基于HRRP的雷达目标识别研究综述.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:录用日期:基金项目:空军军内科研重点项目资助课题()全军研究生重点资助课题()作者简介:尹建国()男(土家族)博士研究生助理讲师:.:./.基于 的雷达目标识别研究综述尹建国盛 文江 河(.空军预警学院 武汉 .中国人民解放军 部队 河北 保定.中国人民解放军 部队 北京)摘要:雷达目标识别()技术在国土防空和战略预警领域具有重要意义目前相关研究大多基于高分辨距离像()展开 梳理了当前研究主要聚焦于样本完备和小样本情况下目标识别的问题研究方法主要聚焦于基于特征提取的识别方法、基于统计建模的识别方法以及基于深度学习的识别方法等 个方面 聚焦 大问题从 个方面开展综述进行归纳总结指出在当前研究领域存在的 个亟待解决的问题分析了下一步研究可以考虑的方向关键词:高分辨距离像雷达目标识别特征提取统计建模深度学习本文引用格式:尹建国盛文江河.基于 的雷达目标识别研究综述.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()(.):()().:.:引言雷达目标识别()是指利用雷达发射的电磁波对目标进行照射获得回波加以分析从而确定目标的数量、种类和类型等属性是雷达研究中的一个重要方向尤其在军事领域中受到重点关注 图 是雷达探测到目标的高 分 辨 距 离 像()是宽带雷达获取目标在视线方向上的一维投影矢量和包含丰富的目标信息如目标尺寸、结构、形状和散射体分布等且比较容易获取和处理因此已经成为了识别空/天目标的重要依据图 飞机目标的 示意图.目前国内外对基于 的雷达目标识别展开了充分的研究在研究的过程中主要集中于 个方面即合作目标的识别和非合作目标的识别问题 合作目标的数据获取较为容易往往具备庞大的数据量而非合作目标数据的获取往往比较困难受探测距离、探测环境以及目标属性等影响稳健健全的非合作目标 的样本数量较少也是目前基于 的雷达目标识别中亟待解决的问题之一 在识别方法上早期主要是基于特征提取的方法从样本中提取稳健特征选择合适的分类器分类 另一种方法是基于统计模型的识别方法从训练样本中获取相应的模型参数根据测试样本中对应的概率判定类别 近年来深度学习在各领域的研究得到飞速发展在目标识别领域的应用也越来越广泛 与传统基于特征提取的识别算法相比深度学习模型可以自动提取 中反映目标本质属性的深层次特征从而对不同目标进行分类和识别 从原理上来说以上几种方法存在一定程度的交叉本文中针对具有大量数据基础的合作目标识别问题和小样本的非合作目标识别 个问题从以上 种方法的角度对基于 的雷达目标识别进行综述 基于特征提取的雷达 目标识别目标的 包含丰富的结构特征在传统识别方法中系统的识别性能很大程度上取决于目标特征的选择和特征提取的准确性 理论上来说用于分类的特征越多目标的可分类性越强然而在实际中并非总是如此有些特征并不总是反映目标的本质属性对分类无法起到积极作用且特征越多维数越高越容易引发维数灾难 因此选择能反映样本本质的特征剔除与分类任务无关的特征从而提高识别模型的泛化能力是十分重要的.样本完备情况下的目标识别方法众多研究者对特征选择和特征提取方法展开了深入探索 文献从实测 中提取了双谱特征文献 将一维 数据转化为二维谱图数据用于识别而文献则将双谱谱图特征结合起来使得特征更加具备噪声抑制能力 文献定义了波峰数量、距离像真实长度、质心、个最大峰间距和最大峰到近距离边缘距离等 个特征从 和 个极化中提取了共计 个特征来对目标进行分类识别 文献从散射随机性、散射矩阵结构性、物理结构和 矩阵相似性 方面提取了 个特征提出了一种基于归一化互信息并利用模拟退火算法进行优化的全局最优特征选择算法 对 个特征进行重点分析最后选择出了 个辨别力强、冗余度低的最优特征 文献考虑目标精细化的尺寸信息首先通过时序 数据来估计目标径向尺寸获得径向尺寸的目标均值、极差、中值以及结尾均值等 种特征然后对这 种特征拼接获得更具鲁棒性的高维特征此外 具有幅度敏感性、平移敏感性和方位敏感性选择特征时需要考虑这些特性 文献从 中提取中心矩和分布熵等平移不变特征并将之组合为一个新的特征向量以应对平移敏感性文献针对 的方位敏感性将平均功率特征用于识别文献使用小波去噪处理 后将噪声阈值作为强散射中心的检测阈值可以有效消除目标姿态对 的影响 这些特征的提取有助于消除 的幅度、平移或者方位敏感性为 数据的预处理提供技术支撑但提取的特征相对单一并不能很好的刻画目标本质还需要结合其它稳健不变特征一起开展目标识别以期获得更高的识别效率及精度目标特征提取方法也受到了学者的广泛关注 文献提出一种基于散度的 特征优选方法优选后的特征子集在降低特征维度的情况下识别性能有一定的提升文献在 算法的基础上提出了基于简单散射点模型的 算法用于雷达目标识别 文献提出一种改进 算法提取不同的散射点来重建距离轮廓 但 算法需要合适的超参数设置和数据预处理才能获得最佳的特征提取效果 文献采用进化算法获取自适应小波特征参数来表示 在原始特征空间中提供了更多可分离和灵活的信息 文献提出了基于平均度量尺度、不定度量尺度和金字塔型度量尺度 种特征提取方法提取极化特征提取的特征具有良好的可分性总体而言基于特征提取的方法存在一定的局限性 一是不同目标之间的特征存在一定差异特征选取不当可能会导致对不同目标的刻画不够全面或准确识别方法泛化性也会变差二是当目标种类繁多时针对不同目标需要提取特征不一特征提取所需要的计算量会变大系统复杂度高处理速度慢三是不同的分类器具有不同的分类能力和特征适应性各个类型特征对应的最佳分类器不尽相同因此在基于传统的特征提取的目标识别中也需要重点考虑特征类型和分类器的关联问题.小样本情况下的目标识别方法在实际的应用中当探测敌方非合作目标时难以进行持续的检测和跟踪很难获取大样本、高信噪比的 数据而这类目标也是我方识别的重点如何在样本数量较少的情况下保持较高的识别性能是雷达目标识别领域亟待解尹建国等:基于 的雷达目标识别研究综述决的问题雷达非合作目标的识别中主要面临以下问题:一是训练样本和测试样本的信噪比失配问题二是训练集样本少在姿态角方面数量不完备问题三是具有方位、平移和幅度敏感性问题而这其中方位敏感性更难克服 因此常规用于大数据集的识别方法在用于小目标识别时往往容易出现过拟合和泛化性能差的问题需要着力于提取具有明确含义的深层次反映目标本质的特征进行识别在传统的识别方法中通常采用以下几种方法来解决小样本问题一是对 进行降维或变换提取低维度的不变特征二是通过数据增强的方法对原始数据进行扩充常用的方法包括旋转、翻转、缩放和平移等三是选择适用于小样本识别问题的分类算法并加以改进提高识别精度提取 低维度的不变特征可以降低系统对训练样本数量的需求 文献提取的强散射中心的反射强度和位置信息具有不变性质 文献通过计算出距离像的各阶中心矩来构成具有平移不变性质的特征向量数据增强是小样本识别中的另一种解决办法 文献提取了 的散射中心并提出一种 方位外推模型来获取缺失方位下的 数据提高了数据完备性文献提出一种小样本分布估计的数据语义增强方法在特征空间中为模型识别提供潜在充足训练样本选择合适的分类算法往往能获得较高的识别性能 支持向量机()是小样本识别中的重要分类器文献提出了增量支持向量数据描述 算法可在训练过程中减少对样本集数量的需求文献提出一种带负例扩展的支持向量数据描述方法并在其中引入特权信息学习从而获得更好的识别性能适用于低信噪比和小规模数据集的识别传统的目标识别方法所提取的特征一般具有明确的含义可解释性强代表了目标的一些根本特性可以在一定程度上提升 目标识别的性能 但这些特征大多依赖于研究人员的认知和以往的经验且很少考虑到特征之间的关联程度以及不同特征具有不同的可分性 另外传统基于特征提取的方法在小样本数据集上的识别效果普遍不佳离实际需要还有一定的差距且通常存在泛化性能不足的问题需要研究更具泛化性、性能更高的方法以应对小样本的识别问题 基于统计模型的雷达 目标识别统计模型()是指以概率论为基础采用数学统计方法所建立的模型 统计建模具有诸多优势如能够对模型参数分布进行估计泛化能力更强可融入一定的先验知识可为目标识别提供更多可靠信息提升识别性能模型迁移能力更强同一模型适用场景广泛等 因此基于统计模型的雷达 目标识别得到了广泛的关注和研究常用的统计模型包括线性判别分析、因子分析、贝叶斯方法、非参数检验、马尔科夫链等.样本完备情况下的目标识别方法文献针对目标方位敏感性问题提出一种基于边际 分析()的改进有限元方法 核自适应()方法 利用核技巧来提取样本的非线性特征可以基于样本间类别的相似性度量自适应地为每个样本分配权重从而更好地约束类内紧密性和类间可分离性 文献将 信号的散射中心概率化提出一种表征雷达目标信号的分层次贝叶斯信号模型可以自动确定优势散射中心的数量并推断各目标各方位帧的复散射系数和位置的后验分布 该模型在识别过程中对低信噪比的测试样本可以通过分析后验估计进行去噪和恢复有效提高模型的噪声稳健识别能力因子分析()模型被广泛应用于雷达目标 的统计识别之中其基本思想是基于某种规则函数建立一个低维子空间通过一定映射关系将现有高维样本投影到低维子空间中文献开发了一个最大边缘因子分析()模型利用潜在变量支持向量机作为潜在空间中的分类标准来学习具有最大边缘约束的判别子空间 为了处理多模态分布数据该文将 扩展到无限高斯混合模型建立了无限最大边缘因子分析()模型可以对提取的数据隐特征进行识别 文献利用局部因子分析()模型对 数据的非高斯性进行建模可以形成隐特征到观测数据的单层非线性映射文献针对类间可分离性较强的低维特征提取问题提出一种基于距离度量约束的混合因子分析()模型 模型集成多个 模型通过引入距离度量约束促进每个子集的隐特征学习向可分离的方向发展提高了模型的类间可分性 几种基于 的 统计识别模型识别准确率如表 所示表 不同模型在目标 数据上的识别率比较 模型识别准确率/.文献提出一种基于多任务学习()的因子分析模型来表征复杂 的幅度特征 文献引入多任务学习机制开发了一个标签约束卷积因子分析()模型该模型将因子分析、卷积运算和监督学习相结合对所有数据共享卷兵 器 装 备 工 程 学 报:/./积字典每个字典原子被用作一个小尺度的卷积核用卷积模型学习数据的隐特征并将之映射到样本对应的类别标签上约束了参数的学习 标签约束可以让不同类别的权重向量差异增加使得该模型的类间可分性更强 文献扩展了 模型提出一种标签辅助因子分析()模型引入离散类标签来限制模型参数的学习利用标签之间的差异引导隐特征向类间可分的方向进行学习提高识别能力 文献将卷积运算集成到统计建模中开发了一种基于卷积因子分析()的概率生成模型 模型把每个字典原子作为卷积核将观测样本表示为一系列字典原子和对应权向量的卷积之和维度较低同时这些字典原子能够捕获反映数据本质的如线条、单尖峰等局部细节信息从而需要更少的字典原子来描述观测结果 基于以上 个特性 模型中的字典尺寸远小于 模型中的加载矩阵尺寸因此该模型具有更低的模型复杂度对训练数据的样本数要求更低 不同 模型之间的优缺点如表 所示表 不同 模型的对比 方法优点缺点 模型去除冗余信息提取主要特征信息减少特征空间维度建模灵活对数据假设偏多模型适应能力差对非线性数据表现不佳能够充分利用数据的潜在结构有效地提取主要的特征信息具有鲁棒性对非线性数据表现不佳需要较大的训练样本数量能够在局部邻域内自适应地提取特征对数据的局部结构具有较好的处理能力计算复杂度较高可能存在信息损失的问题适合处理多模态和多特征数据能够充分利用 特征间的关联、距离和相似性度量信息子模型个数需要提前预设预设约束条件的准确度难以保证影响识别精度计算量较大有利于联合学习多个相关任务的特征表示促进不同任务的知识迁移和相互促进降低过拟合风险难以处理数据分布不平衡或样本数量差异较大的任务参数调节难度大有效利用标签信息约束数据引入卷积降低模型复杂度减少冗余信息具备较好的局部感知能力泛化能力强对于数据稀疏性比较敏感样本标签的不平衡会影响性能参数调整难度较大 在自编码器模型中编码器可以学习概率隐分布解码器可以对概率隐分布的采样特征进行重构被广泛应用于 的识别之中 自编码器()的结构如图 所示图 自动编码器的基本结构.文献提出一种因式判别条件变分自编码器()用于学习提取目标的鲁棒特征并预测 样本标签 该模型将所提取的隐特征经分类器映射到样本对应的类别标签上实现了深层概率隐藏特征的监督学习 模型通过引入标签信息、平均像信息和权重分解方法在特征分离方面表现了足够的优越性如图 所示相比原始数据和堆叠去噪自编码器()该模型在目标识别和距离像重构方面更具可扩展性和高效性 文献 开发了一种因式分解复变分自动编码器()模型 解码器由多个子解码器组成每个子解码器只对相应类别的隐特征进行解码编码模块将观察到的数据投影到潜在空间中再将隐特征馈送至解码器中进行解码 通过按类解码使解码器只对所属类别数据具备更好的描述能力对其他类别数据描述较差提高了特征表达能力减小重构误差可直接实现对测试样本类别属性的判决也避免了所提特征与后端分类器不匹配的问题尹建国等:基于 的雷达目标识别研究综述图 原始数据的分离和采用、进行特征提取.小样本情况下的目标识别方法在统计模型中许多模型参数量较大用于目标识别时依赖于完备训练数据的充分学习在数据量大幅减少的情况下识别性能大幅下降 但许多统计模型方法在小样本的情况下依然表现出识别性能的优越性文献提出的多任务 模型由于共享参数在小样本识别方面具有明显的优势在识别门限为 时多任务 对样本的需求量仅为单任务方法的/大大降低了对样本数的需求因子分析()方法在小样本情况下识别性能大幅下降对其进行改进后在小样本情况下取得较好的识别效果 文献提出的 模型通过在不同目标的所有方位帧上共享大尺寸的加载矩阵集体学习相关参数提升了小样本数据集下系统的识别性能 文献提出的 模型在小样本的情况下具有更优的识别性能当每帧数据有 个训练样本时 模型相比 模型识别率提升了 文献提出的 模型中的字典尺寸远小于 模型中的加载矩阵尺寸对训练样本数量需求低文献 提出多任务复数因子分析()模型将数据描述推广到复数领域对多类目标帧的概率函数学习过程中共享加载矩阵利用贝塔伯努利稀疏先验自适应地选择各任务因子完成多任务学习每帧样本数在 时识别率高于 文献提出一种基于相似性保持多任务学习()的统计识别模型在多任务学习中引入描述 数据相似性信息的相似性保持约束增强了训练样本有限情况下统计模型的判别能力 当设置识别阈值为 时 模型仅需 个样本即可 基于迁移学习理论该模型还可用于新数据的模型预测具有良好的泛化性能 文献也做了相关工作采用多任务稀疏学习实现雷达 的小样本识别 基于深度学习的雷达 目标识别深度学习()是机器学习中一个重要研究领域由于可以自动有效提取 数据的深层次特征已被广泛应用于雷达目标识别中 作为典型深度学习算法本文中主要讨论基于卷积神经网络()的识别方法.样本完备情况下的目标识别方法 是一类包含卷积计算的深度前馈神经网络其基本架构如图 所示一般包括卷积层、池化层和全连接层 其默认输入为图像图 基本架构.兵 器 装 备 工 程 学 报:/./的学习过程主要是针对网络中的卷积核、偏置情况通过反向传播算法进行更新从而使网络获得稳定的识别效果文献提出了一种基于 的多基地雷达目标识别的深度学习方法采用深度 从目标 中自动提取特征将各雷达 的识别结果进行融合将输出最高的全局目标概率与预设阈值进行比较从而判定目标是否为已知 文献在充分考虑雷达 数据的时移灵敏度、目标方位灵敏度和大冗余度等特点的基础上提出一种新的 用于目标识别该网络采用大卷积核、大步长的卷积层和大网格的最大池化并用中心损失函数修正 损失函数从而使网络更具鲁棒性 实验结果证明该方法能获得类内距离较小的特征 文献提出了一种基于 的 目标识别方法采用特征层融合方法将极化信息和 相结合形成三维特征张量然后设计了一种可分离性强的神经网络分类器进行分类上述传统 模型在 识别方面发挥了一定的优势但 模型在处理时序信息、动态特征方面存在一定的局限性而 数据本身就包含了一定的时序特征和动态特征因此需要对其进行一定的改进以应对 的时序信息 递归神经网络()能有效利用相邻时间内输入样本间的相关性可以用来处理 的时序信息文献将 和 联合起来解决这一问题 文献将 和 组合得到一种端到端网络架构如图 所示 该模型在识别单个 上具备良好的效果随着输入序列越长识别精度越高图 网络结构.注意力机制的引入可以让模型专注于感兴趣的部分自适应地为 每个局部特征分配权重从而定位于目标区域增强模型对有价值目标信息的兴趣 将注意力机制与时序模型结合起来可以取得较好的识别效果 文献考虑到了输入数据范围单元间的时间相关性将、双向递归神经网络()和注意力机制相结合 用于挖掘原始数据的空间相关性 用于挖掘距离单元之间的时间依赖性注意力机制的引入让模型专注于判别目标区域因此该模型对数据的时移敏感性有很强的鲁棒性 文献利用 的时间依赖性通过深度聚类机制自动发现 中的信息区域提出区域分解递归注意网络()能够提取隐藏的时序状态信息 文献提出一种深度学习模型将卷积神经网络和()模型结合起来形成 模型可以利用 中嵌入的时空结构进行识别 模型可以利用卷积模块表征目标的局部空间结构通过标记嵌入生成序列特征然后 模块通过多头自注意力机制捕获 中单元间的长期时间依赖性使用双向 提取深度时间特征使得模型的能力大幅提升 文献提出一种基于时间卷积神经网络的注意力和弹性网络正则化识别方法有效提取深度时间特征典型的 在应用时多使用相对较小的单尺度卷积核来控制模型参数数量和计算复杂度但较小的卷积核可能无法提取足够的空间信息影响识别性能 因此文献提出一种一维金字塔深度可分离卷积()神经网络对不同的输入通道使用不同大小的卷积核可以更好地提取不同尺度的特征 文献也提出一种基于特征金字塔融合的轻量级 引入不同高斯核的 多尺度表示来构建模型的多通道输入提高模型的稳定性 文献提出一种多尺度群融合的一维 用多尺度一维卷积和点向卷积来取代标准卷积能够捕获不同层次不同尺度的目标信息并将多尺度特征进行融合提升识别性能降低系统复杂度文献将卷积架构和自编码器结合起来提出一种卷积架 构 的 自 动 编 码 器()用于 识别 利用稀疏编码器来学习高维数据的稀疏表示获得比传统基于向量的自动编码器更好的识别性能 文献将多个一维卷积自编码器堆叠起来形成深度卷积自编码器模型()卷积核的引入可以充分学习 的局部结构特征通过堆叠网络可以提取不同层次的特征具有较高的识别精度.小样本情况下的目标识别方法机器学习中常用的小样本学习方法主要有 种一是弱监督学习()通过先验知识增强监督信号二是迁移学习()将其他领域或者任务上学习到的知识(模式)应用到其他数据不完备的领域或问题中在这种任务下源域和目标域任务相同但数据分布不同三是元学习()又称学会学习()利用多轮任务中迭代学习到的一些通用知识(称为元知识)帮助新的任务快速迭代文献为解决 样本不均衡问题提出一个基于 的识别框架首先采用自适应均匀流形逼近与投影()方法对 进行分割得到 目标姿态角数据然后通过双谱分析对双谱的关键区域进行重构得到新的数尹建国等:基于 的雷达目标识别研究综述据扩大了数据量并采用焦点损失作为 的损失函数有效解决了数据不平衡的问题提高算法稳定性文献提出一种基于深度迁移学习的目标识别方法根据目标域样本特点设计了一个预训练模型并用源域数据对模型进行训练最后在此基础上采用模糊截断交叉熵损失函数对模型进行微调该函数用于解决类别不平衡导致的识别性能不理想的问题提高特征可分性文献提出一种特征引导的 模型 在注意力模块中引入人工特征使得模型将注意力集中在目标散射信息较多的 距离单元上减少训练样本规模有限带来的负面影响 文献也致力于 模型所提的 模型在不同目标之间的识别结果更加均衡并且在训练样本减少到原始样本的/时模型依然具备较高的识别精度文献提出一种基于判别深度稀疏自编码器()的分类模型来处理具有少量 训练样本的非合作目标识别任务 该模型受多任务学习的启发将目标间的 样本共同训练实现目标间固有结构模式共享并且能捕获到比观测值维度更高的高级特征 文献将稀疏自编码器()与聚类相结合提高了小样本数据集下的识别精度文献针对非合作目标识别中目标面缺失()问题提出一种元网络()来处理该问题该网络基于时域卷积神经网络借鉴元学习技术具备较强的特征提取能力能有效处理 问题保持较高的识别效率并且能快速泛化到新任务中生成对抗网络()由一个生成器和一个判别器组成被广泛用于数据增强中 但原始 的目标值函数可能会导致模式崩溃和训练不稳定使得 在用于数据增强时表现不佳 文献采用了 种 模型来探索数据增强效果分别是深度卷积、辅助分类器、最小二乘条件 和 条件 综合来看辅助分类 比其他模型更适合用于 数据增强 文献将最小二乘()和 梯度惩罚()相结合对 数据进行增强的同时进行去噪具有较好的增强性能 文献将面向方位变化的注意力机制引入 中生成多视图 数据 文献将注意力机制与 结合起来并利用条件变分自编码器()进行识别 文献 都在 网络基础上开展小样本识别取得了一定的研究成果深度学习在雷达目标识别中得到了研究人员广泛的关注和深入的研究并取得了诸多卓有成效的成果与传统方法相比深度学习算法可以有效自动地提取 数据的深层次特征降低特征提取算法及特征选择对研究人员的依赖因此也取得了比传统识别方法更高的精度和更优的效率 发展趋势和面临的挑战 数据包含了丰富的物理结构、电磁散射特征、雷达散射截面积和位置等信息基于 的雷达目标识别已成为颇具前景的识别方法 通过近年来的诸多相关领域文献从样本完备和不完备识别 个问题对 种方法进行了总结 综合近期各研究成果笔者认为在 的识别中仍有一些挑战和不足)需要着力解决高质量 数据集的建设问题 大量高质量、真实准确且数据标签完整的 数据对目标识别具有重要的意义但在实际情况中这些数据的获取存在一定的难度且大都属于合作目标 当前使用的 数据集多是各个研究团队通过仿真模拟的手段获得的只有少部分是实测数据且 数据属于敏感数据各研究团队的数据集不便公开这也造成了很难对各个团队所采用目标识别算法的优劣程度进行比较 因此需要加强高质量 数据库的建设尤其是非合作目标的数据库建设问题注重实测数据对于识别算法性能的验证和比较便于研究需要)雷达在实际测量中面临强噪声干扰问题怎么提高低信噪比情况下雷达目标识别的准确率是关键 现有研究通常在高信噪比情况下能取得较好的识别性能但随着信噪比的下降识别性能呈明显下降的趋势因此在进行目标识别时应着重考虑该模型对噪声的鲁棒性)需要着力解决样本不平衡对目标识别的影响 雷达探测目标中包含大量已知和未知目标尤其是随着科技进步先进武器层出不穷雷达在长期运行过程中积累的目标回波数据存在样本不均衡的问题且某些数据的标注比较困难 因此需要考虑模型对不平衡样本的识别性能提升模型在样本不平衡情况下的识别性能和泛化性能)利用深度学习模型对 进行识别时需要着重考虑过拟合和泛化性差的问题 另外并不是网络层数越深模型性能越好网络层数过深可能会造成梯度消失或梯度爆炸从而使得模型无法对目标进行识别 因此利用深度学习模型对 进行识别时要重点考虑网络深度与模型泛化性能之间的平衡提升模型识别性能)开展目标识别要着眼于实际应用 尤其是空中目标识别的研究是为了更好的提升装备作战能力但在实际上仍然存在诸多问题:一是现有研究多是基于模拟数据与实际应用环境存在较大差异能否将该模型用于实际作战场景下还须进一步验证二是现役雷达资源有限且主要任务仍兵 器 装 备 工 程 学 报:/./是以探测为主如何在不影响雷达首要工作的情况下完成识别任务需要进一步探索三是战场时效性要求高在实际应用中能否在规定的时间内完成信号处理、目标识别等任务还需要进一步考量和研究 结论雷达目标识别具有重要的军事意义受到了国内外研究人员的广泛关注 从以上研究现状可以看出开展该项研究的最终目的都是为了提升对目标的识别精度尽可能提高识别模型的效率有效提升装备作战能力 虽然已经取得了一系列研究成果但在实际应用中仍然存在实际数据获取难、数据样本不平衡、低信噪比情况下识别率较低等诸多问题模型的泛化能力和实际应用能力有待进一步验证 下一步可以重点对以上问题开展研究参考文献:.():.():.()./():.卢旺张雅声徐灿等.基于双谱谱图特征和深度卷积神经网络的 目标识别方法.系统工程与电子技术():.():.():.范学满胡生亮贺静波.对海雷达目标识别中全极化 的特征提取与选择.电子与信息学报():.():.邱祥风霍凯张新禹等.一种基于雷达高分辨距离像的空天时敏目标识别方法.航空兵器():.():./().:./().:./().:.刘丹阳吴堃朱永锋.地面目标 识别的稳健性特征选择方法.系统工程与电子技术():.():.杜兰.雷达高分辨距离像目标识别技术研究.西安:西安电子科技大学.:././尹建国等:基于 的雷达目标识别研究综述.:.张玉玺王晓丹姚旭等.基于多尺度/分解的全极化 特征提取.控制与决策():./.():.():.():.李宁.雷达高分辨距离像的方位外推与拒判工程实现.西安:西安电子科技大学.:.田隆.稀疏样本泛化表示学习方法及其在雷达目标识别中的应用.西安:西安电子科技大学.:.冯国瑜肖怀铁付强等.基于 的雷达高分辨距离像在线识别方法.系统工程与电子技术():.():.():./().:.():.:():.:.:.:.():.:.():.:.:.:.():.:.:.:.():.兵 器 装 备 工 程 学 报:/./.():.:.():.:.和华杜兰徐丹蕾等.基于多任务复数因子分析模型的雷达高分辨距离像识别方法.电子与信息学报():.():.:.徐丹蕾杜兰王鹏辉等.采用多任务稀疏学习的雷达 小样本目标识别.西安电子科技大学学报():.():./().:./().:.():./().:./.:.():.:.():./().:./().:.:.():./().:.:尹建国等:基于 的雷达目标识别研究综述():.():./().:.():.():./().:./().:./().:.:.:.:.:.周强王彦华宋益恒等.基于 的雷达 数据增强方法.信号处理():.():.科学编辑 杨继森 博士(重庆理工大学 教授)责任编辑 涂顺泽兵 器 装 备 工 程 学 报:/./