作者中心
专家审稿
责编办公
编辑办公
-
摘要: 雷达微弱目标处理是实现优异探测性能的基础和前提，在复杂的实际环境应用过程中，由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题，导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准，导致通用性不强。近年来，深度学习在雷达智能信息处理领域取得了显著进展，深度学习算法通过构建深层神经网络，可以自动地从大量雷达数据中学习特征表示，提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展，具体包括噪声与杂波抑制、微弱目标信号增强；低、高分辨雷达图像和特征图处理；特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题，从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。Abstract: Weak target signal processing is the cornerstone and prerequisite for radar to achieve excellent detection performance. In complex practical applications, due to strong clutter interference, weak target signals, unclear image features, and difficult effective feature extraction, weak target detection and recognition have always been challenging in the field of radar processing. Conventional model-based processing methods do not accurately match the actual working background and target characteristics, leading to weak universality. Recently, deep learning has made significant progress in the field of radar intelligent information processing. By building deep neural networks, deep learning algorithms can automatically learn feature representations from a large amount of radar data, improving the performance of target detection and recognition. This article systematically reviews and summarizes recent research progress in the intelligent processing of weak radar targets in terms of signal processing, image processing, feature extraction, target classification, and target recognition. This article discusses noise and clutter suppression, target signal enhancement, low- and high-resolution radar image and feature processing, feature extraction, and fusion. In response to the limited generalization ability, single feature expression, and insufficient interpretability of existing intelligent processing applications for weak targets, this article underscores future developments from the aspects of small sample object detection (based on transfer learning and reinforcement learning), multidimensional and multifeature fusion, network model interpretability, and joint knowledge- and data-driven processing.
-
1. 引言
雷达探测的目标种类很多，其尺寸、形状以及运动特性的不同导致目标具有不同的雷达散射特性和多普勒特性。雷达回波是目标和环境电磁散射共同作用的结果，微弱目标不仅是指回波信号微弱，即无论在时域还是在频域，目标回波信号信噪(杂)比(Signal-to-Noise/Clutter Ratio, SNR/SCR)都很低，难以检测；同时也指雷达信号或图像特征微弱，难提取，使得目标分类和识别困难。本文侧重雷达微弱信号、图像以及特征的智能化信息处理，并重点以海上环境微弱目标(如高海况海上舰船)和飞鸟、无人机等“低慢小”目标为例，进行阐述分析。
雷达微弱目标信息处理是实现优异探测性能的基础和前提。随着雷达探测技术和体制的不断发展，对杂波抑制能力、目标检测的自适应能力、目标精细化特征提取、目标分类与识别能力等要求也越来越高。只有随着探测环境的变化，精准地实现杂波认知、目标特性匹配及特征描述，才能有效提高目标检测和识别水平。传统雷达信号处理主要基于模型假设，即需要假设背景的分布类型和分布特性等信息。例如，基于统计模型的检测方法将雷达回波建模成随机过程，建立相应的统计模型构造检测统计量。然而，当实际环境或目标与模型不匹配时，就会影响性能，泛化性变差，该方法通用性不强。若处理方法与假设的模型不符，将面临性能下降的问题。
近年来，深度学习技术在计算机视觉等领域的优秀性能促进了其在各个领域的应用。深度学习通过构建多层网络模型，如典型的卷积神经网络(Convolutional Neural Networks, CNN)，在大量的数据样本中逐层抽象挖掘有用特征，极大减少了对模型假设的依赖[1−3]。以目标检测为例，可看作一个二分类问题，因此对于雷达序列信号而言，神经网络也可以用作雷达目标检测器。目前，深度学习方法多用于高分辨雷达图像处理，对于雷达微弱信号处理以及杂波背景下的特征提取和识别等介绍较少。
尽管雷达处理流程及算法已逐渐成熟，但现阶段雷达微弱目标信息处理还具有很大挑战。(1)杂波或背景干扰问题。复杂环境下的雷达微弱目标会受到地海杂波、电磁干扰、大目标等因素的干扰，难以将它们与背景或相似的目标进行区分。(2)特征不明显、特征提取难。特征提取的好坏直接影响最终的效果，与大尺度目标相比，雷达微弱目标的特征更难提取；在识别模型中，经过池化后雷达微弱目标的某些特性会被删除，给识别带来一定的挑战。(3)经典方法和深度学习模型泛化能力弱，适用场景有限。此外，雷达微弱目标数据集尚少，也是造成深度学习检测算法比较和分析难的原因之一。本文将分别从雷达信号处理中的杂波抑制、目标增强、目标检测；低分辨和高分辨雷达图像和特征图处理；以及基于特征智能提取和融合的目标分类和识别等多个方面，梳理总结深度学习在雷达微弱目标智能化处理中的主要技术和应用，并对未来的发展趋势进行展望。
2. 基于深度学习的雷达微弱目标信号处理
2.1 噪声与杂波抑制
雷达噪声与杂波抑制是雷达微弱目标检测的前提，常用噪声抑制方法包括门限法、平均对消法、频域去噪等。然而，传统的噪声抑制算法受限于环境和目标特性。当前，深度学习技术为雷达噪声抑制提供了新的技术途径，主要有以下几个方面的工作：(1)基于CNN抑制噪声[4]，CNN自动学习噪声分布和噪声特征，对雷达回波谱进行去噪处理。该方法成熟、容易部署，但要达到良好的去噪效果，需要大量标注数据和训练资源。(2)基于生成对抗网络(Generative Adversarial Network, GAN)抑制噪声[5]，生成网络使用随机噪声作为假数据输入，其输出模仿训练集中的真实样本。判别网络的输入是真实样本和生成网络的输出，其目的是尽可能将生成网络的输出与真实样本区分开来。训练完成后，生成网络的输出与真实样本可理解为“去噪”与“含噪”的雷达信号或图像。输入不同的噪声和真实样本，就会得到与训练数据风格一致的不同数据，有效抑制背景噪声。但生成训练数据的特性与实测数据差异过大时，会导致去噪效果不理想。(3)基于自动编码器抑制噪声[6]，通过CNN学习雷达信号的深层特征，然后通过解码器重构信号的细节，得到去噪信号，具有较强的自适应能力，但是，数据类型的不完整性会导致重建信号中残留少量噪声。
杂波是由目标所在背景环境的散射信号所引起的干扰。背景环境的不同，如地形地貌、表层复介电常数的不均匀性、海平面的风速以及海水蒸发等，都会对杂波产生影响。经典的杂波抑制算法通常基于目标和杂波之间的能量或多普勒频谱差异。这些方法多基于统计模型假设，对环境的适应能力较弱，对非高斯、非平稳、非线性的杂波抑制能力有限。当前，基于深度学习的雷达杂波抑制的方法主要有：(1)基于学习向量量化(Learning Vector Quantization, LVQ)神经网络，有效地区分目标点迹和杂波点迹[7,8]，对识别为杂波的点迹进行滤除；(2)从多维域互补特征角度出发，基于深度学习的时频特性海杂波抑制方法[9,10]，提取目标和杂波的信号特征，用于区分高维特征空间中的目标和海杂波，实现杂波抑制；(3)利用GAN将杂波图像重构为无杂波图像，并利用残余注意力生成器与杂波鉴别器进行对抗训练，提高杂波抑制性能[11]；(4)针对高维数据处理，传统CNN的目标检测方法对于信号的时间空间信息未有效利用，作者团队提出了基于图CNN (Graph CNN, GCN)的杂波抑制和目标检测算法[12]，如图1所示，将雷达信号转换为具有图结构的数据，保留各检测样本之间时间、空间关联信息，提取特征实现对雷达接收回波中杂波的抑制。
2.2 微弱目标信号增强
微弱信号增强主要是提高回波信号中目标能量，改善信噪比或信杂比，常用的方法如匹配滤波、非相参或相参积累、变换域处理、经验模式分解(Empirical Mode Decomposition, EMD)等。深度学习技术可以自动地学习信号中的复杂特征和模式，增强信号特征，主要有以下几种途径：一是，基于CNN微弱信号增强方法。杨承志等人[13,14]基于CNN结合多头注意力机制构建了RSETransformer (Radar Signal Enhancement Transformer)增强模型，如图2所示，提取出含噪雷达信号和纯净雷达信号之间的非线性映射关系，通过监督学习训练，使网络能够自适应地关联信号特征，从而实现对信号的有效增强。二是，基于GAN的微弱信号增强方法。曹鹏宇等人[15]采用噪声增强网络和信号增强网络(Denoising Automatic Encoder-GAN, DAE-GAN)进行对抗训练，如图3所示。DAE通过添加随机噪声，抑制了神经网络提取原始数据的底层特征。这种对抗性训练的方法使得两个网络相互协作，从而达到增强目标和降噪的目的。
2.3 雷达微弱目标检测
雷达目标检测理论发展的主要驱动是信号可利用维度的扩展，例如，雷达一维时域序列的检测，典型的是一维恒虚警(Constant False Alarm Rate, CFAR)检测等；二维表示域的检测，如距离-多普勒的动目标检测和距离-方位的二维CFAR检测、空间-多普勒(空时)处理等；三维距离-方位-帧间(扫描间)构成的检测前跟踪(Track Before Detect, TBD)等。以上方法多基于统计特性构建检测器，随着回波信号复杂性增加，对其统计建模更加困难；并且当实际探测目标或背景与假设不匹配时，检测性能将会下降明显。特征检测方法基于模式分类，利用目标和杂波之间的特征差异，实现目标检测。传统的特征提取算法和分类器采用的浅层结构尚未充分利用雷达目标原始数据，容易忽略数据中的隐藏信息。而基于深度学习的特征提取方法，能够提取表层和隐藏特征，从而提高检测的准确率。文献[16]结合自动编码器和CNN，提取出深层次的特征信息。文献[17]利用循环神经网络捕获时频分布矩阵的潜在序列相关性特征。
雷达一维信号可视为时间序列，反映了目标或者散射点回波强度随时间的变化。文献[18]利用循环神经网络(Recurrent Neural Networks, RNN)在时间序列处理上的优势，采用长短时记忆网络(Long Short-Term Memory networks, LSTM)对雷达信号进行预测和异常值检测，实现海杂波背景下的目标检测，如图4所示。此外，一维时间序列能够得到目标的时频图，反映回波频率随时间的变化，与目标运动特性密切相关。作者团队提出利用CNN对二维时频图像特征提取和分类的性能优势，采用训练后的CNN实现海面目标检测，并根据运动和微动特征对目标进行分类[18]。
海上微弱目标特性复杂多样，仅靠单一特征检测性能难以满足实际需求。作者团队利用双通道卷积神经网络捕捉目标和杂波在时域和频域上的多特征信息[19,20]，稳健检测的同时实现虚警可控。王治飞等人[21]基于神经网络模型RDF-ResNet，提取目标帧间多维特征，实现了在特征空间上对虚警的抑制和检测率的有效提升，如图5所示。
针对雷达高维数据的处理，经典CNN的目标检测方法仅利用信号样本特征，信号的时间空间信息未有效利用。相比于CNN，在特征提取方面，GCN可提取数据集中各样本之间拓扑结构等关系信息，进而在属性意图推理方面，便于对多维数据进行联合分析推理。文献[12,22,23]将雷达信号转换为具有图结构的数据，保留各检测样本之间时间、空间关联信息，然后，通过图卷积网络学习和提取各检测样本特征和相邻样本特征，降低远离目标区域的虚警，雷达多维数据图结构的构建示意图如图6所示。
2.4 阵列雷达信号处理
雷达阵列信号处理是从噪声和干扰中检测有用信号，估计信号波形，对接收的信号与噪声进行时空谱估计，估计信号到达方向，对信号源定位，主要包括波束形成、波形设计、参数估计。自适应波束形成技术用于优化波束指向，以增强对微弱目标的探测，提高信噪比。现有的波束形成技术多为局部最优解，且由于复杂的矩阵运算和迭代，需要大量的计算量。为此，文献[24,25]提出了基于深度学习的快速波束成形设计方法，有效地计算出适应当前环境的权矢量，从而实现更快速、实时的波束形成，无需复杂的操作和迭代。丁梓航等人[26]提出了一种基于GAN的多输入多输出(Multiple Input Multiple Output, MIMO)雷达协方差矩阵数据恢复方法，实验结果如图7所示。结果表明，完整协方差矩阵和恢复协方差矩阵对应形成的波束方向图几乎一致，极大程度保留了MIMO雷达的抗干扰性能，而缺失协方差矩阵对应的波束方向图产生了巨大的畸变。
在雷达波形及阵列设计方面，深度学习主要应用于以下方面：(1)以频谱共享为目的的发射功率谱设计。基于深度学习提取频谱中不断变化的干扰行为特征，识别出干净的频谱，对波形进行调整以最适应当前的频谱环境[27]。(2)MIMO雷达发射波形设计与优化。如基于深度学习在恒模约束下，最小化全部指标的加权等[28]。(3)MIMO雷达子阵设计与优化。文献[29]基于CNN构建了分类框架，根据目标环境变化选择最佳的天线子阵列来发射和接收信号。
根据观测数据对未知参数进行估计，通常是与概率模型相关的一些固定的未知量，涉及对微弱目标的位置、速度、径向速度、散射截面等参数的准确估计，从而实现对微弱目标的精确探测、跟踪和识别。常用的参数估计方法包括最大似然估计、最大后验估计和矩估计。传统的参数估计方法较少利用时序信息，文献[30]利用双向长短时记忆网络(Bidirectional Long Short-Term Memory, BLSTM)，学习信号复杂的内在规律，提取多个参数之间的耦合关系，反演得到雷达信号真实参数。针对时频变换中存在的测不准原理，文献[31]构建基于时频分析和深度学习的目标检测模型，对调频信号的参数进行估计。
3. 基于深度学习的雷达微弱目标图像处理
微弱目标图像主要是指雷达图像中受到噪声、杂波和干扰的影响，以及目标本身像素较少的原因，导致目标图像微弱。本节分别以扫描雷达低分辨平面位置显示(Plain Position Indicator, PPI)图像、高分辨合成孔径雷达(Synthetic Aperture Radar, SAR)图像以及信号特征形成的特征图像等为例，介绍该领域的研究进展。
3.1 雷达低分辨率PPI图像处理
雷达扫描模式得到的回波信号为二维方位-距离矩阵，转换为PPI图像后相较于雷达的一维回波序列，在数据形式上包含了空间相关性，利用深度学习网络提取特征能够得到更加充分的特征信息，为改善复杂背景环境下弱目标检测性能提供了新的途径。传统检测方法，如CFAR处理，仅考虑回波强度而忽略了目标的结构轮廓信息。此外，海尖峰等强杂波问题可能会带来低SCR，严重影响雷达目标检测。
目前，该领域研究主要侧重于杂波抑制和目标检测两个方面。杂波抑制方面，作者团队基于GAN网络设计了新型海杂波抑制生成对抗网络(Sea Clutter Suppression Generative Adversarial Network, SCS-GAN)[11]，设计了残差网络和注意力模块，如图8所示，包括残差注意力生成器(Residual Attention Generator, RAG)和海杂波鉴别器(Sea Clutter Discriminator, SCD)。RAG能够将输入的图像中的海杂波抑制掉生成无海杂波图像，SCD能够判别输入的生成图像的真假，SCS-GAN通过生成器和判别器的协同对抗训练提升对于海杂波抑制的能力。能够在保证目标的完整性的同时对于各级海况的不同背景杂波都能达到良好的抑制性能。开发了对海雷达智能信息处理开发平台，实时采集导航雷达数据进行处理，比较传统算法和深度学习算法的性能。图9给出了SCS-GAN在5级海况条件下(台风)的海杂波抑制结果，可以看出近程强海杂波抑制明显，且海上目标得到完整保留。另外还提出了杂波抑制和目标检测融合网络(Integrated Network, INet)[32]，通过注意力网络抑制杂波并增强目标等操作，与传统双参数CFAR和二维单元平均CFAR(Cell Averaging CFAR, CA-CFAR)目标检测算法相比在提高检测概率、降低虚警率和泛化能力具有明显优势，对杂波中目标图像具有增强作用。
图 9 对海雷达智能信息处理开发平台实时海杂波抑制对比结果(SCS-GAN，台风5级海况)Figure 9. Comparison results of real-time sea clutter suppression for the development platform of intelligent information processing for sea radar (SCS-GAN, Typhoon 5 sea state)目标检测方面，图像中的背景通常是复杂的，可能包含各种纹理和结构。微弱目标可能与背景非常相似，难以将它们从背景中分离出来。深度学习方法训练模型来检测微弱目标，这些模型可以自动学习目标的特征和背景的区别，从而提高检测的准确性。将雷达回波转换成P显图像，构建训练集如图10所示，然后基于目标感兴趣区域(Region of Interest, ROI)和区域的卷积神经网络(Region-Convolutional Neural Network, R-CNN)提出了Precise ROI-Faster R-CNN目标检测模型进行训练[33]，完成目标检测，具体流程如图11所示。文献[34,35]还提出了Radar-PPInet，以及基于区域卷积神经网络(Marine-Faster R-CNN)算法，从锚点尺度、多目标检测、数据样本平衡性、尺度归一化等方面优化Faster R-CNN，更适合微弱目标检测。图12显示了Faster R-CNN和Radar-PPInet对不同环境下单幅雷达PPI图像的检测结果，Radar-PPInet改进了网络结构的感受范围和注意力分布，通过多次重用卷积后的特征图，即多次上下采样和残差堆叠，进一步提高了网络的训练效率。
3.2 雷达高分辨率SAR图像处理
随着雷达距离和方位分辨率不断提升，能够得到高分辨二维SAR图像，但是，在复杂的背景影响下，微弱目标在SAR图像中模糊，检测效果难以满足实际需求。传统检测方法使用CFAR算法实现图像分割和候选目标定位。然而CFAR检测器只考虑像素对比度而忽略了目标的结构信息。另一种是基于多特征的方法，如几何结构、扩展分形、小波系数等[36]。
虽然深度学习模型在目标检测方面取得成功，但由于雷达目标特征图上的信息较少，感兴趣区域包含的信息有限和扭曲，仍然很难检测到微弱目标。目前该领域的几个典型工作有：(1)训练样本不足条件下的检测问题，文献[37]通过利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测，最终呈现出不错的结果。(2)复杂背景下的SAR图像船舰目标检测，如近海岸港口背景下，位置相近舰船目标无法被准确提取特征信息，造成近海岸的舰船目标出现漏检、误检的情况。有学者以标准的Faster R-CNN作为基本结构，并在特征聚合、模型迁移、损失函数等方面进行创新[38]。文献[39]构建了一种CenterNet，通过关键点估计来定位目标的中心点，可以有效避免小目标及弱目标的漏检；引入了空间洗牌组增强(Spatial Shuffle-group Enhance, SSE)注意力模块，在抑制部分噪声的同时，提取更强的语义特征，以减少近海和内陆干扰造成的误报。其具体效果如图13所示。(3)特征的稳健提取问题，传统SAR图像检测算法需要人工设计特征且鲁棒性较差。文献[40]提出了一种改进型的SAR图像飞机检测算法，以Faster R-CNN为检测框架，利用改进Kmeans算法设计更合理的先验锚点框，以适应目标的形状特点；借鉴inception模块思想，设计多路不同尺寸卷积核以扩展网络宽度，增强对浅层特征的表达；引入Mask R-CNN算法中提出的RoiaLigon单元，消除特征图与原始图像的映射偏差。
为进一步提升雷达高分辨图像智能处理的性能，可在以下方面深入研究。(1)更高质量的图像重建。通过使用更复杂的深度学习模型和更大规模的数据集，可以实现更准确的图像重建和细节增强。(2)自主特征学习。通过自主学习特征，深度学习模型可以更好地适应复杂的图像场景，提高目标检测和识别的性能。(3)联合处理多模态数据。同时处理多模态数据，如SAR和光学图像的联合处理，提供更全面和丰富的信息，提高目标检测和分类的准确性。(4)鲁棒性和可解释性。未来的研究可能会集中于开发更稳健的模型，以及探索如何解释深度学习模型的决策过程，使其更易于被理解。
3.3 雷达特征图处理
在进行杂波抑制和目标检测后，仍需对微弱目标进行精细化特征提取，为目标分类和识别奠定基础。雷达特征图由雷达接收到的回波信号经过处理和分析得到。常见的雷达特征图，一方面是雷达回波处理形成的特征图：如一维高分辨距离像[18]；二维距离-方位图、距离-脉冲图、距离-多普勒图(Range-Doppler, R-D)、时频图、微多普勒图；三维空时谱图等。另一方面是人为计算构建的特征，如分形特征等[41]。由于雷达特征图中包含有目标信号特征的空间和时间信息，基于深度学习方法能够更好地提高特征挖掘能力、精细处理能力。本节主要以微多普勒(Micro-Doppler, M-D)的时频特征以及R-D图为例介绍。
3.3.1 微多普勒谱图处理
为了实现基于微多普勒效应的目标识别，通常从目标的微多普勒特征中提取某些判别特征。时频分析能将雷达回波信号中的微多普勒效应可视化，通过提取形状中的相应参数，就可以得到目标物体的微多普勒特征，进而用于分类识别，如图14所示的旋翼无人机微动时频图。对微弱目标进行M-D谱图处理有助于精细化提取微弱运动特征，分析微弱目标运动模式。作者团队在对海上目标回波信号进行建模分析后，建立了微动时频图数据集，先后采用LeNet, AlexNet和GoogLeNet这3种CNN模型对微动特征进行分类，进一步检测目标[42]，效果优于传统的动目标检测和支持向量机检测方法。
基于CNN分类的模型，大多利用卷积核的卷积操作，相当于将多种滤波器按照从粗略到精细化的特性从输入层的信息中进行特征学习，这类方法在多目标和复杂环境下，极易使网络模型学习到一些无用的特征信息，而忽略了更精细的有用特征，导致网络模型的过拟合以及泛化能力变差。文献[43]针对无人机和飞鸟等“低慢小”目标，提出一种基于多尺度神经网络的低慢小目标分类方法，将多尺度残差模块和压缩激励(Sequeeze Excitation, SE)模块相结合的神经网络模型，学习不同的感受野组合，并将有用的特征进行保留，对无效的特征信息进行抑制，提高了对微弱目标运动状态的分类精度，如图15所示。文献[44]基于GoogLeNet引入迁移学习模型，提取海面目标的微多普勒特征，改善了人工提取特征的局限性，如图16所示。
3.3.2 距离-多普勒谱图处理
雷达回波信号在快时间域经过匹配滤波后得到距离维信息，再对各距离单元进行慢时间域傅里叶变换后得到回波的R-D谱图。R-D谱图既有相参积累的得益，又反映了一定的运动特征，因此是微弱目标特性分析的重要手段。图17给出了高海况条件下海上目标的R-D图，一方面海杂波和噪声影响目标在R-D域中谱的峰值；另一方面，目标运动以及随海浪起伏，导致能量在R-D域中发散。为此，文献[45]提出一种联合脉压与Radon傅里叶变换的长时间相参积累方法，在快时间(脉内时间)与慢时间(脉间时间)维度上同时补偿脉内和脉间的多普勒频移，从而实现目标增益的最大化。
图 17 高海况条件下海上目标的距离-多普勒谱图Figure 17. Distance-Doppler spectra of targets at sea under high sea state conditions对微弱目标进行R-D谱图处理能够从雷达回波信号中获取微弱目标的关键信息，包括距离、速度、动态特性等，从而提高微弱目标的识别和分类能力。目前，基于深度学习的R-D谱图处理主要用于检测和分类。通过构建特定的雷达R-D谱图数据集，设计基于神经网络的不同雷达目标检测模型，提高目标检测性能[46−48]。文献[49]基于U-Net神经网络，使用R-D谱图数据集进行目标检测训练。宋海凌等人[50]基于R-D谱图数据集提出一种基于深度学习的雷达回波信号的目标检测识别方法(Asymmetric Detection CNN, AD-CNN)，如图18所示，利用R-D谱图的不同尺度特征和时序特征检测目标，结果如表1所示。文献[51]针对距离-多普勒图中的特征是随时间变化的特点，将3D-CNN应用于时变特征的3D表示，并实现了97%的分类准确率。雷达R-D谱图中的目标所占据的单元很少，而微弱目标检测面临着分辨率低、特征少、小样本等问题，因此利用R-D谱图还应结合其他特征如时频特征等，进一步提升检测和分类效果。
4. 基于深度学习的雷达微弱目标特征学习
4.1 特征提取
尽管现代雷达能够提供丰富的特征信息，但虚假目标数字合成技术的快速发展，使得各种假目标可以精确地模拟真实目标的运动轨迹、雷达散射截面积(Radar Cross Section, RCS)、几何结构、表面材料等特征。这使得传统基于特征信息的雷达目标识别变得困难甚至失效[52]。基于深度学习的特征提取技术可获得深层和多维特征，这些特征可以更全面地描述目标的特性，从而更好地区分真实目标和虚假目标，提高雷达目标识别的鲁棒性和准确性。
深度学习在雷达微弱目标特征提取方面的典型应用有：(1)目标一维距离像的特征。通常，微弱目标体型小，一维距离像的特征不明显。文献[53]将高分辨率雷达信号的物理生成机制与神经网络相结合，学习雷达信号中可以表征目标物理结构的潜在特征，从而提高目标分类准确率。(2)SAR图像目标的特征。通常，大尺度SAR图像中目标小、分辨率低导致提取的特征不明显。田野等人[54]提出了一种基于深度学习的多通道特征SAR城市建筑区域叠掩精确检测模型，如图19所示，通过自注意力机制有效提取全局特征和远距离特征。李毅等人[55]提出一种基于特征分解CNN的SAR图像目标检测方法，如图20所示，在特征提取模块对输入图像提取特征后，通过特征分解模块分解出鉴别特征和干扰特征。(3)目标时频图特征。通常，微弱目标回波弱，且当雷达驻留时间短时，难以获得高分辨率时频特征。王治飞等人[21]提出了一种基于目标帧间多维特征的目标检测方法及相应的神经网络模型，实现在时频图特征空间上对虚警的抑制。(4)强杂波、低信噪比下目标的特征。呙鹏程等人[56]提出将卷积注意力机制模块融入到新的网络中，提高特征提取的有效性和对重要特征的关注度。
4.2 特征融合
基于深度学习提取微弱目标的特征相较于传统方法提取的特征更精细化，但特征融合能够综合多种特征的优势，提高微弱目标分类与识别的准确性和鲁棒性。当前，主流的特征融合算法主要有基于稀疏表示理论的算法、基于贝叶斯决策理论的算法以及基于深度学习理论的算法[57]。传统特征融合方法是将特征提取模块输出的特征进行融合，未考虑各输入浅层特征之间的关系。基于深度学习理论的算法将多个神经网络得到的多类别特征进行融合，能够获得更多的目标信息，从而显著提高相应的分类与识别精度。文献[58]提出了基于散射中心特征和深层CNN特征的特征融合框架，提高了SAR图像中对微弱船舶目标的分类精度。
简单的特征融合方法是将多个特征向量连接起来或者取平均值，然而，这样会忽略掉一些重要的特征，无法处理不同特征之间的相关性。注意力机制则可以根据输入的上下文信息，动态地调整权重，使得模型更关注与当前任务相关的特征。在一些复杂场景中可能存在多个微弱目标，分类与识别能力受到雷达系统分辨率的限制，使目标分离和识别变得更加困难。周雪珂等人[59]从注意力机制角度出发，提出了一种SAR图像船舶检测神经架构搜索(Neural Architecture Search, NAS)的特征金字塔网络(Feature Pyramid Network, FPN)算法，采用多尺度特征融合与特征通道关系校准的策略，改善了分辨率较低SAR图像微弱目标的漏检问题，NAS-FPN热力图如图21所示。文献[60]将注意力机制合并到CNN中，提出多尺度局部全局特征融合网络，从空间和通道注意力角度增强SAR图像的微弱目标识别能力。
CNN难以在浅层堆叠时获取全局相关性，而Transformer结构具有较优的长程依赖关系表征能力，可以利用自注意机制提取局部相关性和全局相关性。为此，文献[61]提出了一种基于角度引导的Transformer特征融合网络，如图22所示，解决多站协同雷达中微弱目标识别问题。
4.3 基于特征学习的目标分类与识别
弱目标的分类与识别的主要挑战在于从回波信号中提取有用的特征，并将这些特征与预先定义的目标模型进行匹配。这是因为在弱目标场景下，目标信号可能非常微弱或与背景杂波混杂，使得特征提取和匹配变得更加复杂和困难。传统方法主要是基于信号处理和特征提取技术，例如，通过计算目标的协方差矩阵，将其与预先存储的参考目标的协方差矩阵进行匹配，从而实现目标分类；最邻近分类器基于目标的特征向量与已知目标特征的欧氏距离或其他距离度量来判断目标所属类别[62]；主成分分析通过线性变换将高维特征映射到低维空间，并保留大部分信息。
然而上述方法对于复杂场景和变化多样的目标效果有限。深度学习方法在处理大规模数据和复杂场景时有着显著的优势，用于识别的基本网络有LeNet, AlexNet, GoogLeNet, VGG, ResNet等网络，作者团队针对海上微动目标，使用实测的海杂波背景和仿真的微动数据作为数据集，通过采用LeNet, AlexNet和GoogLeNet这3种不同的CNN模型，实现了检测(二元分类)和多种微动类型的分类[63]，如图23所示。
经典AlexNet网络模型算法[64]被用于飞机尾涡的准确识别，也取得了不错的效果。针对多站协同雷达(High Resolution Range Profile, HRRP)目标识别问题，文献[61]提出了一种基于角度引导的Transformer融合网络，该网络以Transformer作为特征提取主体结构，提取单站HRRP的局部和全局特征。并在此基础上设计了3个新的辅助模块促进多站特征融合学习，角度引导模块、前级特征交互模块以及深层注意力特征融合模块。表2将上述用到的主流深度学习方法进行了总结和对比。
表 2 不同网络性能对比分析Table 2. Comparative analysis of different network performance网络模型 雷达特征 数据集 模型组成结构 适用条件 LeNet, AlexNet, GoogLeNet[63] 海上微动特征 仿真目标和实测海杂波(Intelligent pixel-processing, IPIX雷达) 基于LeNet, AlexNet, GoogLeNe模型的
检测与分类网络杂波背景下的雷达微动目标 AlexNet[64] 飞机尾涡特征 某机场40天内航班起飞的情况 基于AlexNet模型的识别网络 大气风场中尾涡 Transformer
融合网络[61]多站协同雷达HRRP特征 单部雷达采集的某一航线的5型目标回波 以Transformer作为特征提取主体结构，并在此基础上设计了3个新的辅助模块：角度引导模块、前级特征交互模块以及深层注意力特征融合模块 多站协同雷达目标 深度学习在雷达微弱目标特征学习方面发挥了重要作用，优势在于：(1)深度学习模型通常能够从数据中学习到更复杂、更抽象的特征，这对于微弱目标的检测尤为重要。(2)深度学习模型在处理微弱目标时具有较好的泛化能力，能够适应不同尺寸、姿态和背景的微弱目标。此外，一些针对微弱目标设计的特殊深度学习架构和改进的损失函数能够帮助模型更好地定位和识别微弱目标。(3)深度学习模型通常可以通过迁移学习从大规模数据集中学习到通用的特征，然后在微弱目标检测任务中进行微调，以提高检测性能。这些优势使得深度学习在微弱目标检测中具有广泛的应用前景。挑战在于：(1)底层特征缺乏语义信息，在现有的目标检测模型中，一般使用主干网络的底层特征检测微弱目标，但底层特征缺乏语义信息，给微弱目标的检测带来了一定的困难[65]。(2)微弱目标数据集匮乏，微弱目标RCS小、本身携带的特征少，雷达难以观测，微弱目标的数据集就变得难以获取。(3)易受复杂环境影响，在真实应用场景中，伴随环境变化、目标遮挡和目标尺度变化等情况。
5. 微弱目标雷达信息智能处理发展趋势
5.1 小样本雷达目标检测
雷达微弱目标检测需要适应各种恶劣天气和环境，及时准确地提供场景中每个实体目标的详细属性信息。然而，在实际应用中，有价值目标数量稀少、非合作以及特殊场景(如高海况、云雨雾等)情况少、数据采集成本高等，导致雷达微弱目标检测一直面临着小样本的问题。深度学习技术对大规模数据的需求较高，限制了其多场景的应用。因此，如何提升深度学习技术在小样本雷达目标检测和识别的性能，成为当前亟需解决的问题。在光学图像识别领域，主要集中在机器学习模型面对新类别少量样本的快速学习能力，代表性方法包括元学习、迁移学习和强化学习等。可尝试将上述技术引入雷达信息处理中，以提升深度学习模型在小样本情况下的性能。
5.1.1 迁移学习
迁移学习是一种机器学习方法，通过将知识从一个或多个源领域(通常为大样本数据集)迁移到目标领域(通常为小样本数据集)来改善目标领域任务的性能。模型迁移方法之所以有效，是因为预训练模型在源任务上学习到的通用特征和知识可以被迁移到目标任务中，从而帮助目标任务更快地收敛并提高学习效率。通过迁移学习，模型能够在先前任务中积累知识，将这些知识与目标任务的数据相结合，从而降低目标任务的训练难度，并在数据较少的情况下提升模型性能。
基于深度学习的目标检测通常假设训练数据和测试数据取自相同的分布。然而，当雷达传感器发生变化时，这种假设并不总是成立，并且在遇到这种分布不匹配时将导致性能下降。迁移学习将源传感器的标记数据中的知识转移到目标传感器的未标记数据中，基于域自适应的跨传感器迁移学习方法，可以提高未标记目标雷达数据的目标检测的跨传感器鲁棒性。图24给出了海杂波背景下动目标分类的迁移学习流程图，收集包含已标记动目标的源域数据和需要分类数据的目标域数据，选择并预处理预训练模型，设计迁移学习策略，通过验证集评估和分析结果优化模型。
图 24 海上微动目标分类迁移学习流程图Figure 24. Flowchart of migratory learning for target categorization of marine micro-motion海杂波中的弱目标检测一直是雷达目标检测领域的热门研究课题。缺乏真实数据、历史数据未得到充分利用、各种因素的干扰以及收集真实数据的成本高是处理海杂波数据的常见问题。文献[66]提出了基于迁移学习的海上目标识别方法，利用以前收集的数据和几个新样本的知识来显著改善目标检测结果。该方法结合了TrAdaBoost和支持向量机，其中，TrAdaBoost算法是一种经典的实例传输方法，其基本思想是从源域数据中确定有效数据，即过滤掉与目标域不匹配的数据，利用AdaBoost方法建立权重调整机制，增加有效数据权重，减少无效数据权重。在检测目标任务中，使用1993年(源数据)和1998年(目标数据)的真实海杂波数据集来验证该方法。结果表明，所提方法能够有效地观测和检测海杂波中的目标。针对地面运动目标的真实SAR数据难获取、标记目标数据稀缺的问题，文献[67]在神经网络的损失函数中加入局部最大平均差(Local Maximum Mean Discrepancy, LMMD)作为测量方法，通过LMMD损失与整个网络的最终分类损失的联合优化，达到了良好的无监督域自适应效果。借鉴该方法的思路，我们给出了无人机微动识别网络结构如图25所示，每层卷积结构中均采用3×3卷积核来增大感受野，以提取有效特征；使用4×4池化核来实现重叠的最大池下采样图像；加入了批量归一化层，使得每一层数据归一化为标准高斯分布，可以使得梯度更好地反向传播，从而优化网络，加速模型的收敛速度。通过LMMD损失和整体网络最终分类损失的联合优化，获得无监督域自适应效果。
图 25 无人机微动特征识别深度迁移学习网络模型Figure 25. Deep transfer learning network model for micro-motion feature recognition of drones尽管迁移学习对雷达小样本目标检测具有许多优势，但也需要注意一些问题：领域差异、选择合适的源域、避免负迁移。综合考虑数据、模型和任务之间的关系，以便选择适当的方法和调整参数。针对雷达复合干扰信号种类越来越多以及训练样本过少难以令深度学习模型达到最优状态的问题，文献[68]提出一种在小样本下雷达复合干扰半监督迁移学习识别的方法， 将单一干扰信号作为源域并进行预训练，把通过预训练得到的特征提取器和分类器迁移到复合干扰数据集(目标域)上，并在目标域进行半监督方式的微调操作具有不错的识别效果。为了提升杂波幅度统计模型选择的准确率，文献[69]提出了一种加权再均衡分布适配的迁移学习方法，实现了仿真数据的信息向实测海杂波IPIX数据的迁移。
5.1.2 强化学习
强化学习(Reinforcement Learning, RL)侧重于教会智能体(也称为代理)通过与环境的交互学习如何采取行动，以最大化在一个动态环境中累积的奖励。这一方法与监督学习和无监督学习不同，因为强化学习的训练数据并不需要来自人工标注的数据集，而是通过与环境的互动来获得反馈信息。在强化学习中，智能体通过执行特定的动作来影响环境，并观察环境对其行为的反馈，通常以奖励或惩罚的形式。智能体执行动作影响环境，观察环境反馈(通常是奖励或惩罚)，目标是找到最佳策略以获取最大累积奖励。RL框架如图26所示，智能体与环境互动，通过深度学习提取环境状态特征，然后使用强化学习进行决策和动作执行，得到反馈后更新决策算法，迭代学习获得最大长期奖励策略。
图 26 深度强化学习原理框架图Figure 26. Diagram of the principle framework of deep reinforcement learning雷达微弱目标图像中，复杂背景和杂波对目标特征提取影响大。传统的深度目标检测算法生成许多不必要的候选框，在这种背景下会导致虚警，降低检测准确性。针对该问题，文献[70]基于Faster R-CNN检测模型，提出结合强化学习自适应候选框挑选的SAR目标检测方法，如图27所示。利用强化学习自适应搜索潜在目标区域并处理候选框，提升了传统深度学习目标检测性能。结合RL的大规模MIMO (Massive MIMO, MMIMO)认知雷达可以通过连续的“感知-动作”循环来增强动态环境中的目标检测能力[71]。通过引入领域知识的分析模型(雷达方程)和经验规则(专家偏好)，文献[72]提出了一种领域知识辅助RL，该算法在两种目标运动场景下进行了验证，结果表明，与基于等功率分配和近端策略优化的功率分配相比，具有更高的目标检测概率和更快的训练速度。
未来强化学习在雷达目标检测领域的发展将侧重于提高样本效率、实现零样本目标检测、多模态融合、自监督学习、路径规划和增强鲁棒性等方面。除迁移学习和强化学习之外，数据增强也是非常有效的途径[73]。
5.2 多维多特征融合检测
不同特征具有不同的区分能力和鲁棒性，通过多特征融合可以提供更丰富的目标信息，实现特征的优势互补，提高识别性能。同样地，不同通道雷达系统观测角度不同，可以提供目标的不同方向信息。通过多通道融合可以得到目标的全方位特征，提高识别效果。雷达微弱目标的回波信号受到杂波、噪声或其他因素影响，使得微弱目标信噪比很低。单一维度或特征不足以准确地检测和识别目标，多维多特征融合检测则可以提高对微弱目标的检测性能。作者团队提出了基于双通道卷积网络(Dual Channel Convolutional Neural Network, DCCNN)和虚警可控分类器的海上目标检测方法[20]，如图28所示。结果表明，与单通道CNN和定向梯度支持向量机(Hog-SVM)直方图分类相比，双通道CNN特征提取和softmax分类器的结合可以实现更高的性能和可控的虚警率。文献[33]还从雷达信号数据结构和维度出发，提出了多维雷达信号多通道融合的智能处理框架，通过多维特征的提取和多通道融合实现对多维雷达数据的检测和分类。
雷达信号处理发展的主要驱动是信号可利用维度的扩展，随着MIMO雷达[74]、数字阵雷达[75]、频率分级阵列(Frequency Diversity Array, FDA)雷达[76]等新体制雷达的发展，目标检测、跟踪与识别的信号空间由低维度向高维度演化，为信号处理提供了更多的自由度和维度，利用高维空间中目标与背景之间更大的差异性，从而为增强复杂背景中微弱目标的探测能力提供了新的途径。如何有效利用雷达多个维度的信息，使其更好地描述和表达海杂波和目标特性，成为亟待解决的关键问题。
5.3 雷达智能处理中的可解释性
5.3.1 网络模型的可解释性
深度学习技术在图像目标检测领域已经远超传统方法的性能。然而，其工作机理缺乏透明度和可解释性[77]。深度学习模型的解译是实现可靠、可信和透明的人工智能系统的重要基础。例如，旋翼无人机微动识别可解释性学习框架如图29所示。首先，将无人机的特征图像提供给深度学习模型进行训练，然后在深度学习的黑盒模型基础上，通过构建可解释的方法得出决策依据，同时反馈到黑盒模型提高模型的可解释性。推动可解释人工智能(Explainable Artificial Intelligence, XAI)的发展成为实现关键任务应用落地的重要问题。
图 29 无人机微动识别的可解释性学习框架Figure 29. Interpretable learning framework for drone micro-motion recognition目前，构建雷达微弱目标处理内在可解释性的神经网络的方法大致有以下几个途径：(1)基于注意力模型。通过可视化注意力权重，可以理解模型对输入中的哪些部分更加关注，有助于模型解释和可解释性的提升。(2)浅层统计模型的深度化。将统计学习模型融入到深度学习网络中，在拥有更强学习能力的同时具有一定的可解释性。(3)结合物理模型。将真实世界的物理规律融入神经网络模型中，可以使模型更贴近实际应用场景，并且遵循一定的可解释性原则，如在海杂波数据中引入电磁计算结果或统计分布模型，实现预测结果的物理一致性。未来，通过可视化解释、特征重要性分析、神经网络解构解释、规则生成和可解释性模型设计等手段，可以提高深度学习模型在雷达上的可解释性，从而增强模型的可信度和可用性。
5.3.2 知识-数据联合驱动
不同于传统的数据驱动方法需要海量的训练样本，也区别于完全依靠人类经验总结推导的物理模型，知识-数据联合驱动的神经网络模型旨在同时高效利用数据中隐含的模式和现有物理模型中高度凝练的人类知识，如引入先验知识、雷达特性认知结果等信息，可以指导模型进行特征学习和推理，从而增强特征的表示能力并提升模型的解释性，并减少对标记样本的依赖[78]。二者在对数据量的需求和对知识的利用上可以形成互补，如图30所示。
现阶段雷达杂波抑制与目标检测智能处理技术通常只单一利用专家知识或数据分布，缺少两者的交互与补全。例如，基于知识推导的雷达海杂波理论模型基于某些假设和近似，在复杂海况下难以准确构建完备的海杂波数据。针对建模复杂的海杂波物理模型，数据驱动的方法可以对其实现模拟或替代、自动挖掘杂波新模式、估计杂波参数等，并利用已知的理论模型在网络学习优化过程中作为约束，防止网络学习到违背物理认知的结果。例如，针对基于深度学习的海面目标检测技术当前面临的对标注样本需求高、可解释性弱的不足，合理利用已有的信号处理模型引导深度神经网络进行自主学习，充分发挥大量无标记样本的作用，获得泛化能力更强且具备物理感知能力的模型，并保证预测结果的物理一致性。
近年来，有学者提出了Physics-informed Machine Learning的概念，通过将物理知识融入深度学习模型解决逆问题和病态问题。与之类似的概念还有“知识引导的数据科学”，从模型设计、优化策略等角度提出了一些将知识融入深度神经网络的思路，例如将物理过程的偏微分方程融入网络架构设计，引入概率模型将物理定律转为知识先验，从而提升模型性能、加快求解速度、改善泛化能力[79]。在知识驱动和数据驱动相结合的后深度学习时代，可解释的内在物理机理与可学习的深度神经网络能够相互优势互补，为未来提供了广阔的发展前景。关键挑战在于如何构建和有效地表达目标及背景的先验知识，并融入到深度学习模型中，实现有效的“人在环”的协同计算。
6. 结语
本文对基于深度学习的微弱目标雷达信息处理的方法进行了综合分析，重点介绍了深度学习与雷达信号处理(噪声与杂波抑制、目标信号增强、雷达目标检测以及阵列雷达信号处理)、深度学习与雷达图像处理(低、高分辨图像以及特征图)、深度学习与分类和识别(特征提取与融合)等方面的技术与应用，通过总结传统方式的不足和当前的难点，对比凸显深度学习方法的优势。最后，对未来雷达信息处理的发展趋势和展望进行了讨论，包括小样本目标检测问题、多维多通道特征融合检测、可解释人工智能、知识-数据联合驱动等。微弱目标特性复杂，所涉及研究领域广泛，本文侧重于杂波背景和海上弱小目标的信号、图像和特征智能化处理，未能完全覆盖其他领域。未来，可将传统模型驱动方法(统计、变换、特征等)与数据驱动的深度学习相结合，发挥各自特长和优势，提升雷达复杂背景下微弱目标的检测和分类能力。
-
图 9 对海雷达智能信息处理开发平台实时海杂波抑制对比结果(SCS-GAN，台风5级海况)
Figure 9. Comparison results of real-time sea clutter suppression for the development platform of intelligent information processing for sea radar (SCS-GAN, Typhoon 5 sea state)
图 17 高海况条件下海上目标的距离-多普勒谱图
Figure 17. Distance-Doppler spectra of targets at sea under high sea state conditions
图 24 海上微动目标分类迁移学习流程图
Figure 24. Flowchart of migratory learning for target categorization of marine micro-motion
图 25 无人机微动特征识别深度迁移学习网络模型
Figure 25. Deep transfer learning network model for micro-motion feature recognition of drones
图 26 深度强化学习原理框架图
Figure 26. Diagram of the principle framework of deep reinforcement learning
图 29 无人机微动识别的可解释性学习框架
Figure 29. Interpretable learning framework for drone micro-motion recognition
表 1 舰船、干扰检测识别准确率(%)[50]
Table 1. Ship and interference detection and identification accuracy (%)[50]
模型名称 舰船 干扰 平均 恒虚警率检测方法CA-CFAR 84.2 80.4 82.3 自适应阈值分割OTSU 88.3 83.9 86.1 卷积网络CNN 97.1 87.7 92.4 非对称检测卷积神经网络AD-CNN 99.5 94.1 96.8 非对称检测卷积神经网络AD-CNN (Efficient) 99.6 94.4 97.0 
下载: 导出CSV
表 2 不同网络性能对比分析
Table 2. Comparative analysis of different network performance
网络模型 雷达特征 数据集 模型组成结构 适用条件 LeNet, AlexNet, GoogLeNet[63] 海上微动特征 仿真目标和实测海杂波(Intelligent pixel-processing, IPIX雷达) 基于LeNet, AlexNet, GoogLeNe模型的
检测与分类网络杂波背景下的雷达微动目标 AlexNet[64] 飞机尾涡特征 某机场40天内航班起飞的情况 基于AlexNet模型的识别网络 大气风场中尾涡 Transformer
融合网络[61]多站协同雷达HRRP特征 单部雷达采集的某一航线的5型目标回波 以Transformer作为特征提取主体结构，并在此基础上设计了3个新的辅助模块：角度引导模块、前级特征交互模块以及深层注意力特征融合模块 多站协同雷达目标
下载: 导出CSV
-
[1] 金亚秋. 多模式遥感智能信息与目标识别: 微波视觉的物理智能[J]. 雷达学报, 2019, 8(6): 710–716. doi: 10.12000/JR19083.JIN Yaqiu. Multimode remote sensing intelligent information and target recognition: Physical intelligence of microwave vision[J]. Journal of Radars, 2019, 8(6): 710–716. doi: 10.12000/JR19083. [2] 王俊, 郑彤, 雷鹏, 等. 深度学习在雷达中的研究综述[J]. 雷达学报, 2018, 7(4): 395–411. doi: 10.12000/JR18040.WANG Jun, ZHENG Tong, LEI Peng, et al. Study on deep learning in radar[J]. Journal of Radars, 2018, 7(4): 395–411. doi: 10.12000/JR18040. [3] 杨建宇. 雷达技术发展规律和宏观趋势分析[J]. 雷达学报, 2012, 1(1): 19–27. doi: 10.3724/SP.J.1300.2013.20010.YANG Jianyu. Development laws and macro trends analysis of radar technology[J]. Journal of Radars, 2012, 1(1): 19–27. doi: 10.3724/SP.J.1300.2013.20010. [4] 王珽, 赵晨, 陈泽宗, 等. 基于DnCNN网络的高频地波雷达海洋回波谱去噪方法研究[C]. 第十八届全国电波传播年会论文集, 青岛, 2023: 4–8. doi: 10.26914/c.cnkihy.2023.050865.WANG Ting, ZHAO Chen, CHEN Zezong, et al. Research on denoising method of high frequency ground wave radar ocean echo spectrum based on DnCNN network[C]. The 18th National Conference on Radio Wave Propagation, Qingdao, China, 2023: 4–8. doi: 10.26914/c.cnkihy.2023.050865. [5] YE Xin, QIAN Jiang, WANG Lu, et al. Noise suppression of ISAR micro cluster targets based on Generated Adversarial Network[C]. 2021 CIE International Conference on Radar (Radar), Haikou, China, 2021: 704–707. doi: 10.1109/Radar53847.2021.10028484. [6] HU Minghuan, MAO Jiandong, LI Juan, et al. A novel lidar signal denoising method based on convolutional autoencoding deep learning neural network[J]. Atmosphere, 2021, 12(11): 1403. doi: 10.3390/atmos12111403. [7] 施端阳, 林强, 胡冰, 等. 遗传算法优化神经网络的雷达杂波抑制方法[J]. 现代防御技术, 2021, 49(6): 74–83. doi: 10.3969/j.issn.1009-086x.2021.06.011.SHI Duanyang, LIN Qiang, HU Bing, et al. Radar clutter suppression method based on neural network optimized by genetic algorithm[J]. Modern Defence Technology, 2021, 49(6): 74–83. doi: 10.3969/j.issn.1009-086x.2021.06.011. [8] 施端阳, 林强, 胡冰, 等. 基于LVQ神经网络的雷达杂波抑制方法[J]. 火力与指挥控制, 2023, 48(4): 37–44. doi: 10.3969/j.issn.1002-0640.2023.04.006.SHI Duanyang, LIN Qiang, HU Bing, et al. Radar clutter suppression method based on LVQ neural network[J]. Fire Control Command & Control, 2023, 48(4): 37–44. doi: 10.3969/j.issn.1002-0640.2023.04.006. [9] TANG Xianhui, LI Dong, CHENG Wanru, et al. A novel sea clutter suppression method based on deep learning with exploiting time-frequency features[C]. The IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2021: 2548–2552. doi: 10.1109/IAEAC50856.2021.9390660. [10] WANG Yumiao, ZHAO Wenjing, WANG Xiang, et al. Nonhomogeneous sea clutter suppression using complex-valued U-Net model[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4027705. doi: 10.1109/LGRS.2022.3214633. [11] MOU Xiaoqian, CHEN Xiaolong, GUAN Jian, et al. Sea clutter suppression for Radar PPI images based on SCS-GAN[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(11): 1886–1890. doi: 10.1109/LGRS.2020.3012523. [12] SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Maritime target detection based on radar graph data and graph convolutional network[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4019705. doi: 10.1109/LGRS.2021.3133473. [13] 耿常青, 杨承志, 吴宏超, 等. 基于卷积神经网络的微弱雷达信号增强技术研究[J]. 战术导弹技术, 2018(6): 101–105. doi: 10.16358/j.issn.1009-1300.2018.8.108.GENG Changqing, YANG Chengzhi, WU Hongchao, et al. Research on weak radar signal enhancement technology based on convolutional neural network[J]. Tactical Missile Technology, 2018(6): 101–105. doi: 10.16358/j.issn.1009-1300.2018.8.108. [14] 苏琮智, 吴宏超, 杨承志, 等. 基于RSETransformer的低截获概率雷达信号增强[J]. 战术导弹技术, 2022(5): 44–54. doi: 10.16358/j.issn.1009-1300.20220096.SU Congzhi, WU Hongchao, YANG Chengzhi, et al. LPI radar signal enhancement based on RSETransformer[J]. Tactical Missile Technology, 2022(5): 44–54. doi: 10.16358/j.issn.1009-1300.20220096. [15] 曹鹏宇, 杨承志, 石礼盟, 等. 基于DAE-GAN网络的LPI雷达信号增强[J]. 系统工程与电子技术, 2021, 43(9): 2493–2500. doi: 10.12305/j.issn.1001-506X.2021.09.16.CAO Pengyu, YANG Chengzhi, SHI Limeng, et al. LPI radar signal enhancement based on DAE-GAN network[J]. Systems Engineering and Electronics, 2021, 43(9): 2493–2500. doi: 10.12305/j.issn.1001-506X.2021.09.16. [16] KONG Yameng, FENG Dejun, and ZHANG Jiang. Radar HRRP target recognition based on composite deep networks[C]. 2022 International Applied Computational Electromagnetics Society Symposium (ACES-China), Xuzhou, China, 2022: 1–5. doi: 10.1109/ACES-China56081.2022.10064953. [17] TANG Tao, WANG Cai, and GAO Meiguo. Radar target recognition based on micro-doppler signatures using recurrent neural network[C]. The IEEE 4th International Conference on Electronics Technology (ICET), Chengdu, China, 2021: 189–194. doi: 10.1109/ICET51757.2021.9450934. [18] 苏宁远, 陈小龙, 关键, 等. 基于深度学习的海上目标一维序列信号目标检测方法[J]. 信号处理, 2020, 36(12): 1987–1997. doi: 10.16798/j.issn.1003-0530.2020.12.004.SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. One-dimensional sequence signal detection method for marine target based on deep learning[J]. Journal of Signal Processing, 2020, 36(12): 1987–1997. doi: 10.16798/j.issn.1003-0530.2020.12.004. [19] 苏宁远, 陈小龙, 陈宝欣, 等. 雷达海上目标双通道卷积神经网络特征融合智能检测方法[J]. 现代雷达, 2019, 41(10): 47–52, 57. doi: 10.16592/j.cnki.1004-7859.2019.10.009.SU Ningyuan, CHEN Xiaolong, CHEN Baoxin, et al. Dual-channel convolutional neural networks feature fusion method for radar maritime target intelligent detection[J]. Modern Radar, 2019, 41(10): 47–52, 57. doi: 10.16592/j.cnki.1004-7859.2019.10.009. [20] CHEN Xiaolong, SU Ningyuan, HUANG Yong, et al. False-alarm-controllable radar detection for marine target based on multi features fusion via CNNs[J]. IEEE Sensors Journal, 2021, 21(7): 9099–9111. doi: 10.1109/JSEN.2021.3054744. [21] 王治飞, 于俊朋, 杨予昊, 等. 基于帧间多维特征的深度学习雷达目标检测技术[J]. 现代雷达, 2022, 44(12): 48–54. doi: 10.16592/j.cnki.1004-7859.2022.12.007.WANG Zhifei, YU Junpeng, YANG Yuhao, et al. Radar target detection with multi-frame multi-dimensional features based on deep learning[J]. Modern Radar, 2022, 44(12): 48–54. doi: 10.16592/j.cnki.1004-7859.2022.12.007. [22] SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Graph data and GCN based maritime target detection of multi-frame scanning radar[C]. 2023 IEEE International Radar Conference (RADAR), Sydney, Australia, 2023: 1–5. doi: 10.1109/RADAR54928.2023.10371140. [23] 许述文, 焦银萍, 白晓惠, 等. 基于频域多通道图特征感知的海面小目标检测[J]. 电子与信息学报, 2023, 45(5): 1567–1574. doi: 10.11999/JEIT220188.XU Shuwen, JIAO Yinping, BAI Xiaohui, et al. Small target detection based on frequency domain multichannel graph feature perception on sea surface[J]. Journal of Electronics & Information Technology, 2023, 45(5): 1567–1574. doi: 10.11999/JEIT220188. [24] HUANG Hao, PENG Yang, YANG Jie, et al. Fast beamforming design via deep learning[J]. IEEE Transactions on Vehicular Technology, 2020, 69(1): 1065–1069. doi: 10.1109/TVT.2019.2949122. [25] 任燕飞, 杜盈, 张劲东. 基于深度神经网络的自适应波束形成算法[J]. 电讯技术, 2022, 62(7): 852–858. doi: 10.3969/j.issn.1001-893x.2022.07.002.REN Yanfei, DU Ying, and ZHANG Jindong. An adaptive beamforming algorithm based on deep neural network[J]. Telecommunication Engineering, 2022, 62(7): 852–858. doi: 10.3969/j.issn.1001-893x.2022.07.002. [26] 丁梓航, 谢军伟, 王博. 基于深度学习的FDA-MIMO雷达协方差矩阵缺失数据恢复方法[J]. 雷达学报, 2023, 12(5): 1112–1124. doi: 10.12000/JR23002.DING Zihang, XIE Junwei, and WANG Bo. Missing covariance matrix recovery with the FDA-MIMO radar using deep learning method[J]. Journal of Radars, 2023, 12(5): 1112–1124. doi: 10.12000/JR23002. [27] THORNTON C E, KOZY M A, BUEHRER R M, et al. Deep reinforcement learning control for radar detection and tracking in congested spectral environments[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 6(4): 1335–1349. doi: 10.1109/TCCN.2020.3019605. [28] HU Jinfeng, WEI Zhiyong, LI Yuzhi, et al. Designing unimodular waveform(s) for MIMO radar by deep learning method[J]. IEEE Transactions on Aerospace and Electronic Systems, 2021, 57(2): 1184–1196. doi: 10.1109/TAES.2020.3037406. [29] ELBIR A M, MISHRA K V, and ELDAR Y C. Cognitive radar antenna selection via deep learning[J]. IET Radar, Sonar & Navigation, 2019, 13(6): 871–880. doi: 10.1049/iet-rsn.2018.5438. [30] 王超, 孙丽婷, 王翔, 等. 基于脉内线性调频的雷达脉冲分裂信号分选与参数估计[J]. 信号处理, 2023, 39(7): 1222–1232. doi: 10.16798/j.issn.1003-0530.2023.07.009.WANG Chao, SUN Liting, WANG Xiang, et al. Deinterleaving and parameter estimation methods of radar signal with pulse splitting based on intra-pulse linear frequency modulation[J]. Journal of Signal Processing, 2023, 39(7): 1222–1232. doi: 10.16798/j.issn.1003-0530.2023.07.009. [31] 韩文草. 基于深度学习的雷达信号检测与参数估计[D]. [硕士论文], 杭州电子科技大学, 2023. doi: 10.27075/d.cnki.ghzdc.2022.000329.HAN Wencao. Radar signal detection and parameter estimation based on deep learning[D]. [Master dissertation], Hangzhou Dianzi University, 2023. doi: 10.27075/d.cnki.ghzdc.2022.000329. [32] 牟效乾, 陈小龙, 关键, 等. 基于INet的雷达图像杂波抑制和目标检测方法[J]. 雷达学报, 2020, 9(4): 640–653. doi: 10.12000/JR20090.MOU Xiaoqian, CHEN Xiaolong, GUAN Jian, et al. Clutter suppression and marine target detection for radar images based on INet[J]. Journal of Radars, 2020, 9(4): 640–653. doi: 10.12000/JR20090. [33] 陈小龙, 牟效亁, 关键. 对海雷达多维图像特征融合智能检测方法[J]. 太赫兹科学与电子信息学报, 2022, 20(10): 1006–1016. doi: 10.11805/TKYDA2022119.CHEN Xiaolong, MU Xiaoqian, and GUAN Jian. Detection method of multi-dimensional images feature intelligent fusion for marine radar[J]. Journal of Terahertz Science and Electronic Information Technology, 2022, 20(10): 1006–1016. doi: 10.11805/TKYDA2022119. [34] CHEN Xiaolong, GUAN Jian, MU Xiaoqian, et al. Multi-dimensional automatic detection of scanning radar images of marine targets based on radar PPInet[J]. Remote Sensing, 2021, 13(19): 3856. doi: 10.3390/rs13193856. [35] CHEN Xiaolong, MU Xiaoqian, GUAN Jian, et al. Marine target detection based on Marine-Faster R-CNN for navigation radar PPI images[J]. Frontiers of Information Technology & Electronic Engineering, 2022, 23(4): 630–643. doi: 10.1631/FITEE.2000611. [36] TAN Yihua, LI Qingyun, LI Yansheng, et al. Aircraft detection in high-resolution SAR images based on a gradient textural saliency map[J]. Sensors, 2015, 15(9): 23071–23094. doi: 10.3390/s150923071. [37] 杜兰, 刘彬, 王燕, 等. 基于卷积神经网络的SAR图像目标检测算法[J]. 电子与信息学报, 2016, 38(12): 3018–3025. doi: 10.11999/JEIT161032.DU Lan, LIU Bin, WANG Yan, et al. Target detection method based on convolutional neural network for SAR image[J]. Journal of Electronics & Information Technology, 2016, 38(12): 3018–3025. doi: 10.11999/JEIT161032. [38] 李健伟, 曲长文, 彭书娟, 等. 基于卷积神经网络的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2018, 40(9): 1953–1959. doi: 10.3969/j.issn.1001-506X.2018.09.09.LI Jianwei, QU Changwen, PENG Shujuan, et al. Ship detection in SAR images based on convolutional neural network[J]. Systems Engineering and Electronics, 2018, 40(9): 1953–1959. doi: 10.3969/j.issn.1001-506X.2018.09.09. [39] CUI Zongyong, WANG Xiaoya, LIU Nengyua, et al. Ship detection in large-scale SAR images via spatial shuffle-group enhance attention[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(1): 379–391. doi: 10.1109/TGRS.2020.2997200. [40] 李广帅, 苏娟, 李义红. 基于改进Faster R-CNN的SAR图像飞机检测算法[J]. 北京航空航天大学学报, 2021, 47(1): 159–168. doi: 10.13700/j.bh.1001-5965.2020.0004.LI Guangshuai, SU Juan, and LI Yihong. An aircraft detection algorithm in SAR image based on improved Faster R-CNN[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(1): 159–168. doi: 10.13700/j.bh.1001-5965.2020.0004. [41] 许述文, 白晓惠, 郭子薰, 等. 海杂波背景下雷达目标特征检测方法的现状与展望[J]. 雷达学报, 2020, 9(4): 684–714. doi: 10.12000/JR20084.XU Shuwen, BAI Xiaohui, GUO Zixun, et al. Status and prospects of feature-based detection methods for floating targets on the sea surface[J]. Journal of Radars, 2020, 9(4): 684–714. doi: 10.12000/JR20084. [42] 牟效乾, 陈小龙, 苏宁远, 等. 基于时频图深度学习的雷达动目标检测与分类[J]. 太赫兹科学与电子信息学报, 2019, 17(1): 105–111. doi: 10.11805/TKYDA201901.0105.MOU Xiaoqian, CHEN Xiaolong, SU Ningyuan, et al. Radar detection and classification of moving target using deep convolutional neural networks on time-frequency graphs[J]. Journal of Terahertz Science and Electronic Information Technology, 2019, 17(1): 105–111. doi: 10.11805/TKYDA201901.0105. [43] CHEN Xiaolong, ZHANG Hai, SONG Jie, et al. Micro-motion classification of flying bird rotor drones via data augmentation modified multi-scale CNN[J]. Remote Sensing, 2022, 14(5): 1107. doi: 10.3390/rs14051107. [44] 施赛楠, 董泽远, 杨静, 等. 基于时频图自主学习的海面小目标检测[J]. 系统工程与电子技术, 2021, 43(1): 33–41. doi: 10.3969/j.issn.1001-506X.2021.01.05.SHI Sainan, DONG Zeyuan, YANG Jing, et al. Sea-surface small target detection based on autonomic learning of time-frequency graph[J]. Systems Engineering and Electronics, 2021, 43(1): 33–41. doi: 10.3969/j.issn.1001-506X.2021.01.05. [45] 裴家正, 黄勇, 陈宝欣, 等. 联合脉压与Radon傅里叶变换的长时间相参积累方法[J]. 雷达学报, 2021, 10(6): 956–969. doi: 10.12000/JR21068.PEI Jiazheng, HUANG Yong, CHEN Baoxin, et al. Long time coherent integration method based on combining pulse compression and Radon-Fourier transform[J]. Journal of Radars, 2021, 10(6): 956–969. doi: 10.12000/JR21068. [46] PÉREZ R, SCHUBERT F, RASSHOFER R, et al. Deep learning radar object detection and classification for urban automotive scenarios[C]. 2019 Kleinheubach Conference, Miltenberg, Germany, 2019: 1–4. [47] WANG Chenxing, TIAN Jiangmin, and CAO Jiuwen. Deep learning-based UAV detection in pulse-Doppler radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5105612. doi: 10.1109/TGRS.2021.3104907. [48] 张暄, 高跃清. 基于卷积神经网络的雷达目标检测方法[J]. 计算机测量与控制, 2021, 29(2): 49–52, 57. doi: 10.16526/j.cnki.11-4762/tp.2021.02.011.ZHANG Xuan and GAO Yueqing. Radar target detection based on convolutional neural network[J]. Computer Measurement & Control, 2021, 29(2): 49–52, 57. doi: 10.16526/j.cnki.11-4762/tp.2021.02.011. [49] BRODESKI D, BILIK I, and GIRYES R. Deep radar detector[C]. 2019 IEEE Radar Conference (RadarConf), Boston, USA, 2019: 1–6. doi: 10.1109/RADAR.2019.8835792. [50] 宋海凌, 孙宇航, 何良, 等. 雷达回波信号的深度学习目标检测识别方法研究[J]. 战术导弹技术, 2021(2): 117–126. doi: 10.16358/j.issn.1009-1300.2021.9.114.SONG Hailing, SUN Yuhang, HE Liang, et al. Research on deep learning target detection and recognition method based on radar echo signal[J]. Tactical Missile Technology, 2021(2): 117–126. doi: 10.16358/j.issn.1009-1300.2021.9.114. [51] KIM Y, ALNUJAIM I, YOU S, et al. Human detection with range-Doppler signatures using 3D convolutional neural networks[C]. 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, USA, 2020: 2440–2442. doi: 10.1109/IGARSS39084.2020.9324052. [52] 张群, 胡健, 罗迎, 等. 微动目标雷达特征提取、成像与识别研究进展[J]. 雷达学报, 2018, 7(5): 531–547. doi: 10.12000/JR18049.ZHANG Qun, HU Jian, LUO Ying, et al. Research progresses in radar feature extraction, imaging, and recognition of target with micro-motions[J]. Journal of Radars, 2018, 7(5): 531–547. doi: 10.12000/JR18049. [53] LIAO Leiyao, DU Lan, and CHEN Jian. Interpretable deep probabilistic model for hrr radar signal and its application to target recognition[J]. IEEE Journal of Selected Topics in Signal Processing, 2022, 16(4): 775–790. doi: 10.1109/JSTSP.2022.3160241. [54] 田野, 丁赤飚, 张福博, 等. 一种基于深度学习的SAR城市建筑区域叠掩精确检测方法[J]. 雷达学报, 2023, 12(2): 441–455. doi: 10.12000/JR23033.TIAN Ye, DING Chibiao, ZHANG Fubo, et al. SAR building area layover detection based on deep learning[J]. Journal of Radars, 2023, 12(2): 441–455. doi: 10.12000/JR23033. [55] 李毅, 杜兰, 杜宇昂. 基于特征分解卷积神经网络的SAR图像目标检测方法[J]. 雷达学报, 2023, 12(5): 1069–1080. doi: 10.12000/JR23004.LI Yi, DU Lan, and DU Yuang. Convolutional neural network based on feature decomposition for target detection in SAR images[J]. Journal of Radars, 2023, 12(5): 1069–1080. doi: 10.12000/JR23004. [56] 吴礼洋, 呙鹏程, 刘超, 等. 基于注意力机制增强残差网络的雷达信号调制类型识别[J]. 兵工学报, 2023, 44(8): 2310–2318. doi: 10.12382/bgxb.2022.0302.WU Liyang, GUO Pengcheng, LIU Chao, et al. Radar signal modulation type recognition based on attention mechanism enhanced residual networks[J]. Acta Armamentarii, 2023, 44(8): 2310–2318. doi: 10.12382/bgxb.2022.0302. [57] BALTRUŠAITIS T, AHUJA C, and MORENCY L P. Multimodal machine learning: a survey and taxonomy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(2): 423–443. doi: 10.1109/TPAMI.2018.2798607. [58] ZHANG Jinsong, XING Mengdao, and XIE Yiyuan. FEC: A feature fusion framework for SAR target recognition based on electromagnetic scattering features and deep CNN features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(3): 2174–2187. doi: 10.1109/TGRS.2020.3003264. [59] 周雪珂, 刘畅, 周滨. 多尺度特征融合与特征通道关系校准的SAR图像船舶检测[J]. 雷达学报, 2021, 10(4): 531–543. doi: 10.12000/JR21021.ZHOU Xueke, LIU Chang, and ZHOU Bin. Ship detection in SAR images based on multi-scale features fusion and channel relation calibration of features[J]. Journal of Radars, 2021, 10(4): 531–543. doi: 10.12000/JR21021. [60] LIAN Xiaoqin, HUANG Xue, GAO Chao, et al. A multiscale local-global feature fusion method for SAR image classification with Bayesian hyperparameter optimization algorithm[J]. Applied Sciences, 2023, 13(11): 6806. doi: 10.3390/app13116806. [61] 郭帅, 陈婷, 王鹏辉, 等. 基于角度引导Transformer融合网络的多站协同目标识别方法[J]. 雷达学报, 2023, 12(3): 516–528. doi: 10.12000/JR23014.GUO Shuai, CHEN Ting, WANG Penghui, et al. Multistation cooperative radar target recognition based on an angle-guided Transformer fusion network[J]. Journal of Radars, 2023, 12(3): 516–528. doi: 10.12000/JR23014. [62] YU Xiaopeng and YU Xiaogao. The research on an adaptive k-nearest neighbors classifier[C]. The 5th IEEE International Conference on Cognitive Informatics, Beijing, China, 2006: 535–540. doi: 10.1109/COGINF.2006.365542. [63] 苏宁远, 陈小龙, 关键, 等. 基于卷积神经网络的海上微动目标检测与分类方法[J]. 雷达学报, 2018, 7(5): 565–574. doi: 10.12000/JR18077.SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Detection and classification of maritime target with micro-motion based on CNNs[J]. Journal of Radars, 2018, 7(5): 565–574. doi: 10.12000/JR18077. [64] 潘卫军, 段英捷, 张强, 等. 基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究[J]. 光电工程, 2019, 46(7): 190082. doi: 10.12086/oee.2019.190082.PAN Weijun, DUAN Yingjie, ZHANG Qiang, et al. Research on aircraft wake vortex recognition using AlexNet[J]. Opto-Electronic Engineering, 2019, 46(7): 190082. doi: 10.12086/oee.2019.190082. [65] 员娇娇, 胡永利, 孙艳丰, 等. 基于深度学习的小目标检测方法综述[J]. 北京工业大学学报, 2021, 47(3): 293–302. doi: 10.11936/bjutxb2020090019.YUAN Jiaojiao, HU Yongli, SUN Yanfeng, et al. Survey of small object detection methods based on deep learning[J]. Journal of Beijing University of Technology, 2021, 47(3): 293–302. doi: 10.11936/bjutxb2020090019. [66] YANG Yonghu, CHU Na, and LIU Zhenyu. Target detection in sea clutter based on transfer learning[C]. The IEEE 14th International Conference on Intelligent Systems and Knowledge Engineering (ISKE), Dalian, China, 2019: 795–799. doi: 10.1109/ISKE47853.2019.9170451. [67] LI Xuefei, WU Di, and ZHU Daiyin. Multi-channel SAR moving target detection based on simulation samples and transfer learning[C]. 2021 CIE International Conference on Radar (Radar), Haikou, China, 2021: 2054–2057. doi: 10.1109/Radar53847.2021.10028221. [68] 王金强, 孙闽红, 唐向宏, 等. 小样本下雷达复合干扰半监督迁移学习识别方法[J]. 电信科学, 2023, 39(10): 15–28. doi: 10.11959/j.issn.1000-0801.2023182.WANG Jinqiang, SUN Minhong, TANG Xianghong, et al. A semi-supervised transfer learning recognition method for radar compound jamming under small samples[J]. Telecommunications Science, 2023, 39(10): 15–28. doi: 10.11959/j.issn.1000-0801.2023182. [69] 杨立儒, 刘永祥, 杨威. 基于迁移学习的雷达杂波幅度统计模型选择[J]. 系统工程与电子技术, 2022, 44(8): 2457–2467. doi: 10.12305/j.issn.1001-506X.2022.08.09.YANG Liru, LIU Yongxiang, and YANG Wei. Radar clutter amplitude statistical model selection based on transfer learning[J]. Systems Engineering and Electronics, 2022, 44(8): 2457–2467. doi: 10.12305/j.issn.1001-506X.2022.08.09. [70] 杜兰, 王梓霖, 郭昱辰, 等. 结合强化学习自适应候选框挑选的SAR目标检测方法[J]. 雷达学报, 2022, 11(5): 884–896. doi: 10.12000/JR22121.DU Lan, WANG Zilin, GUO Yuchen, et al. Adaptive region proposal selection for SAR target detection using reinforcement learning[J]. Journal of Radars, 2022, 11(5): 884–896. doi: 10.12000/JR22121. [71] ZHAI Weitong, WANG Xiangrong, GRECO M S, et al. Weak target detection in massive MIMO radar via an improved reinforcement learning approach[C]. ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Singapore, Singapore, 2022: 4993–4997. doi: 10.1109/ICASSP43922.2022.9746472. [72] WANG Yuedong, LIANG Yan, ZHANG Huixia, et al. Domain knowledge-assisted deep reinforcement learning power allocation for MIMO radar detection[J]. IEEE Sensors Journal, 2022, 22(23): 23117–23128. doi: 10.1109/JSEN.2022.3211606. [73] 赵会盼, 刘环宇. 基于多模态数据融合学习网络的微弱目标群检测方法[J]. 空天防御, 2021, 4(3): 41–47. doi: 10.3969/j.issn.2096-4641.2021.03.006.ZHAO Huipan and LIU Huanyu. Low signature target group detection based on multimodal data learning fusion network[J]. Air & Space Defense, 2021, 4(3): 41–47. doi: 10.3969/j.issn.2096-4641.2021.03.006. [74] 陈小龙, 黄勇, 关键, 等. MIMO雷达微弱目标长时积累技术综述[J]. 信号处理, 2020, 36(12): 1947–1964. doi: 10.16798/j.issn.1003-0530.2020.12.001.CHEN Xiaolong, HUANG Yong, GUAN Jian, et al. Review of long-time integration techniques for weak targets using MIMO radar[J]. Journal of Signal Processing, 2020, 36(12): 1947–1964. doi: 10.16798/j.issn.1003-0530.2020.12.001. [75] 郭瑞, 张月, 田彪, 等. 全息凝视雷达系统技术与发展应用综述[J]. 雷达学报, 2023, 12(2): 389–411. doi: 10.12000/JR22153.GUO Rui, ZHANG Yue, TIAN Biao, et al. Review of the technology, development and applications of holographic staring radar[J]. Journal of Radars, 2023, 12(2): 389–411. doi: 10.12000/JR22153. [76] 陈小龙, 陈宝欣, 黄勇, 等. 频控阵雷达空距频聚焦信号处理方法[J]. 雷达学报, 2018, 7(2): 183–193. doi: 10.12000/JR18018.CHEN Xiaolong, CHEN Baoxin, HUANG Yong, et al. Frequency diverse array radar signal processing via space-range-Doppler focus (SRDF) method[J]. Journal of Radars, 2018, 7(2): 183–193. doi: 10.12000/JR18018. [77] 郭炜炜, 张增辉, 郁文贤, 等. SAR图像目标识别的可解释性问题探讨[J]. 雷达学报, 2020, 9(3): 462–476. doi: 10.12000/JR20059.GUO Weiwei, ZHANG Zenghui, YU Wenxian, et al. Perspective on explainable SAR target recognition[J]. Journal of Radars, 2020, 9(3): 462–476. doi: 10.12000/JR20059. [78] 罗迎, 倪嘉成, 张群. 基于“数据驱动+智能学习”的合成孔径雷达学习成像[J]. 雷达学报, 2020, 9(1): 107–122. doi: 10.12000/JR19103.LUO Ying, NI Jiacheng, and ZHANG Qun. Synthetic aperture radar learning-imaging method based on data-driven technique and artificial intelligence[J]. Journal of Radars, 2020, 9(1): 107–122. doi: 10.12000/JR19103. [79] 黄钟泠, 姚西文, 韩军伟. 面向SAR图像解译的物理可解释深度学习技术进展与探讨[J]. 雷达学报, 2022, 11(1): 107–125. doi: 10.12000/JR21165.HUANG Zhongling, YAO Xiwen, and HAN Junwei. Progress and perspective on physically explainable deep learning for synthetic aperture radar image interpretation[J]. Journal of Radars, 2022, 11(1): 107–125. doi: 10.12000/JR21165. 期刊类型引用(3)
1. 徐文静，刘杰，于君明，冯晓峰，范睿嘉，尹良. 基于极化对比增强和模板匹配的全极化SAR目标分类方法. 无线电工程. 2025(01): 138-145 . 
百度学术2. 何永鹏，杨艺，程志君，程洋，张陆进，王泉. 反辐射导弹发展的挑战、现状及展望. 空天防御. 2024(04): 38-46 . 百度学术3. 杨政，程永强，吴昊，杨阳，黎湘，王宏强. 基于流形变换的信息几何雷达目标检测方法. 电子与信息学报. 2024(11): 4317-4327 . 百度学术其他类型引用(0)
-
下载:
百度学术
计量
- 文章访问数: 3047
- HTML全文浏览量: 755
- PDF下载量: 1502
- 被引次数: 3
