基于舰载雷达小样本的低慢小目标识别方法

李 轲，张建强，李胜军，王沫然,

(1.海军工程大学 电子工程学院，湖北 武汉 430033；2.四川九洲电器集团有限责任公司，四川 绵阳 621000)

0 引 言

低、慢、小目标具有雷达散射截面积小、飞行高度低、速度慢或多普勒频移不明显的特点，在复杂海洋环境中，低、慢、小目标的识别成为一个世界性难题[1–3]。目前低、慢、小目标主要通过雷达、光电、声学等手段探测[4–5]。雷达作为一种全天候探测手段，在低、慢、小目标识别中应用越来越广。舰载雷达接收的雷达回波主要由目标回波和海杂波组成，由于海杂波空时变化的复杂性，传统基于规则和目标特征库的目标识别方式难以满足复杂海况下低、慢、小目标识别的需求，深度学习技术作为智能识别的有效手段，为低、慢、小目标识别提供了技术基础。然而，传统深度学习对样本的过度依赖限制了模型在实际场景种的应用。如何挖掘小样本的优势已成为目标识别应用的迫切问题[6]。

小样本学习的概念最早源自于计算机视觉领域，近几年在电磁目标识别方向受到广泛关注。在视觉方向，Oriol Vinyals 等[7]利用余弦注意力机制学习类别间的度量来推断目标样本的类别，通过训练和测试一致性匹配原则，该方法在目标识别和自然语言处理上表现出优异的性能。Li 等[8]提出了一个协方差度量网络，在基于小样本分类任务的分布一致性上，利用协方差表示和协方差矩阵对图片进行识别。在电磁方向，丁辰伟等[9]将图像增强技术和生成对抗网络应用于雷达辐射源个体识别中，实验证明该方法的有效性，解决了小样本条件下目标识别概率较低的问题。

综上，当前主流先进的小样本识别算法模型主要针对视觉图像等领域，对于电磁信号目标识别领域的研究相对较少，特别是低、慢、小目标识别领域。针对以上问题，本文借鉴匹配网络，整合多头注意力机制和残差模块去构造一个表征学习单元，将经过小波变换预处理后的信号输入学习单元，利用FocalLoss 损失函数实现对低慢小目标雷达回波信号的特征提取和分类。

1 网络结构设计

本文通过多头注意力机制和双向长短期记忆人工神经网络相结合的方式，利用少量带标签的样本训练一个分类器解决舰载雷达小样本目标识别的问题，整体框架如图1 所示。

图1 基于舰载雷达小样本的低慢小目标识别分类框架Fig.1 Low-slow and small target recognition framework with few shot learning based on shipborne radar

1.1 基于小波变换的域转换模块

考虑到雷达在探测过程中受到海上多种环境因素干扰，降低了目标识别性能[10]。基于小波变换原理，对探测到的目标信号进行分解，尽可能消除干扰因素带来的影响。

小波变换的重要核心是小波基函数 ψ (t)，通过尺度因子a和平移因子b来控制小波函数的伸缩和平移，小波基函数为：

式中： ψ为小波基函数；a为尺度因子；b为平移因子。

小波变换同时满足了时域和频域的高分辨，有良好的时频局部化特性。考虑目标回波信号受海杂波影响较大以及SWT(Synchrosqueezed Wavelet Transform)小波函数的消噪特性。选用SWT 小波函数进行目标回波特征域转换，使用db1 小波基做3 层小波分解。

1.2 基于残差与多头注意力机制的特征表征模块

在小样本学习中对目标信号的特征提取通常采用4～6 层的卷积进行特征提取，该网络易于训练，但学习能力有限[11–15]。因此，本文提出使用残差神经网络与多头注意力机制进行特征提取。

多头自注意力机制发挥了对输入序列中元素之前相关关系进行建模的强大能力，可进一步联合关注来自不同表示子空间的信息，提高模型性能。多头注意力模型通过对输入的序列分别进行3 次线性映射得到Q、K、V，利用Q与K的点积计算得到的权重对V进行加权求和。在计算时通过输入多次映射，每个映射使用不同参数进行相同计算，最后将各个输出合并在一起，相比缩放点积注意力更适合处理含有细微变化的数据，多头注意力模块如图2 所示。

图2 多头注意力模块Fig.2 Multi-head attention module

给定目标回波通过线性映射计算查询向量、键向量和值向量注意力矩阵。注意力矩阵计算如下：

式中：Q为查询矩阵；K为键值矩阵；V为值矩阵；dk为尺度因子。

基于残差与多头注意力机制的特征表征模块利用卷积神经网络提取目标回波信号的局部信息，同时使用多头注意力机制对全局信息进行建模，捕捉各散射点的本质特征，在特征学习中增强目标回波显著信息，特征提取模块如图3 所示。

图3 基于残差与多头注意力机制的特征提取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记忆增强模块

源域和目标域的样本特征由共有特征和相关特征构成。共有特征为可学习的通用特征，这些特征与领域无关；相关特征与每个域独有的特征，用来保持每个域的可区分性[16]。

每个样本对象包含了每个样本的多种特征表征类型，每种表征都在存在不同程度的信息损失，为提高目标识别精度，本文结合多步双向长短记忆网络和注意力机制学习样本之间的共有特征。在强表示性的特征提取模块基础上，增加全条件编码，增强模型的共有特征提取性能。

如图4 所示，为增强网络记忆容量，将学习样本的共有特征信息保存在辅助记忆中，在特征信息提取时再进行读取。通过多步双向长短记忆网络进行共有特征提取，将支持集样本特征生成序列输入多步双向长短记忆网络使支持集和查询集的样本之间相互作用，通过关注样本间的共性特征提取样本间的共有语义信息。多步双向长短记忆函数为：

图4 目标源数据表示Fig.4 Target source data represention

式中：f′(xˆ)为标准卷积神经网络，用来提取目标输入特征；g(S)为嵌入支持集函数，用来提取支持集特征；S为支持集；k为固定展开迭代步数；xˆ表示目标数据。

2 基于迁移学习的分类识别

利用迁移学习的思想来解决舰载雷达低慢小目标识别问题，流程如图5 所示。舰载雷达低慢小目标识别包括线下训练、线下识别2 个部分，训练采用n-way k-shot 的形式构建包含支持集样本和查询集样本的任务数据集。面对目标任务时，模型利用源任务学习的共有特征，通过少量的支持集样本，实现目标的识别。

图5 小样本迁移学习框架Fig.5 Few-shot transfer learning framework

分类器以“正间隔”来区分目标，由于低、慢、小目标样本特征极为相似，在基础类上，“正间隔”可形成清晰的类簇结构并取得了较高的准确率；然而在目标类上，正的“间隔”破坏了特征的类簇结构。考虑特征的可迁移性和可分性，利用FocalLoss 损失函数解决难易样本数量不平衡的问题，完成低、慢、小目标的分类识别，其表达式为：

式中： αt为权重参数；pt为 预测值； γ为可调节因子。

训练中，对于容易区分的样本，也就是pt值趋近于1 的样本，可降低它的损失函数值，而对于pt值趋近于0 的样本，对损失函数值影响并不大，这样可促使网络的学习权重向困难样本倾斜，提高网络区分困难样本的敏感度。同时为提高误分类样本的权重，利用 αt增加误分类权重。

3 实验结果

3.1 数据集及实验设置

仿真工具为电磁计算软件FEKO 和Matlab，将仿真场景设置为远场舰载单站雷达，海杂波采用复合K分布，SCNR（信号杂波噪声比）为3 dB。仿真参数设置如下：雷达天线高度为20 m；工作波段为L 波段；信号载频为1 GHz；脉冲重复频率PRF 为4 096 Hz；波束宽度3°；天线扫描速度为30°/s。信号带宽50 MHz，时宽10 μs。以雷达所在位置在地平面上的投影为OXYZ坐标系原点。仿真的11 种低、慢、小目标具体参数如表1 所示。

表1 低慢小目标数据集Tab.1 Low-slow and small target datasets

以滑翔机为例，设滑翔机高度500 m，与雷达水平距离5 km，雷达天线高度为20 m，采用水平极化。以雷达所在坐标系为参考坐标系，计算可得滑翔机与雷达之间俯仰角为5.47°。激励设置与计算得到的目标RCS 值如图6 和图7 所示。

图6 激励设置Fig.6 Incentive settings

图7 滑翔机RCS 估计值Fig.7 RCS estimation for gliders

基于舰载雷达小样本的低、慢、小目标分类识别使用赤龙4 固定翼无人机、日本ASM-2、雄达UF26 快艇3 类目标作为训练集。S100 无人直升机、ME300 领航者无人船、动力三角翼3 类目标作为验证集。大疆精灵4、滑翔机、美国捕鲸叉、AD100 轻型飞机、华微6 号无人船5 类目标作为测试集。训练采用3way-5shot 的训练方式，测试以60 次随机测试精度的均值作为最终识别结果。训练分为2 种情况：1）从训练集每类中挑选30 个样本，共90 个训练样本；2）从训练集每类中挑选100 个样本，共300 个训练样本。验证集每类300 个样本，共900 个验证样本，测试集每类300 个样本，共1 800 个测试样本。

3.2 实验结果与分析

从训练样本量和目标回波姿态角2 个角度来探索样本差异性对模型性能的影响。数据集空中目标的信噪比（SNR）为15 dB，水面目标的SNR 为5 dB，目标回波姿态角包含0°和30°，测试集每类300 个样本，共1 800 个测试样本，实验使用姿态角差异性表示样本差异性，设置9 组对比实验。实验设置及结果如表2 和表3 所示。

表2 90 个训练样本Tab.2 Difference experiment results of 90 training samples

表3 300 个训练样本差异性实验结果Tab.3 Difference experiment results of 300 training samples

针对训练任务和测试任务样本量的差异，绘制折线如图8 所示。

图8 目标识别率与任务差异性关系Fig.8 The relationship between target recognition rate and task

图8(a)表示目标回波姿态角为0°时，在300 个训练样本的情况下，目标识别率由99.65%降低到99.5%，下降了0.15%；在90 个训练样本的情况下，目标识别率由99.59%降低到97.45%，下降了2.14%。图8(b)表示目标回波姿态角为30°时，当训练样本和测试样本存在姿态角差异时，在300 个训练样本的情况下，0°的测试精度提高了0.5%，但混合的测试精度降低了0.09%；在90 个训练样本的情况下，目标识别率由98.39%降低到97.82%，下降了0.57%。图8(c)展示了源任务姿态角为0°和30°时，在0°和30°测试时，识别精度都有相应的提高；在300 个训练样本的情况下提高0.61%，在90 个训练样本的情况下提高0.8%。

在针对训练任务和测试任务的内类差异性，为避免任务样本量的影响，根据表2 和表3 的实验结果分别对比绘制类内差异性对比图，如图9 所示。

图9 目标识别率与类内差异性关系Fig.9 The relationship between target recognition rate and intraclass difference

从图9(a) 可以看出，当训练样本为90 个，0°、30°和混合姿态角的识别率分别为99.59%、98.82%和97.45%，姿态角混合后的识别率比0°和30°的识别率均值低1.76%；当训练样本为300 个，0°、30°和混合姿态角的识别率分别为99.65%、99.56%和99.55%，姿态角混合后的识别率略低于单个姿态角识别率均值；图9(b) 和图9(c) 在目标识别率的变化趋势上整体与图9(a)一致。因此可知，目标回波姿态角增大，模型性能均呈现下降趋势，训练样本量大时，影响较小，但总体说明类内差异对模型推理性能有一定影响。

4 结 语

针对舰载雷达目标识别中存在的小样本问题，本文提出一种基于舰载雷达小样本的低、慢、小目标识别方法，使用具有强表示学习能力的基于残差与多头注意力机制的特征表征模块。基于全局上下文注意力感知记忆增强模块提取样本的共有特征，结合Focal-Loss 损失函数实现困难样本的分类。在FEKO 和Matlab 仿真的十一类低、慢、小目标雷达回波数据集上进行多组完备实验验证，充分挖掘了小样本学习中不同样本间共有特征和相关特征。实验结果表明，本文提出方法在小样本识别任务上具有优异的性能，进一步证明了本文方法在雷达目标识别领域的可行性和适用性。同时，由于场景的特殊性，仿真环境无法完全模拟真实环境，海杂波与低慢小目标回波建模具有一定的局限性，如何从仿真环境迁移到真实场景，这是下一步工作重点研究的问题。