:(1)以频谱共享为目的的发射功率谱设计，该方面研究最具有代表性的成果为美国陆军 DEVCOM 实验室研发的无干扰频谱区间甄别与雷达波形自适应调整技术30;(2)多发多收(MI-MO)雷达发射波形设计与优化6;(3)天线阵设计，主要研究方向为 MIMO 雷达子阵设计与优化31。需要指出的是，基于深度学习的干扰杂波信号识别方法在技术路线上与雷达波形识别基本一致，而干扰杂波中的目标检测问题与基于 SA 图像的目标检测与识别问题具有一定的重合度。同时，在 MI-MO 雷达波形及阵列设计方面，现有研究多以基于Matlab 的仿真实验结果为主，外场实验数据相对较少，尚不足以论证深度学习相对于经典算法的绝对优势。因此，由于篇幅所限，本文重点分析深度学习在雷达波形识别和 SA-AT 领域的应用，对其他研究方向不做详细讨论。1低截获概率与无源雷达波形识别随着 LPI 和无源雷达技术的迅速发展，基于深度学习的雷达波形识别技术已经成为国内外研究人员关注的热点。本领域常用的神经网络 模 型 主 要 包 括CNN32，自编码器33，以及结合注意力机制的 NN34 等(见图 1)。大量研究结果表明，基于深度学习的雷达波形识别技术在 LPI 波形识别和无源雷达外辐射源信号估计等方面的性能显著优于传统算法。目前，LPI 波形识别主要通过短时傅里叶变换(STFT)35、Wigner Ville 分布(WVD)2，36、Choi-Wil-liam 分布(CWD)37 等时频分析方法来实现。其中，STFT 属于线性时频表示，而 WVD 与 CWD 属于二次型时频表示。与传统 WVD 相比，CWD 能够通过选择适当的指数加权核函数参数有效滤除交叉项，因此应用最为广泛。2020 年，德国弗劳恩霍夫通讯、信息处理和人机工程学研究所(Fraunhofer FKIE)的研究人员22022，44(12)现 代 雷 达首先利用 CWD 对 LPI 波形进行时频分析，然后借助VGG16、esNet50、Inception-esNetV2、DenseNet 和MobileNetV2 等 5 个高性能 CNN 预训练神经网络模型，通过迁移学习在小样本条件下获得了高于 99%的识别准确率37。鉴于 CWD 运算复杂度较高，北京理工大学、南京陆军工程大学、电子科技大学和伊朗伊斯兰阿扎德大学分校的研究人员分别利用伪 WVD2、傅里叶的同步压缩变换(FSST)38 和 STFT39 对 LPI 波形进行时频分析，有效地降低了运算时间成本。大量研究表明，CNN 神经网络模型能够精准、高效地对时频图像进行特征分析与提取，且波形识别准确性显著优于长短期记忆(LSTM)等 NN 网络。值得注意的是，时频处理并不是波形识别的唯一技术途径。例如，2020 年，卡塔尔大学的 YILDIIM 等人39 提出一个具有 4 个隐藏层和 2 个致密层的自适应一维 CNN，用于连续波和脉冲波