田西蘭， 李 川， 王 鳳， 孫 瑞， 劉麗莎

(1. 中國電子科技集團(tuán)公司第三十八研究所， 安徽合肥 230088；2. 孔徑陣列與空間探測安徽省重點(diǎn)實(shí)驗(yàn)室， 安徽合肥 230088)

0 引言

目標(biāo)識別是決定武器系統(tǒng)作戰(zhàn)效能的核心技術(shù)之一，以目標(biāo)與環(huán)境相互作用的結(jié)果為輸入，以先進(jìn)機(jī)器學(xué)習(xí)算法為手段，從寬窄帶特性數(shù)據(jù)中獲得對目標(biāo)本原特征的描述，完成對目標(biāo)屬性的判定。目標(biāo)識別輸入由目標(biāo)自身特性、環(huán)境特性、雷達(dá)工作參數(shù)共同決定。根據(jù)基礎(chǔ)環(huán)境自適應(yīng)調(diào)整雷達(dá)工作模式及參數(shù)是保證識別輸入的廣度、深度與精確度的關(guān)鍵。在此基礎(chǔ)上，多維度挖掘高可分、強(qiáng)泛化的目標(biāo)特性表征方法，進(jìn)行高維特征融合判決，是雷達(dá)目標(biāo)識別在實(shí)戰(zhàn)中發(fā)揮有效作用的關(guān)鍵所在。

隨著戰(zhàn)場探測識別手段日益多樣化、復(fù)雜化，作戰(zhàn)過程中的對抗日趨激烈化，戰(zhàn)場環(huán)境日趨復(fù)雜。更廣域的環(huán)境感知與更深度的目標(biāo)特性感知之間的矛盾日益突出。如何自主地對基礎(chǔ)環(huán)境進(jìn)行分類識別，使傳感器更高效地匹配環(huán)境特性的獲取并輸出其中的顯著性目標(biāo)；如何自主地對重要目標(biāo)進(jìn)行關(guān)鍵特征的精準(zhǔn)激勵(lì)，高效完成目標(biāo)的細(xì)粒度識別直接支撐后續(xù)的情報(bào)分析，是智能化目標(biāo)識別需要面臨的首要問題。本文結(jié)合目標(biāo)識別的技術(shù)發(fā)展趨勢與實(shí)裝應(yīng)用需求探討軍用雷達(dá)智能化目標(biāo)識別在各處理環(huán)節(jié)的關(guān)鍵問題，為智能算法落地實(shí)裝提供參考方案。

1 雷達(dá)目標(biāo)識別發(fā)展需求及關(guān)鍵問題

作為新一代雷達(dá)的核心性能表征，目標(biāo)識別已成為軍事智能的競爭高地。美國國防高級研究計(jì)劃局(DARPA)、美國導(dǎo)彈防御局(MDA)等連續(xù)資助開展一系列雷達(dá)目標(biāo)識別創(chuàng)新課題研究，研究人員針對不同雷達(dá)數(shù)據(jù)特性采用相應(yīng)的機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)目標(biāo)特征的自動(dòng)提取[1-4]。國內(nèi)理論研究以西安電子科技大學(xué)、國防科技大學(xué)、北京理工大學(xué)[5-6]等院校為主，多集中于目標(biāo)精細(xì)特性分析及先進(jìn)機(jī)器學(xué)習(xí)算法在雷達(dá)目標(biāo)識別中的應(yīng)用研究。其中，空軍工程大學(xué)的馮存前團(tuán)隊(duì)提出利用彈道目標(biāo)微動(dòng)特征和RCS(Radar Cross Section)序列統(tǒng)計(jì)特征相結(jié)合的彈道目標(biāo)智能分類算法[7]。國防科學(xué)技術(shù)大學(xué)的夏靖遠(yuǎn)針對雷達(dá)目標(biāo)信號序列數(shù)據(jù)特征，采用受限玻爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)實(shí)現(xiàn)雷達(dá)高分辨距離像(High Resolution Range Profile，HRRP)目標(biāo)自動(dòng)識別[8]。目前大部分雷達(dá)目標(biāo)智能化識別的研究還處于理論研究階段，然而如何將深度學(xué)習(xí)技術(shù)有效應(yīng)用到實(shí)戰(zhàn)裝備的討論與研究并不多見。

實(shí)裝應(yīng)用研究層面，以中國電科38所、14所等為代表的雷達(dá)整機(jī)研究所為主，在防空、反導(dǎo)、對海處理等領(lǐng)域均有一定的成功應(yīng)用[9-10]。整體來講，新一代軍用雷達(dá)目標(biāo)識別呈現(xiàn)輸入特性數(shù)據(jù)大規(guī)模化、識別類型精細(xì)化、特征計(jì)算高效化的趨勢。軍事應(yīng)用的高保密、強(qiáng)偶發(fā)、非合作等特性使得軍用雷達(dá)目標(biāo)識別具有典型的“大數(shù)據(jù)、小樣本”特性，經(jīng)典的數(shù)據(jù)分析挖掘算法難以直接應(yīng)用，軍用雷達(dá)目標(biāo)識別實(shí)裝應(yīng)用時(shí)面臨以下挑戰(zhàn)：

1) 數(shù)據(jù)層面，高保密、非合作帶來真值難以標(biāo)定、測量數(shù)據(jù)質(zhì)量相對較低的問題，偶發(fā)性帶來樣本分布稀疏、測量特性不完備的問題。

2) 特征層面，經(jīng)典特征多適用于特定場景，未知場景中最優(yōu)特征向量組合難以確定，特征的泛化性弱，導(dǎo)致識別系統(tǒng)推廣性弱。

3) 決策層面，多為基于知識庫及規(guī)則的粗粒度決策，決策結(jié)果的模糊性與不確定性較強(qiáng)，系統(tǒng)的連續(xù)學(xué)習(xí)能力較弱。

4) 應(yīng)用層面，識別場景、識別任務(wù)與應(yīng)用平臺多樣，智能化識別架構(gòu)各異，實(shí)裝推進(jìn)效率較低。

針對上述問題，結(jié)合軍用雷達(dá)目標(biāo)識別發(fā)展趨勢，在數(shù)據(jù)層、特征層、決策層梳理出亟待解決的關(guān)鍵問題：

1) 更精準(zhǔn)的特性數(shù)據(jù)感知：特性數(shù)據(jù)是在線目標(biāo)識別的輸入信息，也是離線特性分析的基礎(chǔ)，決定了原始測量信息的廣度與深度。因此，數(shù)據(jù)層需關(guān)注在線特性數(shù)據(jù)的精準(zhǔn)獲取，以及離線實(shí)測數(shù)據(jù)中未標(biāo)定數(shù)據(jù)的有效利用問題。

2) 更穩(wěn)健的特征提?。禾卣魇遣煌S度的目標(biāo)特性表征，反映特性挖掘的深度與可信度，在一定程度上決定了不同目標(biāo)之間的可分性。經(jīng)典特征多由測量數(shù)據(jù)分析計(jì)算獲得，多與雷達(dá)工作參數(shù)、應(yīng)用場景及觀測視角耦合。因此，在特征層應(yīng)關(guān)注穩(wěn)健的特征提取方法，并提升特征的泛化能力。

3) 更自主的決策方法：決策器輸出目標(biāo)的屬性及類別。經(jīng)典的分類識別模型多基于數(shù)據(jù)驅(qū)動(dòng)的方式建模，需要大規(guī)模的標(biāo)注樣本進(jìn)行訓(xùn)練；不同類別的特征進(jìn)行決策時(shí)結(jié)果的一致性弱，甚至沖突；在遇到陌生樣本及應(yīng)用場景時(shí)推廣能力較弱。因此，在決策層應(yīng)關(guān)注多元特征的一致性決策與決策模型的自學(xué)習(xí)能力提升。

2 智能化軍用雷達(dá)目標(biāo)識別設(shè)計(jì)

2.1 層次化目標(biāo)識別策略設(shè)計(jì)

目標(biāo)精準(zhǔn)識別的前提是獲取精細(xì)的目標(biāo)特性信息。在線應(yīng)用時(shí)，同時(shí)探測到的目標(biāo)數(shù)量眾多，對雷達(dá)資源需求巨大。在保證基本跟蹤性能的基礎(chǔ)上如何分配雷達(dá)資源，對重點(diǎn)關(guān)注目標(biāo)進(jìn)行針對性的特性激勵(lì)是智能化軍用雷達(dá)目標(biāo)識別需要解決的第一個(gè)問題。如圖1所示為層次化目標(biāo)識別處理架構(gòu)，基于在線獲取的目標(biāo)基礎(chǔ)特征，如速度、高度、距離、航向、機(jī)動(dòng)性等進(jìn)行威脅等級的初步計(jì)算，對所有探測到的目標(biāo)進(jìn)行排序，僅對高威脅的目標(biāo)進(jìn)行精細(xì)特征的激勵(lì)，對于極小威脅的目標(biāo)釋放雷達(dá)資源。在此基礎(chǔ)上，基于獲取的精細(xì)目標(biāo)特性信息完成特征提取、分類與判決；更新之前的探測目標(biāo)威脅等級排序，并對新的高威脅目標(biāo)進(jìn)行更為精細(xì)特征的激勵(lì)、提取與判決，對弱威脅目標(biāo)釋放雷達(dá)資源。重復(fù)上述過程，直至遍歷所有的探測目標(biāo)?；谶@種識別策略，逐層篩選重點(diǎn)關(guān)注目標(biāo)進(jìn)行精細(xì)識別及確認(rèn)，在最優(yōu)化雷達(dá)資源利用的前提下實(shí)現(xiàn)對觀測目標(biāo)的精準(zhǔn)識別。

圖1 層次化目標(biāo)識別處理架構(gòu)

2.2 目標(biāo)穩(wěn)健特征提取與特性自學(xué)習(xí)

目標(biāo)特征反映空/時(shí)/頻/極化域的目標(biāo)特性，經(jīng)典的特征提取方法總結(jié)如下：

1) RCS序列統(tǒng)計(jì)特征：RCS反映目標(biāo)的后向散射能力，與目標(biāo)材質(zhì)、結(jié)構(gòu)、尺寸及雷達(dá)自身的頻段相關(guān)。通?；赗CS序列提取其位置特征、散布特征、分布特征以及變換特征。能夠進(jìn)行粗粒度的尺寸區(qū)分以及姿態(tài)穩(wěn)定性判別。一般不需要單獨(dú)發(fā)射識別波形，判決結(jié)果的準(zhǔn)確性與數(shù)據(jù)率相關(guān)。

2) 微動(dòng)特征：反映目標(biāo)局部運(yùn)動(dòng)引起的微多普勒效應(yīng)，與平動(dòng)相比，能夠據(jù)此反演目標(biāo)的精細(xì)化的微運(yùn)動(dòng)周期、結(jié)構(gòu)甚至尺寸。例如進(jìn)行飛機(jī)目標(biāo)的直升機(jī)、螺旋槳、噴氣式等的動(dòng)力類型判決，以及支撐彈道目標(biāo)自旋、進(jìn)動(dòng)、章動(dòng)等精細(xì)化微動(dòng)識別并直接支撐真假彈頭的識別。一般需要單獨(dú)發(fā)射識別波形，對于重頻、駐留時(shí)間等的雷達(dá)工作參數(shù)需求較高。

3) 寬帶一維距離像特征提?。悍从衬繕?biāo)沿觀測視線方向強(qiáng)散射點(diǎn)的分布情況，對目標(biāo)姿態(tài)角、目標(biāo)出現(xiàn)在空間的位置、距離以及接收機(jī)增益均較為敏感。帶寬越高，反映目標(biāo)的特征越精細(xì)。

4) 寬帶ISAR(Inverse Synthetic Aperture Radar)圖像特征提?。悍从衬繕?biāo)在距離-多普勒成像平面的投影，通常表現(xiàn)為稀疏的散射中心的分布。由于目標(biāo)的非合作性，平動(dòng)分量在成像中易引起距離向模糊，微動(dòng)分量易引起方位向模糊。成像條件較為苛刻，對雷達(dá)工作參數(shù)的需求也較高，支持目標(biāo)的輪廓提取與高精度徑向尺寸估計(jì)。

5) 極化特征：反映目標(biāo)基本結(jié)構(gòu)單元的特點(diǎn)，并對電假目標(biāo)的判定有一定的支撐作用，多由極化散射矩陣獲取極化不變量以及典型的主極化-交叉極化通道的相對關(guān)系進(jìn)行目標(biāo)結(jié)構(gòu)及屬性的判定，對于雷達(dá)天線的需求較高。

上述各特征的適用場景及所支撐的分類識別任務(wù)不一。因此，當(dāng)雷達(dá)目標(biāo)識別面臨的應(yīng)用場景發(fā)生變化時(shí)，各特征的泛化能力有待提升。近年來，以深度學(xué)習(xí)為代表的先進(jìn)機(jī)器學(xué)習(xí)算法在民用光學(xué)圖像處理、語音識別等領(lǐng)域獲得了巨大的成功。隨著裝備實(shí)測數(shù)據(jù)的不斷積累與高精度電磁特性仿真軟件的持續(xù)優(yōu)化，深度學(xué)習(xí)網(wǎng)絡(luò)等算法模型在雷達(dá)目標(biāo)識別中應(yīng)用變得可行[11]。

基于深度神經(jīng)網(wǎng)絡(luò)的特征自學(xué)習(xí)根據(jù)學(xué)習(xí)目的可分為三大類：

1) 目標(biāo)特征的泛化能力提升：傳統(tǒng)的目標(biāo)特征表征與提取維度有限，以飛機(jī)目標(biāo)識別為例，將一維特性信息經(jīng)時(shí)頻分析變換到時(shí)頻二維空間，實(shí)現(xiàn)雷達(dá)特征的圖像化，再采用CNN的視覺特征提取機(jī)制實(shí)現(xiàn)目標(biāo)雷達(dá)特性的深層次提取，并對卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的結(jié)構(gòu)進(jìn)行針對性優(yōu)化，即強(qiáng)化對微動(dòng)響應(yīng)強(qiáng)的節(jié)點(diǎn)，弱化對雜波及噪聲響應(yīng)強(qiáng)的節(jié)點(diǎn)，進(jìn)行目標(biāo)特征的自學(xué)習(xí)，實(shí)現(xiàn)特征的泛化能力提升。采用的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，包括卷積層、池化層、全連接層、輸出層四類。卷積神經(jīng)網(wǎng)絡(luò)的三個(gè)特性：局部連接、權(quán)重共享以及匯聚，使其具有一定程度的平移、縮放和旋轉(zhuǎn)不變性。除此之外，可以通過正則化等技術(shù)來緩解神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易出現(xiàn)的過擬合問題，也可通過數(shù)據(jù)增強(qiáng)技術(shù)解決雷達(dá)目標(biāo)樣本數(shù)量過少的問題。

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

2) 多模態(tài)特征的關(guān)聯(lián)與遷移：不同特征的特性表征維度的互補(bǔ)性可以支撐不同特征的關(guān)聯(lián)、遷移與聯(lián)合表征。以一維距離像特征與微動(dòng)特征的協(xié)同關(guān)聯(lián)為例，一維距離像特征反映目標(biāo)的結(jié)構(gòu)特性，微動(dòng)特征反映目標(biāo)的局部運(yùn)動(dòng)特性，兩者結(jié)合有助于提升分類識別的精細(xì)度。采用多頭注意力機(jī)制模型(Multi-Head Attention Mechanism,MHAM)進(jìn)行并行計(jì)算，將不同維度的雷達(dá)特征數(shù)據(jù)的自注意力進(jìn)行整合，關(guān)注不同任務(wù)的多個(gè)方面并覆蓋多種語義信息，允許網(wǎng)絡(luò)在不同的表示子空間里提取到互相關(guān)聯(lián)的特征信息。同時(shí)通過降低特征數(shù)據(jù)的維度來減少整體計(jì)算資源的消耗，可更有效地捕獲特征間全局依賴關(guān)系。具體計(jì)算公式如下所示，其中Q、V、K分別為注意力參數(shù)，W為Q、V、K的線性變換參數(shù)，Attention為自注意力計(jì)算公式，Concat為多頭注意力的合并公式。

MultiHead(Q,V,K)=

Concat(head1,…,headh)WO

(1)

3) 時(shí)間序貫信息的上下文關(guān)聯(lián)關(guān)系挖掘：目標(biāo)在觀測時(shí)間內(nèi)特性表征隨著時(shí)間的變化而變化，例如彈頭目標(biāo)多呈現(xiàn)穩(wěn)定姿態(tài)，彈體目標(biāo)則呈現(xiàn)無序翻滾。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)結(jié)構(gòu)如圖3所示，其通過使用帶自反饋的神經(jīng)元，能夠處理任意長度的時(shí)序數(shù)據(jù)，更適用于挖掘上下文的關(guān)聯(lián)關(guān)系。該模型的變種，長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Me-mory，LSTM)可良好解決不同識別任務(wù)中對歷史信息的取舍問題。

圖3 循環(huán)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

2.3 決策模型設(shè)計(jì)

目標(biāo)識別的本質(zhì)為對給定的特征向量進(jìn)行類別及屬性的判定，最終的判決結(jié)果由輸入特征向量與分類器共同決定。目前裝備應(yīng)用中，以監(jiān)督式分類器為主，支持向量機(jī)(Support Vector Machine, SVM)分類器、K-近鄰、多層感知機(jī)(Multilayer Perceptron, MLP)等均有很多成功的應(yīng)用案例。針對軍用雷達(dá)目標(biāo)識別的“大數(shù)據(jù)、小樣本”特性，以及連續(xù)學(xué)習(xí)需求，決策器設(shè)計(jì)層面需要加強(qiáng)如下方面的應(yīng)用研究：

1) 半監(jiān)督分類器設(shè)計(jì)：實(shí)際獲取的目標(biāo)識別樣本集合多數(shù)表示為

{(x1,y1) (x2,y2) … (xl,yl),

xl+1…xl+u}

(2)

式中，x為輸入特征向量，規(guī)模為l的數(shù)據(jù)準(zhǔn)確標(biāo)定，大規(guī)模的數(shù)據(jù)(規(guī)模為u)的真值未知。采用半監(jiān)督分類器設(shè)計(jì)的思想，在分類器學(xué)習(xí)階段將未標(biāo)定樣本引入學(xué)習(xí)集合進(jìn)行同步優(yōu)化，提升分類器的準(zhǔn)確性與泛化性。目前多數(shù)的半監(jiān)督學(xué)習(xí)方法往往對有限的已標(biāo)定樣本和大量的未標(biāo)定數(shù)據(jù)進(jìn)行強(qiáng)的分布假設(shè)。如何結(jié)合識別任務(wù)自身特性優(yōu)化半監(jiān)督分類器模型設(shè)計(jì)方法，實(shí)現(xiàn)分類識別算法的快速收斂是值得關(guān)注的一個(gè)方向。

2) 增量式分類器模型設(shè)計(jì)：軍用雷達(dá)目標(biāo)識別能力應(yīng)隨著投入運(yùn)行時(shí)間的增加同步進(jìn)行識別性能的迭代提升。針對小樣本陌生目標(biāo)的識別與分類器連續(xù)學(xué)習(xí)需求，開展增量學(xué)習(xí)在雷達(dá)目標(biāo)識別中的應(yīng)用研究，在保證已有能力的前提下，結(jié)合半監(jiān)督/無監(jiān)督學(xué)習(xí)對新樣本進(jìn)行增量學(xué)習(xí)提取新特性知識，提升分類識別的準(zhǔn)確性及對新類別的識別能力，應(yīng)對裝備識別能力的穩(wěn)健在線提升起到直接支撐的作用。

3) 重點(diǎn)目標(biāo)知識圖譜構(gòu)建：對軍用目標(biāo)的目標(biāo)類型、本征特征、特征事件等建立關(guān)聯(lián)關(guān)系圖譜?；跍y量數(shù)據(jù)或先驗(yàn)完成實(shí)體、關(guān)系、屬性、事件等的知識抽取，并結(jié)合特性數(shù)據(jù)知識進(jìn)行知識融合，經(jīng)知識加工后形成知識圖譜。在智能化軍用雷達(dá)目標(biāo)識別應(yīng)用研究中，基于仿真與實(shí)測特性數(shù)據(jù)建立結(jié)構(gòu)化數(shù)據(jù)源，構(gòu)建特性圖譜，結(jié)合識別規(guī)則、應(yīng)用場景特點(diǎn)、任務(wù)需求等支撐目標(biāo)意圖推理，是值得深入研究的方向。

4) 類腦多模態(tài)融合識別模型：多元感知信息融合識別是軍用雷達(dá)目標(biāo)識別發(fā)展的重要趨勢。在處理數(shù)據(jù)冗余且信息不完備的感知數(shù)據(jù)時(shí)，類腦信息融合為我們提供了新的思路。大腦對所獲取的信息按照一定的學(xué)習(xí)方式進(jìn)行整合，根據(jù)記憶中的經(jīng)驗(yàn)知識去估計(jì)判斷，對獲取的信息進(jìn)行評判并更新記憶。類腦智能通過借鑒人腦神經(jīng)結(jié)構(gòu)、信息處理機(jī)制和認(rèn)知行為機(jī)制，以計(jì)算建模為手段，通過軟硬件協(xié)同實(shí)現(xiàn)的機(jī)器智能[12-13]。構(gòu)建類腦多模態(tài)融合識別處理架構(gòu)，實(shí)現(xiàn)多元感知信息的高效融合應(yīng)是智能化雷達(dá)目標(biāo)識別的重要目標(biāo)。

5) 基于環(huán)境認(rèn)知的目標(biāo)識別決策閉環(huán)：當(dāng)前裝備應(yīng)用中，識別結(jié)果與前端信息處理多呈開環(huán)狀態(tài)。發(fā)展基于戰(zhàn)場環(huán)境實(shí)時(shí)感知認(rèn)知的目標(biāo)檢測-跟蹤-識別一體化處理技術(shù)，設(shè)計(jì)高效的各處理環(huán)節(jié)的交互增益機(jī)制，實(shí)現(xiàn)戰(zhàn)場環(huán)境的實(shí)時(shí)感知與識別決策結(jié)果實(shí)時(shí)閉環(huán)，是軍用雷達(dá)智能化目標(biāo)識別發(fā)展的必然。

4 結(jié)束語

目前，加速推進(jìn)軍事智能化已成為國家級戰(zhàn)略導(dǎo)向。作為軍事智能的典型案例，智能化軍用雷達(dá)目標(biāo)識別仍面臨數(shù)據(jù)層面、特征層面、決策層面的一系列挑戰(zhàn)。本文從實(shí)際裝備應(yīng)用的角度探討智能化目標(biāo)識別的關(guān)鍵問題，為人工智能相關(guān)技術(shù)落地軍事應(yīng)用提供參考。