[0001] 本发明涉及雷达微动特征目标分类技术领域，具体涉及一种基于TSA‑ResNet‑50的微动目标特征提取与分类方法。

[0002] 微动是指目标及其组成部件除整体平动之外的转动、振动等小幅度运动。目标微动状态引起雷达回波的频率调制，即以目标平动多普勒为中心，在两侧产生频率边带，这种调制称为微多普勒效应。微多普勒效应将目标微动转化为独特的回波信号，从这些信号中提取微多普勒特征，有助于获取目标结构和运动信息，从而判断目标性质和类别。微多普勒特征具有较好的分类性能，能够为不同类型目标的分类提供优势。空中目标多具有微多普勒特征，例如：鸟的翅膀、无人机旋翼、螺旋桨飞机桨叶、喷气式飞机发动机扇叶等。基于微动特征的空中目标分类是当前雷达空中目标分类识别领域的重要研究方向。

[0003] 近年来，很多研究人员在雷达微动特征目标分类领域进行了深入的研究。Oh B S等人(Oh B S,Guo X,Wan F,et al.Micro‑Doppler mini‑UAV classification using empirical‑mode decomposition features[J].IEEE Geoscience and Remote Sensing Letters,2017,15(2):227‑231.)提出了一种基于经验模态分解(Empirical‑Mode Decomposition，EMD)的小型无人机分类方法。该方法首先通过EMD将雷达回波信号分解为一组振荡波形，提取振荡波形中的特征并通过支持向量机(Support Vector Machine，SVM)进行分类。Zhao Y等人(Zhao Y,Su Y.Synchrosqueezing phase analysis on micro‑Doppler parameters for small UAVs identification with multichannel radar[J].IEEE Geoscience and Remote Sensing Letters,2019,17(3):411‑415.)提出了一种面向旋转目标的同步挤压相位分析方法，该方法用于提取微多普勒特征，进而在多通道雷达体制下实现无人机识别。Kang H等人(Kang H,Kim B K,Park J S,et al.Drone elevation angle classification based on convolutional neural network with micro‑Doppler of multipolarization[J].IEEE Geoscience and Remote Sensing Letters,2020,19:1‑5.)将微多普勒特征的多极化和卷积神经网络相结合，实现了对无人机的仰角的分类。
Zhang W等人(Zhang W,Li G,Baker C.Radar recognition of multiple micro‑drones based on their micro‑Doppler signatures via dictionary learning[J].IET Radar,Sonar&Navigation,2020,14(9):1310‑1318.)提出了一种通过字典学习微型多普勒特征的多无人机场景识别方法，该方法旨在确定特定类型无人机是否存在。Wang Y等人(Wang Y,Feng C,Hu X,et al.Classification of space micromotion targets with similar shapes at low SNR[J].IEEE Geoscience and Remote Sensing Letters,2021,19:1‑5.)设计了一种新的处理流程，用于在低信噪比条件下对五种类型的微动(旋转、进动、章动、摆动、翻滚)进行分类。Rahman S等人(Rahman S,Robertson D A.Classification of drones and birds using convolutional neural networks applied to radar micro‑Doppler spectrogram images[J].IET radar,sonar&navigation,2020,14(5):653‑661.)提出了一种基于卷积神经网络的无人机分类方法，该方法基于GoogLeNet架构实现了无人机、鸟类、杂波和噪音的分类以及无人机和非无人机的分类。Sun Y等人(Sun Y,Abeywickrama S,Jayasinghe L,et al.Micro‑Doppler signature‑based detection,classification,and localization of small UAV with long short‑term memory neural network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,59(8):6285‑6300.)提出了一种基于微多普勒特征的小型无人机监视方法，利用STFT和主成分分析提取微动特征，并采用长短时记忆网络(Long Short‑Term Memory，LSTM)神经网络实现目标分类。Kumawat H C等人(Kumawat H C,Chakraborty M,Raj A A B,et al.DIAT‑μSAT:Small aerial targets’micro‑Doppler signatures and their classification using CNN[J].IEEE Geoscience and Remote Sensing Letters,2021,19:1‑5.)使用STFT提取回波中的微动特征，基于迁移学习和VGG19实现了六类不同小型空中目标的分类。并进一步对网络结构进行了优化，实现了轻量化网络。作者开源了DIAT‑μSAT数据集，该数据集是小型空中目标微多普勒特征的首个可公开访问的数据集。

[0004] 上述方法均是基于CW雷达进行的。Jahangir M等人(Jahangir M,Ahmad B I,Baker C J.Robust drone classification using two‑stage decision trees and results from SESAR SAFIR trials[C].2020 IEEE International Radar Conference(RADAR).IEEE,2020:636‑641.)在脉冲雷达体制下用决策树分类器仅实现了有/无无人机的判别。目前学界关于脉冲雷达体制下利用微多普勒特征实现空中目标分类的研究较少。脉冲雷达具有高距离分辨率、抗干扰能力强等优点，具有较高的保有量。相比CW雷达，脉冲雷达脉宽时间内实现有效微动特征提取难度更高，现有CW雷达微动特征提取方法直接应用于脉冲雷达效果不佳。如何基于现有脉冲雷达实现微多普勒特征的空中目标分类具有重要的研究意义和应用价值是目前亟待解决的问题。

[0005] 有鉴于此，本发明提供了一种基于TSA‑ResNet‑50的微动目标特征提取与分类方法，该方法首先通过STFT构建数据集，然后对数据集进行预处理，最后根据TSA‑ResNet‑50架构训练、验证和测试网络，达到良好的分类性能。

[0006] 为达到上述目的本发明的技术方案为包括如下步骤：

[0007] 步骤一，对目标基带回波进行短时傅里叶STFT变换，得到STFT谱图；

[0008] 基于多次数据的STFT谱图得到JetPropset数据集；

[0009] 步骤二，对所述STFT谱图进行预处理；取STFT谱图对应的JetPropset数据集中图片分为三部分，分别用作训练集，验证集和测试集；

[0010] 步骤三，构建TSA‑ResNet‑50架构，对步骤二中预处理后图像进行训练、验证及测试，并评估TSA‑ResNet‑50架构在DIAT‑μSAT开源数据集和步骤一中JetPropset数据集上表现。

[0011] 进一步地，TSA‑ResNet‑50架构具体由顺次连接的初始卷积层Conv1、卷积层组二Conv2_x～卷积层组四Conv4_x、自注意力层、卷积层组五Conv5_x、平均池化层Avgpool，全连接层FC和丢弃层组成；

[0012] 所述卷积层组二、三、四和五Conv2_x、Conv3_x、Conv4_x、Conv5_x分别由3、4、6、3个Bottleneck段组成；其中每个Bottleneck段包括三个连续的卷积层：一个1×1卷积层、一个3×3卷积层和另一个1×1卷积层；Bottleneck段的第一个1×1卷积层的作用是减小特征图的通道数，接下来的3×3卷积层用于捕捉输入特征图的空间信息；最后一个1×1卷积层将通道数恢复到原始大小；

[0013] 其中初始卷积层Conv1、卷积层组二Conv2_x～卷积层组四Conv4_x组成冻结层，其权重在训练好之后是固定的。

[0014] 进一步地，步骤一中，JetPropset数据集由4230张STFT时频图像组成，共两种类别，分别是喷气式飞机和螺旋桨飞机；JetPropset数据集由S波段脉冲雷达采集。

[0015] 进一步地，步骤三中，DIAT‑μSAT数据集由5种小型空中目标的4849张STFT时频图像组成，共6组类别，分别是：双叶片转子、三短叶片转子、三长桨叶旋翼、四轴飞行器、仿生鸟、双桨叶旋翼和仿生鸟；DIAT‑μSAT数据集由X波段CW雷达采集。

[0016] 进一步地，步骤三中，在使用TSA‑ResNet‑50架构进行迁移学习时，首先基于大型数据集ImageNet预训练ResNet‑50网络，其次冻结预训练模型前40层权重，并对剩余层进行调整，冻结层意味着在训练过程中不更新其参数，而剩余的层针对STFT时频图分类任务进行调整。

[0017] 有益效果：

[0018] 本发明提出的基于自注意力机制和迁移学习的TSA‑ResNet‑50架构，实现了在有限的脉宽内微多普勒特征的有效提取和高精度目标分类。TSA‑ResNet‑50架构通过自注意力机制更好地捕捉STFT谱图特征，并通过迁移学习降低训练复杂度。TSA‑ResNet‑50架构在公开的CW雷达DIAT‑μSAT实测数据集和脉冲雷达JetPropset实测数据集上分别达到99％和95％的整体正确率。可见本发明所提方法在CW雷达DIAT‑μSAT数据集和脉冲雷达JetPropset数据集上均实现了良好的分类性能，并取得了比Kumawat H C等人方法更高的分类精度。

[0019] 图1为STFT原理示意图；

[0020] 图2为TSA‑ResNet‑50架构图；

[0021] 图3为DIAT‑μSAT数据集下TSA‑ResNet‑50和VGG19测试准确度图；

[0022] 图4为JetPropset数据集下TSA‑ResNet‑50和VGG19测试准确度图。

[0023] 下面结合附图并举实施例，对本发明进行详细描述。

[0024] 本发明提供了一种基于TSA‑ResNet‑50的微动目标特征提取与分类方法具体步骤如下：

[0025] 步骤一、短时傅里叶变换。

[0026] STFT是一种时间‑频率分析方法，用于分析非平稳信号的频谱特性。相对于传统的傅里叶变换，STFT在分析信号时可以同时考虑信号的时间和频率信息，因此它更适用于分析随时间变化的频谱特性。

[0027] STFT的基本原理是将一个长时间窗口的信号分割成许多较短的时间窗口，然后分别对这些较短的时间窗口应用傅里叶变换。通过这种方法，可以获得信号在每个时间窗口内的频谱信息，从而了解信号的时间‑频率特性。通常，使用一个滑动窗函数(例如汉宁窗)来定义时间窗口。

[0028]

[0029] 其中，x(t)是输入信号，ω(t)是窗函数，t是时间，f是频率，X(t,f)是信号在时频域的联合表示。STFT原理示意图如图1所示。通过对雷达回波信号进行STFT分析，可以在时域和频域上获得信号的联合信息，从而揭示信号中的微多普勒特征。

[0030] JetPropset数据集由4230张STFT时频图像组成，共两种类别，分别是喷气式飞机和螺旋桨飞机。该数据集原始数据为不同时间不同地点多次采集得到。JetPropset数据集由S波段脉冲雷达采集，采样频率为8MHz，每个样本点数为2125，离散傅立叶变换点数为128，STFT滑动窗函数为汉宁窗，重叠长度为96点。

[0031] DIAT‑μSAT数据集由5种小型空中目标的4849张STFT时频图像组成，共6组类别，分别是：双叶片转子、三短叶片转子、三长桨叶旋翼、四轴飞行器、仿生鸟、双桨叶旋翼和仿生鸟。DIAT‑μSAT数据集由X波段CW雷达采集，每个样本点数为30000，离散傅立叶变换点数为256，STFT滑动窗函数为汉明窗，重叠长度为200点。

[0032] 步骤二、数据集预处理。

[0033] 将图像的尺寸调整为256×256，然后进行中心裁剪得到224×224的图像。数据集中约80％图片被随机抽取用作训练集，验证集和测试集各占约10％。

[0034] 步骤三、TSA‑ResNet‑50架构构建。

[0035] 考虑到DIAT‑μSAT数据集和JetPropset数据集均为小型数据集，有必要避免训练过拟合。为此，本研究在全连接层后引入Dropout层丢弃层。Dropout的作用机理是通过在训练过程中随机关闭一部分神经元，从而降低网络中神经元之间的相互依赖性，避免过拟合现象。Dropout提高了模型的泛化能力，使得模型在训练集上的表现与在测试集(或验证集)上的表现更加接近。

[0036] 本发明选取LeakyReLU而不是常规的ReLU作为激活函数。ReLU激活函数的定义如下：

[0037] ReLU(x)＝max(0,x)

[0038] ReLU函数在x大于0时保持原始值，而在x小于0时输出为0。这种激活函数的一个问题是当神经元的输入小于0时，输出始终为0，这可能导致神经元在训练过程中死亡，即在后续的训练迭代中不再更新。这种现象在较深的神经网络中尤为明显。LeakyReLU的引入就是为了解决这个问题。LeakyReLU在负数区间有一个小的梯度，而不是完全将负数区间的输出设为0。LeakyReLU的定义如下：

[0039] LeakyReLU(x)＝max(ax,x)

[0040] 其中a是一个较小的正数，通常在0.01左右。这样，当输入为负数时，LeakyReLU仍然有一个小的梯度，这有助于避免神经元死亡的问题。通过使用LeakyReLU，可以在训练深度神经网络时提高模型的稳定性和收敛速度。

[0041] 考虑到实测数据集中受观察角度影响，样本难易程度不一致，本发明采用Focal Loss作为损失函数。Focal Loss能够自动调整损失值，使得模型更加关注难以分类的样本，从而提高整体分类性能。此外，本发明选用自适应矩估计(Adaptive Moment Estimation，Adam)优化器来优化模型参数，因为它具有自适应学习率调整、内存需求低和加速收敛过程等优点。

[0042] 本研究将自注意力机制应用于空中目标的微多普勒特征识别领域。具体来说，自注意力层被嵌入到基于ResNet‑50的迁移模型中，以便捕捉不同空间特征之间的关系。自注意力计算可以表示为

[0043]

[0044] 其中Q、K和V分别表示查询矩阵、键矩阵和值矩阵。d_k是键向量的维度。这个公式描述了在自注意力机制中，输入特征首先通过线性层转换为查询矩阵、键矩阵和值矩阵。然后，查询矩阵和键矩阵通过矩阵乘法计算注意力分数。接着，对注意力分数进行归一化处理，将它们与值矩阵相乘，最后得到输出特征。这种设计有助于模型更好地处理在局部和全局尺度上存在的相关信息。通过这种方法，模型能够在特征表示中融合不同层次的信息，从而提高模型在空中目标微多普勒特征识别任务上的性能。

[0045] 残差网络(ResNet)是一种深度卷积神经网络架构。ResNet架构的核心是残差块，一个典型的残差块由两个或更多的卷积层构成，其输入经过卷积层后与原始输入相加，形成残差连接。残差连接通过跳过卷积层来传播梯度，有助于缓解梯度消失问题。这种设计使得ResNet可以具有比传统CNN更深的网络结构，从而能够学习到更丰富的特征表示。

[0046] 迁移学习是一种在新任务中利用预训练模型的性能的方法。这种方法通常涉及在大型数据集上训练一个模型，以获得具有广泛适用性的特征表示。在迁移学习的过程中，这些预先学习到的特征是被用作新任务的基础。为了适应新任务，需要对预训练模型进行微调。这种方法在训练时间和数据量较少的情况下可以取得良好的性能。

[0047] 在使用ResNet进行迁移学习时，本发明首先基于大型数据集ImageNet预训练ResNet‑50网络。其次冻结预训练模型前40层权重，并对剩余层进行微调。冻结层意味着在训练过程中不更新其参数，因为它们学习到的特征具有更广泛的适用性，而剩余的层针对STFT时频图分类任务进行微调。

[0048] TSA‑ResNet‑50架构图如图2所示。TSA‑ResNet‑50架构具体由顺次连接的初始卷积层Conv1、卷积层组二Conv2_x～卷积层组四Conv4_x、自注意力层、卷积层组五Conv5_x、平均池化层Avgpool，全连接层FC和丢弃层组成。卷积层组二、三、四和五Conv2_x、Conv3_x、Conv4_x、Conv5_x分别由3、4、6、3个Bottleneck段组成；其中每个Bottleneck段包括三个连续的卷积层：一个1×1卷积层、一个3×3卷积层和另一个1×1卷积层；Bottleneck段的第一个1×1卷积层的作用是减小特征图的通道数，接下来的3×3卷积层用于捕捉输入特征图的空间信息；最后一个1×1卷积层将通道数恢复到原始大小；其中初始卷积层Conv1、卷积层组二Conv2_x～卷积层组四Conv4_x组成冻结层，其权重在训练好之后是固定的。

[0049] 本发明给出如下实施例对发明方法进行说明：

[0050] 本发明给出的实施实例验证硬件条件为：AMD EPYC 7B12 Processor、NVIDIA GeForce RTX 3070GPU(8G显存)及256GB内存。

[0051] 本发明给出的实施实例验证软件条件为：CUDA V11.0.194和PyTorch 1.7.1。

[0052] 本发明给出的实施实例训练中批处理大小为256，训练轮数为150。设置Focal Loss中α＝1、γ＝2，设置Adam优化器初始学习率为0.001。

[0053] DIAT‑μSAT数据集下VGG19和TSA‑ResNet‑50分类结果的查准率、查全率、F1‑值和准确率如表1所示。

[0054] 表1‑DIAT‑μSAT数据集下VGG19和TSA‑ResNet‑50分类性能对比[0055]

[0056] 其中，查准率(Precision)是指模型预测为正例的样本中，实际上为正例的样本所占的比例，查准率能够反映模型在预测正例时的准确性；查全率(Recall)是指实际为正例的样本中，被模型预测为正例的样本所占的比例，查全率能够反映模型在捕捉正例方面的能力；F1‑值(F1‑Score)是查准率和查全率的调和平均值，用于同时衡量查准率和查全率的性能；准确率是指模型正确预测的样本数占总样本数的比例，是分类任务中最直观的评估指标。由表1可知，本发明所提TSA‑ResNet‑50架构性能优于Kumawat H C等人论文中VGG19网络，准确率可达99％以上。TSA‑ResNet‑50和VGG19测试准确度图如图3所示，与VGG19相比，TSA‑ResNet‑50架构具有更快的收敛速度和更稳定的性能。

[0057] JetPropset数据集下VGG19和TSA‑ResNet‑50分类结果的查准率、查全率、F1‑值和准确率如表2所示。

[0058] 表2‑JetPropset数据集下VGG19和TSA‑ResNet‑50分类性能对比

[0059]

[0060] 由表2可知，本发明所提TSA‑ResNet‑50架构性能整体优于Kumawat H C等人论文中VGG19网络，准确率可达95％。Kumawat H C等人论文中VGG19网络在脉冲雷达数据集上表现不佳。TSA‑ResNet‑50和VGG19测试准确度图如图4所示。

[0061] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。