雷达HRRP序列目标识别基于轻量级的时空融合网络
Xiang Li1, Yitao Su2, Xiaobin Zhao2
1Department of Electronic Engineering, Tsinghua University, Beijing 100084, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
本研究介绍了一种轻量级方法,用于使用高分辨率范围配置文件 (HRRP) 识别雷达目标. 这种方法提高了实时应用程序的准确性和稳定性,即使数据不平衡.
科学领域:
- 雷达可以自动识别目标.
- 机器学习用于信号处理.
背景情况:
- 高分辨率范围配置 (HRRP) 序列识别面临诸如数据不平衡,在各种条件下降低稳定性以及对边缘设备实时部署的轻量级模型的需求等挑战.
- 现有的方法很难在复杂场景中平衡模型效率和性能.
研究的目的:
- 为HRRP序列目标识别提出一种基于轻量级时空融合 (LSTF) 的新方法.
- 为了解决类别不平衡,提高稳定性,并在资源有限的平台上满足实时部署要求.
主要方法:
- 开发了一种轻量级的变压器编码器,使用组线性转换 (TGLT) 进行高效的时间建模.
- 引入了一个转换域空间特征提取网络,将分数里埃转换与增强的挤压激发全卷积网络 (FSCN) 结合起来.
- 构建了具有标签光滑 (AFL-LS) 的自适应焦点损失,以处理类不平衡并改善泛化.
主要成果:
- 与MSTAR和CVDomes数据集的基线方法相比,拟议的LSTF方法显示出更高的性能.
- TGLT编码器有效地减少了边缘应用程序的模型大小和计算.
- 转换域特征提取和AFL-LS显著提高了对不平衡数据集的类分离性和性能.
结论:
- LSTF方法为HRRP序列识别提供了有效的解决方案,平衡轻量设计与高精度和稳定性.
- 提出的技术,包括TGLT,基于分数里叶变换的特征提取和AFL-LS,非常适合在边缘设备上实时雷达自动识别目标.
