顧丹丹, 廖 意, 王曉冰

(電磁散射重點實驗室,上海 200438)

0 引言

雷達目標(biāo)識別[1]作為一項面向探測預(yù)警、情報偵察、態(tài)勢感知、精確制導(dǎo)等多個軍事應(yīng)用領(lǐng)域的關(guān)鍵技術(shù),一直是國內(nèi)外持續(xù)關(guān)注的研究熱點。傳統(tǒng)的雷達目標(biāo)識別方法主要包含基于模板的方法[2]和基于模型的方法[3]兩大類。這些方法基于雷達目標(biāo)的幾何、電磁、統(tǒng)計等物理特性進行人工建模,框架可解釋性強,識別的特征和模型具有明確的統(tǒng)計或物理含義。但人工模型構(gòu)建[4]較為復(fù)雜,尤其在特征器選擇和分類器構(gòu)建方面耗時耗力,存在靈活性差、泛化能力弱的不足,難以滿足復(fù)雜動態(tài)環(huán)境、時間敏感場景的應(yīng)用需求。

近年來,深度學(xué)習(xí)技術(shù)因其強大的自動特征學(xué)習(xí)能力、端到端的處理優(yōu)勢,被引入到雷達目標(biāo)識別領(lǐng)域且發(fā)展迅速,在一些方面甚至取得了顯著超越傳統(tǒng)方法的性能[5]。但是,當(dāng)前數(shù)據(jù)驅(qū)動方法的預(yù)測結(jié)果高度依賴訓(xùn)練數(shù)據(jù),通常忽視了雷達目標(biāo)潛在的物理特性,甚至違背了物理認(rèn)知[6]。該方法內(nèi)部工作機理不透明、可解釋性不足,且模型在不同的雷達數(shù)據(jù)上泛化能力差,造成其在軍事應(yīng)用領(lǐng)域面臨不敢用、不能用的困境[7]。

雷達目標(biāo)數(shù)據(jù)獲取難度大,樣本標(biāo)注難,目標(biāo)覆蓋率不足,導(dǎo)致雷達目標(biāo)識別天然是小樣本學(xué)習(xí)問題。當(dāng)前,深層次地整合物理模型和數(shù)據(jù)驅(qū)動的方法在雷達目標(biāo)識別領(lǐng)域變得愈發(fā)重要。數(shù)據(jù)驅(qū)動的方法擅長從大規(guī)模數(shù)據(jù)中自動挖掘新模式,可對物理過程進行有效的補充;反之,在數(shù)據(jù)驅(qū)動方法中加入可解釋的物理模型,能提升深度學(xué)習(xí)算法的透明度,并降低模型對標(biāo)記樣本的依賴,提高算法在小樣本條件下的適用性。

本文針對知識引導(dǎo)的雷達目標(biāo)智能識別技術(shù)方向,從數(shù)據(jù)集構(gòu)建、知識理解、知識引導(dǎo)的識別技術(shù)進展等方面探討了相關(guān)研究情況,并對有待重點關(guān)注的發(fā)展方向進行了思考和總結(jié)。

1 雷達目標(biāo)識別數(shù)據(jù)集構(gòu)建

1.1 公開數(shù)據(jù)集

雷達目標(biāo)識別任務(wù)中一直面臨樣本不足的挑戰(zhàn)。長期以來,業(yè)內(nèi)應(yīng)用最為廣泛的基準(zhǔn)數(shù)據(jù)庫為美國國防高等研究計劃署于1997年發(fā)布的移動與靜止目標(biāo)搜索與識別(moving and stationary target acquisition and recognition,MSTAR)數(shù)據(jù)集[8]。隨著我國雷達技術(shù)的飛速發(fā)展,國內(nèi)雷達領(lǐng)域近幾年陸續(xù)發(fā)布了多個合成孔徑雷達(synthetic aperture radar,SAR)圖像艦船目標(biāo)檢測、識別相關(guān)的數(shù)據(jù)集[9-10]。國內(nèi)外代表性的雷達目標(biāo)識別數(shù)據(jù)集信息統(tǒng)計如表1所示。但是,現(xiàn)有數(shù)據(jù)集的樣本規(guī)模較小,采樣狀態(tài)不夠豐富,加之部分?jǐn)?shù)據(jù)相位信息缺失,與深度學(xué)習(xí)的海量樣本需求以及電磁物理知識學(xué)習(xí)的雷達數(shù)據(jù)需求仍有不少差距。

除表1所列數(shù)據(jù)集外,中科院空天信息研究院基于高分三號SAR衛(wèi)星聚束模式數(shù)據(jù),構(gòu)建了SAR飛機目標(biāo)識別數(shù)據(jù)集(aircraft classification dataset,ACD)[10]。該數(shù)據(jù)集主要用于飛機類目標(biāo)檢測與細粒度識別,圖像分辨率1 m、單極化。場景包括首都國際機場、上海虹橋機場、桃園機場等多時相圖像,包含A220、A330、Boeing787等6類民用飛機和14類其他機型,共計4 322個飛機目標(biāo)。遺憾的是該數(shù)據(jù)集目前僅對國內(nèi)遙感領(lǐng)域的一些重要賽事公開。

表1 國內(nèi)外代表性的雷達目標(biāo)識別數(shù)據(jù)集信息統(tǒng)計

1.2 基于目標(biāo)特性的數(shù)據(jù)增廣

針對雷達目標(biāo)識別樣本不足的問題,常采用數(shù)據(jù)增廣技術(shù)來擴充、豐富樣本集。但由于雷達目標(biāo)數(shù)據(jù)對觀測條件和目標(biāo)細節(jié)的變化比較敏感,且受遮擋、掩疊、相干斑噪聲等特殊效應(yīng)影響,使得光學(xué)領(lǐng)域普適的數(shù)據(jù)擴充手段難以直接應(yīng)用于雷達目標(biāo)數(shù)據(jù)[11]。如何實現(xiàn)有效、逼真的雷達目標(biāo)識別樣本數(shù)據(jù)增廣成為重要的研究方向。

基于目標(biāo)特性的雷達目標(biāo)數(shù)據(jù)增廣是采用電磁散射建模仿真、實驗室環(huán)境下模擬測量等手段實現(xiàn)數(shù)據(jù)樣本擴充的方法。該類方法具有樣本狀態(tài)可控、便于定量系統(tǒng)分析、特性數(shù)據(jù)的電磁物理意義可解釋等優(yōu)點。

RaySAR方法[11]基于目標(biāo)三維模型,利用射線追蹤技術(shù)構(gòu)建仿真樣本,需要人為設(shè)定與目標(biāo)相關(guān)的電磁參數(shù),仿真圖像的質(zhì)量在很大程度上取決于電磁參數(shù)的設(shè)置。GU等[12]提出一種時變海面艦船雷達圖像快速生成算法,算法設(shè)計綜合考慮了艦船六自由度運動及雷達成像掩疊、遮擋等效應(yīng)的影響,可在幾秒內(nèi)完成單幀復(fù)合散射圖像樣本生成。董純柱等[13]提出一種SAR信號級高效仿真方法,基于地面車輛目標(biāo)仿真場景模型,采用射線追蹤方法模擬SAR探測過程中電磁波與目標(biāo)及環(huán)境的作用機理,實現(xiàn)寬帶電磁散射及地面-目標(biāo)間耦合散射的快速計算,最后通過成像處理和圖像相似度評估,確認(rèn)形成高質(zhì)量SAR樣本圖像。WANG等[14]采用SAR成像回波仿真方法生成軍事車輛目標(biāo)的仿真圖像,用于對改進的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的預(yù)訓(xùn)練,進而通過遷移學(xué)習(xí)提升了識別性能,驗證了基于目標(biāo)特性仿真技術(shù)解決由SAR樣本數(shù)據(jù)不足帶來的過擬合問題的可行性。

針對公開的雷達雜波下目標(biāo)和環(huán)境數(shù)據(jù)缺乏、場景設(shè)計針對性差、仿真數(shù)據(jù)真實性有限、實測數(shù)據(jù)格式不規(guī)范、數(shù)據(jù)描述與標(biāo)注信息不全等問題,國內(nèi)多家目標(biāo)特性研究與數(shù)據(jù)處理優(yōu)勢科研院所和高校于2020年底聯(lián)合發(fā)布了以實驗室環(huán)境下測量為主的雷達目標(biāo)數(shù)據(jù)集。宋志勇等[15]通過雷達外場實地數(shù)據(jù)錄取與數(shù)據(jù)加工處理,提供了一套以地物雜波下固定翼無人機為探測對象的雷達弱小目標(biāo)檢測跟蹤標(biāo)準(zhǔn)數(shù)據(jù)集。數(shù)據(jù)集涵蓋強雜波、低信噪比、高動態(tài)、強機動、目標(biāo)數(shù)目變化等典型場景,共計15段數(shù)據(jù)。

雖然基于目標(biāo)特性獲取的數(shù)據(jù)通常比較理想,但由于背景環(huán)境、目標(biāo)模型、傳感器與實測情況難免有差異,導(dǎo)致目標(biāo)特性仿真數(shù)據(jù)與實測數(shù)據(jù)本質(zhì)上為非同源數(shù)據(jù)[16]。如何克服或跨越數(shù)據(jù)源的差異,利用目標(biāo)特性數(shù)據(jù)改善非同源SAR目標(biāo)識別性能,仍值得深入研究。

1.3 基于變換/生成對抗處理的數(shù)據(jù)增廣

基于變換或生成對抗網(wǎng)絡(luò)(generative adversarial networks,GANs)的數(shù)據(jù)增廣是通過人工數(shù)據(jù)變換處理或生成器與判別器的對抗訓(xùn)練,學(xué)習(xí)數(shù)據(jù)的分布信息,實現(xiàn)新數(shù)據(jù)模擬生成的方法。DING等[17]討論了平移信號、添加噪聲和樣本合成3種數(shù)據(jù)擴充方法并進行了驗證。WAGNER等[5]通過彈性變形和仿射變換,生成擴充數(shù)據(jù),以提升模型的魯棒性。

GUO等[18]利用GANs生成SAR目標(biāo)樣本,并通過雜波歸一化解決由噪聲引起的模型訓(xùn)練困難問題。CUI等[19]利用基于梯度懲罰的Wasserstein生成對抗網(wǎng)絡(luò)(WGAN)生成擴充樣本,同時提出一種從生成樣本中選取高質(zhì)量且具有特定方位角樣本的方法。王汝意等[20]通過飛行試驗采集飛機目標(biāo)SAR多角度數(shù)據(jù),并基于散射分析和自注意力生成對抗網(wǎng)絡(luò),實現(xiàn)特定角度的SAR圖像內(nèi)插仿真,為數(shù)據(jù)集構(gòu)建和擴容提供新的解決方案。LIU等[21]采用環(huán)狀生成對抗網(wǎng)絡(luò)(cycleGAN),實現(xiàn)仿真數(shù)據(jù)域與真實數(shù)據(jù)域之間的轉(zhuǎn)換,以提升仿真樣本的逼真度。結(jié)果表明:相比于直接用仿真數(shù)據(jù)作為擴充樣本,經(jīng)cycleGAN優(yōu)化后的數(shù)據(jù)作為擴充數(shù)據(jù)時的識別率提升了15%。

基于變換/生成對抗處理的數(shù)據(jù)增廣的實現(xiàn)相對簡單,可以快速、便捷地實現(xiàn)數(shù)據(jù)樣本擴充,但所生成的樣本數(shù)據(jù)主要滿足一定的視覺、統(tǒng)計分布等相似性,沒有明確的電磁物理意義。尤其是GANs仍存在訓(xùn)練困難、穩(wěn)定性不足、模式崩潰等問題,如何基于變換/生成對抗處理獲取能夠有效提升識別性能的樣本仍是具有挑戰(zhàn)性的課題。

2 雷達目標(biāo)特性知識理解

雷達目標(biāo)特性包含尺度(位置與軌跡)信息與特征信息[22],這些信息都隱含于雷達回波及其變換域特性數(shù)據(jù)之中。如何對隱含于雷達回波或特性數(shù)據(jù)中的物理尺度、特征信息進行參數(shù)化表征,并通過深層的理解與學(xué)習(xí),轉(zhuǎn)化為有利于目標(biāo)辨識、抗干擾等實際應(yīng)用需求的雷達目標(biāo)特性知識一直是研究熱點。

2.1 基礎(chǔ)特征類領(lǐng)域知識

常規(guī)的目標(biāo)特性領(lǐng)域知識描述形式為采用基礎(chǔ)目標(biāo)特性表征方法,從幾何特征、散射強度、紋理、統(tǒng)計特征、散射分布等多個維度對雷達目標(biāo)特征信息進行參數(shù)化表達,此處將其綜合簡稱為“基礎(chǔ)特征類領(lǐng)域知識”[3,23]。

(1)幾何特征

描述目標(biāo)的幾何、形狀等信息,主要包括目標(biāo)的長、寬、長寬比、周長、像素面積,以及目標(biāo)的形狀復(fù)雜度、質(zhì)心、慣性矩、空間填充比等。

(2)散射強度特征

描述目標(biāo)的總體散射能量水平,主要包括目標(biāo)雷達散射截面積(RCS)均值、能量填充比,以及目標(biāo)高、中、低散射強度(取總值的10%、50%、90%)等。

(3)紋理特征

描述目標(biāo)與環(huán)境的散射強度起伏變化特性,主要包括目標(biāo)RCS標(biāo)準(zhǔn)差、變化系數(shù)、分形維數(shù)、熵等。

(4)統(tǒng)計特征

主要有幅度統(tǒng)計特征、直方圖統(tǒng)計特征、不變矩特征等。

(5)局部散射分布特征

描述沿目標(biāo)縱軸、橫軸方向,目標(biāo)各組成部件的散射強度局部相對分布的特征量。

2.2 基于理解/學(xué)習(xí)的派生類領(lǐng)域知識

將通過深層理解與學(xué)習(xí),總結(jié)歸納得到的領(lǐng)域知識描述形式,綜合簡稱為“派生類領(lǐng)域知識”。主要包括屬性散射中心[24]、散射機制[25]、空間分布[3]、幅相融合信息[3]、微波視覺顯著性特征[26]、散射拓撲[9]、部件級三維參數(shù)化[27]等表征模型。

(1)屬性散射中心模型

屬性散射中心模型是基于幾何繞射和物理光學(xué)理論提出的描述高頻區(qū)復(fù)雜目標(biāo)散射特性的參數(shù)模型,可作為描述目標(biāo)散射源分布特性的物理量用目標(biāo)細粒度識別。

(2)散射機制表征模型

散射機制表征模型是通過散射機制類型單一,易于定量、定性分析的簡單幾何散射體(如平板、圓柱、圓球、二面角、三面角、帽頂?shù)?來近似復(fù)雜目標(biāo)散射機制,建立的目標(biāo)關(guān)鍵語義信息的描述模型。艦船目標(biāo)散射體近似示意如圖1所示。

圖1 艦船目標(biāo)散射體近似示意圖[25]

(3)空間分布表征模型

空間分布表征模型是通過高斯核密度估計器,計算微波圖像空間信息特征量的參數(shù)模型,適用于強相干斑噪聲或旁瓣等雜波的抑制。

(4)幅相融合信息表征模型

幅相融合信息表征模型綜合利用幅度與相位信息,形成目標(biāo)與背景雜波對比度增強的新特征圖。例如基于復(fù)值圖像中目標(biāo)與雜波的相干性差異,計算得到子孔徑相干系數(shù)特征圖。

(5)微波視覺顯著性表征模型

微波視覺顯著性表征模型通過在電磁頻譜域模擬人類的選擇性視覺注意機制,構(gòu)建局部、全局等微波視覺顯著性特征圖,凸顯復(fù)雜場景中感興趣目標(biāo),抑制背景雜波。

(6)散射拓撲表征模型

散射拓撲表征模型是基于拓撲學(xué)的概念,利用拓撲節(jié)點表示強散射點,拓撲邊表示散射點的關(guān)聯(lián),實現(xiàn)目標(biāo)細粒度結(jié)構(gòu)特征的建模表示。飛機目標(biāo)散射拓撲表征如圖2所示。

圖2 飛機目標(biāo)散射拓撲表征[9]

(7)部件級三維參數(shù)化電磁模型

部件級三維參數(shù)化電磁模型通過一組屬性電磁部件(如高帽、二面體、三面體等)來描述目標(biāo),散射機制和目標(biāo)特性均編碼于其中,每個部件的參數(shù)與目標(biāo)的物理結(jié)構(gòu)的關(guān)系清晰,可用于目標(biāo)理解和推理。

3 知識引導(dǎo)的雷達目標(biāo)智能識別技術(shù)進展

可解釋人工智能(explainable artificial intelligence,XAI)是目前AI領(lǐng)域的一大前沿研

3.1 可解釋的深度學(xué)習(xí)建模

究方向[7]。相關(guān)研究主要分為兩大類:一是模型的可解釋性,即對已有的網(wǎng)絡(luò)模型,通過可解釋性分析工具或者代理模型,理解深層模型的全局或局部決策行為依據(jù);二是可解釋的模型,即基于一定的物理或者語義等領(lǐng)域知識,設(shè)計并構(gòu)建自身具有一定可解釋性的神經(jīng)網(wǎng)絡(luò)模型,網(wǎng)絡(luò)結(jié)構(gòu)和中間層具有明確的物理或者語義含義[6]。在雷達領(lǐng)域,第一類相關(guān)研究工作可參考文獻[6,28-29]。本文所提的雷達目標(biāo)特性知識引導(dǎo)的智能識別技術(shù)屬于第二類研究的范疇。

在第二類研究中,如何進行領(lǐng)域知識的表達和嵌入是其中的難點。針對如何通過物理知識的干預(yù)來減少神經(jīng)網(wǎng)絡(luò)對標(biāo)記樣本的依賴,提高模型性能的問題,文獻[7]初步建立了如圖3所示的物理引導(dǎo)與注入式學(xué)習(xí)(physics guided and injected learning,PGIL)新范式。

物理引導(dǎo)與注入式學(xué)習(xí)包含無監(jiān)督的物理導(dǎo)入式學(xué)習(xí)(physics guided learning,PGL)和有監(jiān)督的物理注入式學(xué)習(xí)(physics injected learning,PIL)兩個階段,如圖3所示。

圖3 物理引導(dǎo)與注入式學(xué)習(xí)示意圖[7]

fPGL表示第一個學(xué)習(xí)階段。以SAR復(fù)圖像樣本x的幅度圖像xI為輸入,利用物理模型提供的知識yphy,驅(qū)動深度神經(jīng)網(wǎng)絡(luò)(deep NNs)在不依靠語義標(biāo)注信息的情況下進行訓(xùn)練,得到具有物理感知能力的語義判別性特征表示FPA,即fPGL:｛xI,yphy｝→FPA。yphy為前文所述具有物理含義的多種領(lǐng)域知識,FPA是通過yphy引導(dǎo)學(xué)習(xí)的特征圖。FPA比yphy具有更強的適應(yīng)性,更接近雷達目標(biāo)數(shù)據(jù)的高層語義,并且這種無監(jiān)督訓(xùn)練模型可以充分利用大規(guī)模的無標(biāo)注雷達數(shù)據(jù)樣本進行訓(xùn)練,使FPA具有更強的泛化能力。

fPIL代表第二個學(xué)習(xí)階段。以SAR復(fù)圖像樣本x為輸入,設(shè)計物理轉(zhuǎn)移層將FPA注入傳統(tǒng)數(shù)據(jù)驅(qū)動網(wǎng)絡(luò)中,從而利用少量的已知標(biāo)簽的樣本進行監(jiān)督式訓(xùn)練,即fPIL:｛x , yphy｝→y,其中y表示語義標(biāo)簽。同時,PGL中的物理知識可通過一體化網(wǎng)絡(luò)連接形成目標(biāo)函數(shù)的約束,引導(dǎo)網(wǎng)絡(luò)訓(xùn)練。

此外,直接將物理知識yphy與已知標(biāo)簽的樣本一起作為網(wǎng)絡(luò)輸入,進行有監(jiān)督網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí),可得到PGIL范式的特殊簡化形式,即f:｛x , yphy｝→y。該模型可簡單總結(jié)為多模態(tài)或多特征的融合學(xué)習(xí)模型。當(dāng)前,雷達目標(biāo)識別領(lǐng)域的很多方法都是基于該模型框架設(shè)計構(gòu)建的。

3.2 知識引導(dǎo)的雷達目標(biāo)智能識別

(1)特征融合式學(xué)習(xí)

關(guān)于知識引導(dǎo)的雷達目標(biāo)智能識別,近期一些最新研究進展均采取了融合屬性散射中心(attributed scattering centers,ASC)模型與深度學(xué)習(xí)的思路。ZHANG等[24]提出一種基于散射中心特征與深度CNN特征的特征融合學(xué)習(xí)框架,將屬性散射中心參數(shù)化表示通過詞向量轉(zhuǎn)化成特征形式,與CNN的特征圖進行融合學(xué)習(xí),在MSTAR數(shù)據(jù)集的標(biāo)準(zhǔn)、擴展操作條件下都取得了較好的識別性能。LI等[30]通過將ASC模型轉(zhuǎn)化為幾個物理意義明確的部件特征圖表示與CNN全局特征進行融合,有效捕捉到目標(biāo)局部電磁特性。思路類似地,FENG等[31]通過對ASC建模結(jié)果的部件進行卷積學(xué)習(xí),并采用雙向卷積循環(huán)神經(jīng)網(wǎng)絡(luò)進行處理,實現(xiàn)了ASC模型與深度特征的融合及目標(biāo)識別。這些研究均利用ASC模型提供的散射中心分布與幾何信息強化了網(wǎng)絡(luò)模型對SAR目標(biāo)的理解,對改善神經(jīng)網(wǎng)絡(luò)的可解釋性亦很有幫助。

此外,郭倩等[23]提出基于散射信息與深度學(xué)習(xí)融合的SAR圖像中飛機目標(biāo)檢測方法,通過對目標(biāo)散射特征的分析與提取,進行圖像散射信息的增強,進而利用神經(jīng)網(wǎng)絡(luò)強大的特征提取能力,結(jié)合目標(biāo)與背景的上下文信息,實現(xiàn)飛機目標(biāo)高精度檢測。呂藝璇等[4]通過設(shè)計散射關(guān)聯(lián)分類器對飛機目標(biāo)的離散程度量化建模,引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)更具有區(qū)分性的類間特征表示;并設(shè)計自適應(yīng)特征細化模塊,促使網(wǎng)絡(luò)更加關(guān)注飛機關(guān)鍵部位,減少背景噪聲干擾,實現(xiàn)了目標(biāo)散射分布特性與網(wǎng)絡(luò)的自動學(xué)習(xí)過程的有效融合。LIU等[32]提出將雷達圖像的幅度和相位看作兩種不同模態(tài)的信息,通過多模態(tài)流形特征學(xué)習(xí)與融合,提升了小樣本條件下的目標(biāo)識別性能,但未明確說明幅度和相位信息在識別過程中各自的作用效果。

(2)物理模型啟發(fā)式學(xué)習(xí)

物理模型啟發(fā)式學(xué)習(xí)將物理原理通過神經(jīng)元嵌入深度模型,使之具備物理可解釋性。LIU等[33]提出將ASC模型表示的領(lǐng)域知識應(yīng)用于復(fù)數(shù)CNN第一層卷積核參數(shù)遷移學(xué)習(xí),使得神經(jīng)元初始化具有物理意義;與隨機初始化神經(jīng)元相比,該方法顯著加快了網(wǎng)絡(luò)優(yōu)化過程,并使得復(fù)雜連接的深度網(wǎng)絡(luò)具有一定的可解釋性。類似地,CUI等[34]提出了可在CNN中自適應(yīng)地學(xué)習(xí)極化合成孔徑雷達的極化旋轉(zhuǎn)角特征的極化旋轉(zhuǎn)核設(shè)計。

(3)跨域遷移學(xué)習(xí)

領(lǐng)域適應(yīng)和遷移學(xué)習(xí)是雷達目標(biāo)識別的另一種常見研究思路。HUANG等[35]從選取何種網(wǎng)絡(luò)和源數(shù)據(jù)、在哪個特征層進行遷移、如何進行有效的遷移三個方面較系統(tǒng)地討論了SAR目標(biāo)分類中的遷移問題。研究表明:源任務(wù)與目標(biāo)任務(wù)越接近,遷移效果越好;網(wǎng)絡(luò)的靠前層特征表現(xiàn)出更強的一般性,而靠后層特征則具有更強的特殊性;在遷移過程中加入域自適應(yīng)學(xué)習(xí),可有效拉近源域和目標(biāo)域數(shù)據(jù)的距離,提升遷移性能。并在此基礎(chǔ)上提出了多數(shù)據(jù)源傳遞式域自適應(yīng)遷移模型。

2017年,MALMGREN-HANSEN 等[36]首次提出以仿真SAR數(shù)據(jù)作為遷移源,學(xué)習(xí)真實的SAR目標(biāo)類型。文獻[16]借助領(lǐng)域適應(yīng)技術(shù)縮小在不同成像條件下仿真SAR目標(biāo)的高層特征差異,以此保證預(yù)訓(xùn)練模型具備識別不同成像條件下SAR目標(biāo)的能力。ZHANG等[37]在少次學(xué)習(xí)任務(wù)中將仿真SAR目標(biāo)作為遷移源,結(jié)合與車輛的方位角、幅度和相位數(shù)據(jù)相關(guān)的SAR領(lǐng)域知識來支撐深度學(xué)習(xí)算法的訓(xùn)練。

總得來看,知識引導(dǎo)的雷達目標(biāo)智能識別研究還處于初步探索階段,研究人員針對不同任務(wù)需求,從特征融合式學(xué)習(xí)、物理模型啟發(fā)式學(xué)習(xí)、跨域遷移學(xué)習(xí)等角度進行了研究,但還未形成一個完整的科學(xué)體系。目前,如何結(jié)合深度學(xué)習(xí)的特點與要求進行領(lǐng)域知識的再表達和嵌入,設(shè)計兼具強解釋性和高性能的深度神經(jīng)網(wǎng)絡(luò)仍是其中的難點和重點。

4 思考與總結(jié)

將以深度學(xué)習(xí)為代表的人工智能技術(shù)應(yīng)用于雷達目標(biāo)識別,結(jié)合雷達目標(biāo)自身特點發(fā)展適用于電磁信息的智能認(rèn)知技術(shù),已成為適應(yīng)未來“快速、精確、高效”應(yīng)用需求的重要發(fā)展方向。然而,相關(guān)研究目前仍處于起步階段。綜合前述分析,可參考如下幾個方向繼續(xù)研究。

(1)數(shù)據(jù)層面

雷達目標(biāo)識別數(shù)據(jù)可獲得的訓(xùn)練樣本量遠小于其他領(lǐng)域,某些目標(biāo)樣本獲取成本太高,甚至無法獲得。需要進一步發(fā)展復(fù)雜環(huán)境與目標(biāo)電磁特性高精度數(shù)字化生成技術(shù),除幅度信息外,從多個維度完善構(gòu)建信息更為豐富的雷達目標(biāo)特性數(shù)據(jù)集(如含相位信息的復(fù)數(shù)值數(shù)據(jù)集、一維/二維/三維雷達目標(biāo)成像檢測識別數(shù)據(jù)集、雷達目標(biāo)回波數(shù)據(jù)集、標(biāo)注物理散射特性的雷達目標(biāo)分類/分割數(shù)據(jù)集等),為本領(lǐng)域繼續(xù)發(fā)展更深層次結(jié)合雷達目標(biāo)物理特性的人工智能方法提供數(shù)據(jù)支持。

(2)算法與理論方法層面

針對雷達目標(biāo)數(shù)據(jù)小樣本、網(wǎng)絡(luò)模型泛化能力弱、缺乏可解釋性等問題,需要大力發(fā)展以無監(jiān)督學(xué)習(xí)、自學(xué)習(xí)為主的物理引導(dǎo)神經(jīng)網(wǎng)絡(luò)。充分利用已知的物理模型或領(lǐng)域知識以及大量無標(biāo)注的雷達目標(biāo)數(shù)據(jù),在模型設(shè)計中加入物理規(guī)律,引導(dǎo)模型自動挖掘?qū)W習(xí)泛化能力強且具備物理感知能力的特征表示。結(jié)合XAI學(xué)科領(lǐng)域的相關(guān)理論和技術(shù),以及少樣本學(xué)習(xí)、元學(xué)習(xí)、跨域遷移學(xué)習(xí)等優(yōu)化方法,逐步構(gòu)建形成雷達目標(biāo)解譯特有的小樣本、可解釋神經(jīng)網(wǎng)絡(luò)體系。

(3)性能評估驗證與軟硬一體設(shè)計層面

因缺乏科學(xué)理論支撐,尚未建立信息論測度來確定智能目標(biāo)識別系統(tǒng)的性能邊界,特別是軍用領(lǐng)域的智能目標(biāo)識別缺少對試驗測試領(lǐng)域的研究。加之,設(shè)備端上部署對識別模型的輕量化與數(shù)據(jù)處理時延的要求極為嚴(yán)苛。需要研究建立雷達目標(biāo)智能識別在軍用領(lǐng)域的性能評估基礎(chǔ)框架,設(shè)計輕量化、高效的識別模型。