邱祥风 霍凯 张新禹 姜卫东

摘 要：      针对空天时敏目标识别问题，提出了一种新的针对雷达高分辨距离像（HRRP）的序贯特征提取方法，并设计了一种基于决策树和支持矢量描述（SVDD）方法的多分类器。该方法首先基于时序HRRP估计目标的径向尺寸，利用序贯脉冲积累对尺寸估计结果进行滑窗处理，获取各个窗内径向尺寸的均值、极差、中值以及结尾均值四种统计特征; 然后，将得到的四种特征进行拼接，从而获取更加鲁棒的高维特征; 最后，使用基于决策树的多分类SVDD方法（Multi-SVDD-DT）对获取的高维特征进行分类。四类飞机的测量数据实验表明，本文所提方法可以提取出目标的稳健特征，能够有效完成空天时敏目标的识别任务。

关键词：     时敏目标; 高分辨距离像; 径向尺寸估计; 多分类器设计; 决策树; 目标识别; 雷达

中图分类号：     TJ760; TN958

文献标识码：    A

文章编号：     1673-5048（2022）02-0013-06

DOI：10.12132/ISSN.1673-5048.2020.0261

0 引  言

时敏目标（Time Sensitive Target，TST）是指具有非常有限薄弱时间窗口的目标，可以是正在或很快将对我军和友军造成危险的时敏目标，也可以是高回报和短暂存在的目标[1-3]，主要包括以下两类： （1）空中或空间目标，如各类飞行器等; （2）地面机动目标，如移动指挥控制中心和机动式武器平台等。

目前针对时敏目标的探测感知方法主要有雷达探测方法、红外探测方法以及多模复合探测方法[4-6]。在雷达探测方面，随着电子电路技术的高速发展，雷达波长越来越短，从微波发展到毫米波，甚至太赫兹波，进一步向多极化、宽带频率捷变发展，实现对目标高分辨率和多维信息的获取，提升对抗各种有源无源干扰的能力，获取更加客观的识别效果。在红外探测方面，红外成像在精确制导领域占据重要的位置，通过使用红外焦面阵列技术（IRFPA），红外导引头灵敏度更高，探测距离更远，瞬时视场和跟踪场最大，可有效解决时敏目标探测识别时面临的背景环境复杂、干扰因素众多等难题。但是红外成像技术的研制难度大，相关元器件、集成电路的设计和制造要求高，在弹载环境下还面临着小型化的难题。多模复合探测方法将各种体制的传感器设备相结合，获取目标在不同传感器下的特征信息，再通过信息融合的技术提高时敏目标探测识别性能，发挥不同传感器的优势，弥补单一体制的不足，提高识别算法在不同自然环境与战场环境下的鲁棒性。但是这种方法面临着控制结构复杂、结构设计困难、信息融合难度大等特点，不同传感器的融合策略需要进一步研究。

考虑到雷达具有全天时全天候、作用距离远、抗干扰能力强、分辨率不受作用距离影响等特点[7-8]，本文主要研究基于雷达高分辨一维距离像的空天时敏目标识别方法。

雷达高分辨距离像（High Resolution Range Profile，HRRP）是基于雷达宽带信号获取的目标散射点子回波在雷达视线方向上投影的矢量和，包含了大量的目标特征信息，如目标结构和散射点分布等[9]。与二维的（逆）合成孔径雷达图像相比，一维的HRRP数据获取方式简单，存储量更低，计算和存储方便。

对于空天飞机目标以及空间卫星目标而言，目标常常处于高速的运动之中。在实际探测中，HRRP信号是在雷达回波数据中通过距离窗截取的，一般留有一定的余量。在识别运动目标时，截取的距离像在距离门中的位置相对不固定，导致一维距离像平移敏感性[10]。由于雷达的波长往往小于探测目标的尺度，当目标的姿态发生变化时，在雷达视线上目标各散射中心之间的相对位置也会随之发生变化。特别是当目标的姿态角发生较大变化时，目标的一些散射中心会在距离单元上发生迁移，由此产生姿态敏感性的问题。

针对以上问题，大量学者进行了广泛的研究。文献[11]首先提取HRRP的高阶谱特征，然后使用模板匹配法对这些特征进行识别，但是这种方法将时域的数据映射到其他域，破坏了HRRP距离单元之间的时序相关性。文献[12]使用字典学习的方法对HRRP进行稀疏表示，获取了噪声环境下的鲁棒识别方法。文献[13]使用PPCA提取HRRP特征，进而使用MPPCA按照方位角的不同进行了聚类，达到了減少待匹配模板数量的效果。文献[14]保留了HRRP数据的相位信息，进行了复数域的目标识别。这些方法将HRRP数据视为一个整体，虽然都取得了一定的效果，但是忽略了HRRP样本之间的时序相关性。

由于空天目标的雷达数据获取不易，基于HRRP的目标识别还面临着小样本识别的问题，即要求在少量样本的条件下实现对目标快速准确的判别。在小样本条件下，基于 HRRP 的传统的雷达目标识别方法具有模型参数少的优点。但是模型参数少也意味着模型的表征能力弱，而雷达HRRP数据又具有平移敏感性和姿态敏感性的特点，这造成了基于HRRP的传统的雷达目标识别方法识别准确率低的问题[15-16]。对此，常用的解决思路有两种： 一种是通过变分自编码器、生成对抗网络等数据生成方法生成新样本扩充数据集[17]; 另一种是使用迁移学习的思想，使用具有一定相似性的数据集预训练分类器，然后使用少量的待识别样本进行微调[18]，以此来提高识别精度。

针对空天时敏目标识别问题，本文提出一种基于序贯脉冲积累的HRRP特征提取新方法，通过时域滑窗的方法提取HRRP径向尺寸的统计特征，实现了对目标的准确识别。

4 结  论

针对空天时敏目标识别问题，提出一种基于径向尺寸估计及序贯脉冲积累的稳健特征提取新方法，有效克服了HRRP的敏感性问题; 为了将经典的SVDD方法扩展至多分类问题中，引入决策树思想，设计了一种Multi-SVDD-DT分类器。本文所使用的序贯特征提取方法具有良好的迁移效果，可以应用于其他时敏目标识别问题。为了进一步提升识别率，下一步计划引入空天目标的窄带RCS特征，通过特征拼接的方式实现宽带特征与窄带特征的融合识别。

参考文献：

[1] 郑明，  刘冠邦，  张昕，  等. 美军时敏目标杀伤链[J]. 指挥信息系统与技术，  2020，  11（2）： 59-63.

Zheng Ming，  Liu Guanbang，  Zhang Xin，  et al. US Time-Sensitive Target Kill Chain[J]. Command Information System and Technology，  2020，  11（2）： 59-63.（in Chinese）

[2] 張鹏飞. 空间时敏红外弱小目标检测及跟踪算法研究[D]. 成都： 电子科技大学，  2020.

Zhang Pengfei. Detection and Tracking for Time Sensitive Infrared Dim Small Target in Deep Space[D]. Chengdu： University of Electronic Science and Technology of China，  2020. （in Chinese）

[3] 刘钢，  廖守亿，  于功健，  等. 时敏目标打击作战信息链仿真研究[J]. 信息通信，  2016，  29（10）： 76-79.

Liu Gang，  Liao Shouyi，  Yu Gongjian，  et al. Simulation Research of Time-Sensitive Target Striking Information Chain[J]. Information & Communications，  2016，  29（10）： 76-79.（in Chinese）

[4] 陈思远，  夏群利，  李强. 反时敏目标机动再入飞行器滑翔制导方法[J]. 宇航学报，  2016，  37（8）： 984-991.

Chen Siyuan，  Xia Qunli，  Li Qiang. Glide Guidance Method for Maneuverable Reentry Vehicle Against Time-Sensitive Target[J]. Journal of Astronautics，  2016，  37（8）： 984-991.（in Chinese）

[5] 刘恩凡. 地面时敏目标探测制导技术探讨[J]. 飞航导弹， 2016（1）： 87-91.

Liu Enfan. Discussion on Ground Time-Sensitive Target Detection and Guidance Technology [J]. Aerodynamic Missile Journal，  2016（1）： 87-91.（in Chinese）

[6] 毛航. 可见光复杂背景图像中地面时敏小目标检测算法研究[D]. 武汉： 华中科技大学，  2017.

Mao Hang. Research on Detection Algorithm of Ground Time Sensitive Small Target in Visible Light Image with Complex Background[D]. Wuhan： Huazhong University of Science and Technology，  2017. （in Chinese）

[7] 杜兰. 雷达高分辨距离像目标识别方法研究[D]. 西安： 西安电子科技大学，  2007.

Du Lan. Study on Radar HRRP Target Recognition[D]. Xi’an： Xidian University，  2007. （in Chinese）

[8] 王晓丹，  王积勤. 雷达目标识别技术综述[J]. 现代雷达，  2003，  25（5）： 22-26.

Wang Xiaodan，  Wang Jiqin. A Survey of Radar Target Recognition Technique[J]. Modern Radar，  2003，  25（5）： 22-26.（in Chinese）

[9] 保铮，  邢孟道，  王彤. 雷达成像技术[M]. 北京： 电子工业出版社，  2005.

Bao Zheng，  Xing Mengdao，  Wang Tong. Radar Imaging Technology [M]. Beijing： Publishing House of Electronics Industry，  2005.（in Chinese）

[10] Du L，  Wang P H，  Liu H W，  et al. Bayesian Spatiotemporal Multi-task Learning for Radar HRRP Target Recognition[J]. IEEE Transactions on Signal Processing，  2011，  59（7）： 3182-3196.

[11] Du L，  Liu H W，  Bao Z，  et al. Radar HRRP Target Recognition Based on Higher Order Spectra[J]. IEEE Transactions on Signal Processing，  2005，  53（7）： 2359-2368.

[12] Feng B，  Du L，  Liu H W，  et al. Radar HRRP Target Recognition Based on K-SVD Algorithm[C]∥IEEE CIE International Conference on Radar，  2011： 642-645.

[13] 李彬，  李輝. 基于混合概率主成分分析的HRRP特征提取[J]. 系统工程与电子技术，  2017，  39（1）： 1-7.

Li Bin，  Li Hui. HRRP Feature Extraction Based on Mixtures of Probabilistic Principal Component Analysis[J]. Systems Engineering and Electronics，  2017，  39（1）： 1-7.（in Chinese）

[14] Du L，  Liu H W，  Bao Z. Radar Automatic Target Recognition Based on Complex High-Resolution Range Profiles[C]∥CIE International Conference on Radar，  2006.

[15] Du L，  Liu H，  Bao Z，  et al. Radar Automatic Target Recognition Using Complex High-Resolution Range Profiles[J]. IET Radar，  Sonar & Navigation，  2007，  1（1）： 18-26.

[16] Du L，  Liu H W，  Wang P H，  et al. Noise Robust Radar HRRP Target Recognition Based on Multitask Factor Analysis with Small Training Data Size[J]. IEEE Transactions on Signal Processing，  2012，  60（7）： 3546-3559.

[17] Sun X J，  Li J R，  Gu L，  et al. Identifying the Characteristics of the Hypusination Sites Using SMOTE and SVM Algorithm with Feature Selection[J]. Current Proteomics，  2018，  15（2）： 111-118.

[18] Huang Z L，  Pan Z X，  Lei B. Transfer Learning with Deep Convolutional Neural Network for SAR Target Classification with Limited Labeled Data[J]. Remote Sensing，  2017，  9（9）： 907.

[19] 王晓鹏. 一种局部SVDD分类方法[J]. 电子测量技术，  2020，  43（12）： 96-100.

Wang Xiaopeng. Classification Method Using Local SVDD[J]. Electronic Measurement Technology，  2020，  43（12）： 96-100.（in Chinese）

[20] 杨晨. 基于SVDD的分类方法研究[D]. 太原： 山西大学，  2020.

Yang Chen. Research on Classification Method Based on SVDD[D]. Taiyuan： Shanxi University，  2020. （in Chinese）

[21] Hsu C W ， Lin C J . A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks， 2002， 13（2）： 415-425.

[22] 刘家麒，  陈渤，  介茜. 基于注意力机制和双向GRU模型的雷达HRRP目标识别[J]. 雷达学报，  2019，  8（5）： 589-597.

Liu Jiaqi，  Chen Bo，  Jie Xi. Radar High-Resolution Range Profile Target Recognition Based on Attention Mechanism and Bidirectional Gated Recurrent[J]. Journal of Radars，  2019，  8（5）： 589-597.（in Chinese）

A Recognition Method of Aerospace Time-Sensitive Targets

Based on Radar High Resolution Range Profile

Qiu Xiangfeng，Huo Kai*，Zhang Xinyu，Jiang Weidong

（College of Electronic Science and Technolody，National University of Defense Technology，Changsha 410073，China）

Abstract：

Aiming at the problem of aerosapce time-sensitive target recognition，  a new sequential feature extraction method for radar high resolution range profile （HRRP） is proposed，  and a multi classifier based on decision tree and support vector description （SVDD） method is designed. Firstly，  the method estimates the radial size of the target based on time-series HRRP，  uses sequential pulse accumulation to perform sliding window processing on the size estimation results，  and obtains the four statistical characteristics of mean，  range，  median，  and end mean of the radial size in each window. Then， The four types of features are spliced to obtain more robust high-dimensional features. Finally，  the proposed multi classification SVDD method based on decision tree （Multi-SVDD-DT） is used to classify the obtained high-dimensional features. The simulation data experiments of four types of aircraft show that the proposed method can extract the robust features of the target，  and can effectively complete the recognition task of aerospace time-sensitive targets.

Key words：   time-sensitive target; high resolution one-dimensional range profile; radical size estimation; multi-classifier design; decision tree;  target recognition; radar