中文引用格式： 廖磊瑤，洪子爍. 基于自注意力1dCNN的雷達目標識別方法及教研系統設計[J]. 電子技術應用，2025，51(11)：133-140.
英文引用格式： Liao Leiyao，Hong Zishuo. Radar target recognition method based on self-attention 1dCNN and its design of visual interface[J]. Application of Electronic Technique，2025，51(11)：133-140.
引言
雷達是一種無線電探測傳感器[1]，通過發射電磁波信號并且接收目標反射回波獲取目標位置等信息。在遙感目標感知領域，雷達由于具有全天時、全天候的工作特點，已經成為目標探測和環境監測的重要工具。近年來，隨著智能化裝備和信息化的快速發展，通過雷達回波獲取目標的類別或者型號信息逐漸成為民用和軍事等領域的重要需求，雷達目標識別[2-3]技術應運而生。
常見的雷達數據包括一維高分辨距離像（High-Resolution Range Profile,HRRP）[4]、合成孔徑雷達（Synthetic Aperture Radar, SAR）圖像[5]和逆合成孔徑雷達（Inverse synthetic aperture radar, ISAR）圖像[6]等。雷達HRRP是寬帶雷達獲取的目標散射點子回波沿雷達視線投影的向量和，反映目標結構信息，易獲取、處理、存儲，能實現快速、準確的目標識別。因此，基于雷達HRRP信號的目標識別方法已成為雷達目標識別領域的重要研究方向。如圖1所示，雷達目標識別流程主要包括輸出預處理、特征提取和分類器設計兩個階段。
圖 1 雷達目標識別流程圖
實際情況下，獲取的雷達HRRP回波通常包含噪聲，導致目標結構特性被噪聲干擾，因此采用數據預處理方法可以有效抑制噪聲干擾，增強目標信號區域，進而提升目標識別性能。常見的信號增強即信號去噪方法包括正交匹配追蹤（Orthogonal Matching Pursuit，OMP）[3]和松弛算法RELAX（Relaxation）[7]等，這類方法基于雷達目標散射點模型，提取目標強散射點，保留目標支撐區信號，抑制非支撐部分的噪聲信號。然后這類方法對算法的迭代終止門限參數設置較為敏感，算法的靈活性和準確性有限。
數據預處理后的目標識別流程是一個通用的模式識別范式，通常采用“特征提取+模式分類”的經典模式識別框架。傳統目標識別方法[8-9]根據人工經驗提取物理特征，比如包括高階矩、功率譜等統計特征以及散射中心等物理特征，然后設計模式分類方法實現目標識別。然而手工特征極大依賴于人工經驗，實際情況下應用不靈活。隨著機器學習的快速發展，基于模型的特征提取方法，包括主成分分析（Principal Component Analysis，PCA）[10]、因子分析（Factor Analysis，FA）[9]和K奇異值分解（K-Singularly Valuable Decomposition，K-SVD）[11]等逐漸成為主流。常用的分類器方法包括支持向量機（Support Vector Machine，SVM）[12]和決策樹等等。由于深度神經網絡的強大非線性擬合能力和特征挖掘能力，基于典型神經網絡（如自編碼網絡、循環神經網絡等）的雷達目標識別方法實現特征提取-目標分類一體化，有效避免特征與分類器不匹配的問題。文獻[13]提出堆棧自編碼網絡用于雷達目標識別，利用多層自編碼網絡挖掘雷達HRRP數據的深層特征，進而提升識別性能。文獻[14]基于變分自編碼網絡構建分類器用于HRRP識別，實現了概率分布特征挖掘和性能提升。文獻[15]構建了目標方位循環神經網絡用于挖掘HRRP信號不同距離單元之間的時序相關性，有效提升了目標識別性能。
本文首先介紹了一種基于編碼-解碼網絡的信號增強方法，該方法將雷達目標的物理模型嵌入神經網絡，利用物理機理引導神經網絡學習雷達HRRP信號的散射點特征，保留目標的結構信息，抑制非支撐區的噪聲部分。該方法是一種基于神經網絡的信號增強方法，基于數據驅動的學習方式不僅在實際情況下的靈活性強，且更加準確學習強散射點特征，對雷達HRRP信號的目標結構細節特征保持效果更好。采用該信號增強方法預處理后，本文設計了一種基于自注意力一維CNN（Self-attention 1dCNN,S-1dCNN）的雷達目標識別方法，實現了識別性能的極大提升。具體地，所提S-1dCNN模型包括特征提取模塊、自注意力模塊和分類模塊，其中特征提取模塊采用1dCNN對雷達HRRP信號的結構特征學習，同時對獲取的特征進行截取獲得多個局部特征，并將其輸入自注意力模塊中進行注意力系數學習，最后將局部特征和對應的注意力系數加權，特征拼接后輸入分類模塊中進行目標識別，實現對各類HRRP樣本的類別預測。
另外，近年來，結合MATLAB[16]工具開展演示界面設計仿真實驗課程教學不斷得到推進，比如《信號與系統》課程教學采用MATLAB進行信號可視化仿真和信號處理等操作，提升學生對信號及其處理過程的理解。為了提升雷達目標識別課程的教學效果，增強學生對典型算法的直觀理解，本文結合雷達目標識別流程的典型算法設計了一套雷達目標識別演示軟件。該演示軟件基于MATLAB環境下的圖形用戶界面工具(Graphical User Interface, GUI)，設計了交互性強的操作界面的教研系統，包括數據預處理和目標識別等多個功能。可視化界面可以動態展示智能算法的訓練和測試過程，有利于老師對機器學習課程中典型識別流程的清晰講解，也有助于學生對機器學習算法處理流程的直觀理解，進而提升課程教學質量。
因此，本文主要創新點包括：（1）研究了基于深度學習方法的數據增強-目標識別框架，采用靈活性強、信號增強精度高的編碼-解碼網絡用于信號保持，有效提升了數據的質量；（2）設計了一種基于自注意力一維CNN（S-1dCNN）的雷達目標識別方法，將自注意力機制與一維CNN的特征提取模塊相結合，可實現鑒別性強、可分性好的特征學習，進而達到較高的識別精度；（3）制作了一套雷達目標識別可視化界面演示系統，將信號增強和目標識別方法嵌入系統后臺，在演示界面直觀展示各方法的訓練、測試效果，為雷達目標識別課程教學提供演示軟件。
本文詳細內容請下載：
http://www.jysgc.com/resource/share/2000006852
作者信息：
廖磊瑤，洪子爍
（南京郵電大學 通信與信息工程學院，江蘇 南京 210023）
