顾丹丹, 廖 意, 王晓冰

(电磁散射重点实验室,上海 200438)

0 引言

雷达目标识别[1]作为一项面向探测预警、情报侦察、态势感知、精确制导等多个军事应用领域的关键技术,一直是国内外持续关注的研究热点。传统的雷达目标识别方法主要包含基于模板的方法[2]和基于模型的方法[3]两大类。这些方法基于雷达目标的几何、电磁、统计等物理特性进行人工建模,框架可解释性强,识别的特征和模型具有明确的统计或物理含义。但人工模型构建[4]较为复杂,尤其在特征器选择和分类器构建方面耗时耗力,存在灵活性差、泛化能力弱的不足,难以满足复杂动态环境、时间敏感场景的应用需求。

近年来,深度学习技术因其强大的自动特征学习能力、端到端的处理优势,被引入到雷达目标识别领域且发展迅速,在一些方面甚至取得了显著超越传统方法的性能[5]。但是,当前数据驱动方法的预测结果高度依赖训练数据,通常忽视了雷达目标潜在的物理特性,甚至违背了物理认知[6]。该方法内部工作机理不透明、可解释性不足,且模型在不同的雷达数据上泛化能力差,造成其在军事应用领域面临不敢用、不能用的困境[7]。

雷达目标数据获取难度大,样本标注难,目标覆盖率不足,导致雷达目标识别天然是小样本学习问题。当前,深层次地整合物理模型和数据驱动的方法在雷达目标识别领域变得愈发重要。数据驱动的方法擅长从大规模数据中自动挖掘新模式,可对物理过程进行有效的补充;反之,在数据驱动方法中加入可解释的物理模型,能提升深度学习算法的透明度,并降低模型对标记样本的依赖,提高算法在小样本条件下的适用性。……