基于自适应阈值卷积网络的抗干扰雷达目标识别

雷达高分辨距离像（High Resolution Range Profile,HRRP）是目标散射点的子回波沿雷达视线方向上的叠加，它包含着目标的大量结构信息。相比于二维雷达图像，HRRP 具有获取、存储和计算的便利性［1］。随着机器学习的发展，越来越多的研究人员在雷达自动目标识别（Radar Automatic Target Recognition,RATR）领域中采用深度学习算法，并取得了一定的成果。然而，在实际应用中，雷达探测往往处于复杂的电磁环境中，且目标通常是非合作的，目标回波会受到各种干扰信号的影响，这给RATR带来了巨大的挑战［2］。

近年来，在目标识别领域使用的深度学习网络模型多采用复合结构，将多种网络结构相结合。例如，文献［3］将自编码器与卷积神经网络（Convolutional Neural Network，CNN）相结合，利用自编码器进行特征提取，并利用CNN 进行分类决策，充分发挥深度网络结构的复杂函数表示能力。文献［4］提出了一种端到端的多输入卷积门控递归单元神经网络，利用门控单元提取目标的时域和频域特征，从而获得HRRP 序列的多域时间依赖特征。文献［5］提出了基于注意机制的堆叠CNN-Bi-RNN 模型，将动态调整层、CNN 和挤压激励块嵌入到堆叠双向RNN 中，更有效地提取和利用雷达回波信号的特征。文献［6］使用CNN 提取目标特征，设计了基于混合核函数的最大均值差异损失函数，结合深度适配网络进行HRRP目标识别。文献［7］采用CNN 和双向长短期记忆网络分别提取总体包络特征和时间特征，然后通过挤压激励块处理并行特征以增强关键信息。文献［8］结合多尺度特征提取和注意力机制，设计了基于注意力的多尺度残差特征提取模块。文献［9］提出了基于一维金字塔卷积神经网络PyDSC 的识别方法，使用金字塔卷积提取不同尺度的局部特征，并引入深度可分离卷积降低参数量。

上述网络模型大多假设数据集为干净的回波样本。但在实际应用中，回波信号往往伴随着各种不同的干扰。因此，文献［10］引入了一种噪声鲁棒识别算法，通过估计噪声的方差来更新高斯训练模型，并引入相关信息和序列处理，以提高识别率和鲁棒性。文献［11］提出了一种集成了去噪和识别的网络IDR-Net，将去噪模块与识别模块相结合，实现端到端训练，提高了低信噪比条件下的识别性能。上述研究主要将高斯白噪声或瑞利噪声直接添加到目标原始HRRP数据中，无法准确模拟实际情况中压制干扰和欺骗干扰等复杂干扰的影响。

为了更真实地模拟带有干扰的目标回波信号，本文合成了3 种典型的压制干扰信号，并按照不同信干比添加到目标原始HRRP数据中，得到抗干扰目标识别的研究数据。本文还提出了一种基于自适应阈值卷积单元（Adaptive Threshold Convolution Unit,ATCU）的卷积神经网络，此处称之为自适应阈值卷积网络（Adaptive Threshold Convolution Network,ATCN）。该ATCN 网络的核心模块即为ATCU，用于实现准确高效的特征提取。在ATCU中，采用自适应阈值函数充当激活函数，自动调整阈值以面对不同信干比的数据；利用多个不同尺度的卷积核来捕获HRRP 数据中的区域差异特征；引入通道注意力机制和残差连接优化网络结构。经过数值实验测试，本文提出的ATCN 网络在识别准确率和抗干扰稳健性方面表现出很好的性能。

1 雷达干扰仿真及HRRP数据合成

雷达干扰的主要目的是通过散射或辐射电磁信号来扰乱敌方雷达的探测，使其无法获取雷达目标的准确信息［12］。本次研究以有源压制干扰为例，探究所提出的网络ATCN 的抗干扰目标识别性能。

有源压制干扰通过发射强干扰功率的噪声或类噪声信号，降低雷达接收机的信噪比，使得雷达难以发现并检测目标。常见的有源压制干扰包括噪声调幅干扰、噪声调频干扰和噪声调相干扰等。

以下3 个广义平稳随机过程分别表示噪声调幅、噪声调频和噪声调相干扰：

式中，ω 为信号的中心频率，φ 为

上的均匀分布。对于噪声调幅干扰

为在区间

的零均值的广义平稳随机过程，U0 为常数；对于噪声调频干扰

和噪声调相干扰

Uf 和Up 为幅度常数，KFM 为调频斜率，

为调制噪声且是一个零均值的广义平稳随机过程，KPM 为常数。

在实际的雷达探测中，雷达通过发射宽频带信号，接收到目标的回波信号，并通过脉冲压缩技术获取目标的高分辨率距离像HRRP。

本文使用频域电磁仿真软件生成目标HRRP，软件模拟了发射脉冲信号的宽带频谱，并通过计算获得目标在不同频率下的散射场数据，从而得到宽带散射谱。然后通过傅里叶逆变换，把宽带散射谱转换成目标的HRRP。

本文使用程序仿真生成干扰信号，并将干扰信号与原始HRRP数据进行叠加，以获得带有干扰的HRRP 实验数据。图1 为噪声调频干扰、原始HRRP以及带干扰的HRRP的示例图像。

2 基于ATCN的目标识别方法

2.1 自适应阈值函数

文献［13］将软阈值函数作为一种新颖的非线性激活函数嵌入到深度学习网络模型中，实现雷达信号识别。但使用软阈值函数作为激活函数存在一定的问题，即其非线性特性太弱。软阈值函数的表达式为

其中

为符号函数，th 为大于0 的阈值。当阈值th 接近0 时，软阈值函数退化为

这一线性函数，这与激活函数是为了引入非线性特性这一初衷相违背。

为此，本文参考激活函数Leaky-ReLU 设计了如下自适应阈值激活函数：式中：th 为自适应阈值，可通过网络学习；α 为常数，在此处设为0.01。自适应阈值函数的导函数为1 或0 或α，这样可以有效防止梯度消失和梯度爆炸问题。

此自适应阈值函数有以下优点：首先，其有着自适应的阈值，能够实现滤波去噪功能，降低干扰信号对目标识别的影响；其次，与传统激活函数ReLU 相比，其x ＜0 并未全部归零，从而避免了神经元死亡无法复活的问题；最后，与文献［13］中使用的软阈值激活函数相比，其非线性特征更明显，更适合作为激活函数。

2.2 多尺度卷积层

不同大小的卷积核对于同一输入图像提取的特征信息会有所差异。通常情况下，大尺寸的卷积核更能关注到图像的全局信息，能够捕捉到目标的显著性和大尺度上下文信息，同时也能关注相邻数据之间的联系。相反，小尺寸的卷积核更适合突出图像细节，能够更精确地定位目标边界的小尺度特征。

因此，将不同尺寸的卷积核结合起来使用可以提取图像更丰富的特征。这种多尺度卷积的思想在目标识别领域取得了显著的研究进展，如通过改进残差网络中的瓶颈层提出的Res2Net［14］和Google提出的Inception系列网络［15］等。

本文使用如图2 所示改进的多尺度卷积。使用不同尺寸的卷积核来构造卷积层，从左到右，核尺寸逐渐增大，深度逐渐减小。对于大卷积核，它们会更多地关注数据整体特征。对于每个卷积核，同时作用于所有输入通道数据，得到输出通道的特征映射，将各卷积核得到的特征映射线性相加，从而得到最终的特征数据。

假设输入的特征长度为Win，已知卷积输出长度Wout的计算公式为

式中，P 为补零数，F 为卷积核大小，S 为步长。为了使得输出通道的特征映射能够在通道维度上线性叠加，则需保证不同大小卷积输出长度Wout 一致。本文设置步长S = 1，所以只需设置特定的补零数P。

通过使用不同尺寸的卷积核，网络能够同时关注数据上下文信息和数据的细节特征。通过融合不同尺度的特征信息，网络能够得到更好的特征表示。

2.3 通道注意力机制和残差连接

随着注意力机制在深度学习领域广泛且成功的应用，更多的研究人员提出了新的注意力机制，包括邻里注意［16］、快速注意力机制［17］等。

本文参考Hu等人提出的通道注意力机制块［18］，并修改使其适用于本文的一维卷积网络，如图3所示。

假设输入数据为

，即输入一维数据长度为L，且有C个通道。传统网络中各通道相互独立，无法利用该通道之外的上下文信息。为此，可将全局空间信息压缩到通道描述符中，即通过全局池化层得到通道统计信息向量

的计算公式如下：

式中

表示xin第i个通道的第l个元素。

为了捕获与通道相关的依赖信息，将池化后的结果通过两个全连接层。计算公式如下：

式中，

表示第一个全连接层的权值矩阵，

表示第二个全连接层的权值矩阵，

为Sigmoid 激活函数，h(·) 为ReLU 激活函数。为了降低复杂度，在全连接层1 中采用了倍率为r的降维操作，即将通道数变为

，然后在全连接层2中恢复通道数为C，方便后续运算。最后，将得到的通道注意力权值乘到原始数据中，即

式中，运算⊗表示xin 中的每个元素都乘以Yse 中对应通道权重。

通道注意力通过调整各通道的权重，提高对特征的感知，使模型能够自适应地学习每个通道的重要性，减少无关信息的干扰，提高模型的泛化能力和鲁棒性。

随着网络深度的增加，数据尺寸逐渐减小，数据信息缺失，网络可学习到的特征变少，从而导致网络更难训练，出现过拟合、梯度消失和梯度爆炸等问题。为了解决这个问题，本文中的卷积网络使用了残差连接［19］。残差连接可简单地用公式

表示，其中x 表示上一层的输出，

表示本层网络对应的变换，则y就是残差输出。

2.4 自适应阈值卷积单元和网络整体框架

本文设计的特征提取单元，即自适应阈值卷积单元（ATCU），作为自适应阈值卷积网络（ATCN）的核心，其结构如图4所示。ATCU首先使用3 个不同尺寸（1、3 和5）的卷积核进行多尺度的特征提取。通过批归一化层对特征进行归一化处理，以稳定梯度传播、缓解过拟合问题。采用自适应阈值函数实现抗干扰特征提取，增加数据的非线性能力。在此基础上，引入通道注意力机制层对特征进行加权处理，自适应地学习通道之间的特征重要性。ATCU 还采用了残差连接来保护原始特征的完整性并增强网络性能。通过将原始特征直接与经过处理的特征相加，可以提供额外的路径，使得信息更充分地传递。此外，ATCU 可以设置不进行数据下采样，从而避免因为网络过深导致特征图尺寸过小，限制特征提取的问题。

本文设计的自适应阈值卷积网络（ATCN）结构如图5所示。首先，输入的HRRP数据会经过若干个堆叠的ATCU进行特征提取。然后，批归一化层对提取到的特征数据进行归一化处理，同时ReLU 激活函数引入非线性变换，这两层能增强模型表达能力并防止模型过拟合。接着，特征数据会经过一个全局平均池化层，该层能减少后面全连接层的权重数量，从而减少网络的参数量。最后，将处理好的数据展平为一维向量输入到全连接层中，得到HRRP的分类标签。

3 实验与分析

3.1 数据集

本文使用课题组自主研发的高频电磁仿真代码对10 个1∶1 军用飞机3D 模型进行电磁仿真，得到HRRP 研究数据，飞机模型如图6 所示，飞机的尺寸参数见表1。生成每个HRRP 的扫频参数设置如下：中心频率为10 GHz，带宽为0.5 GHz，频率采样次数为128。生成HRRP 视角范围：俯仰角范围为60°～120°，采样步长为1°，方位角范围为0°～180°，采样步长为1°，所以每个目标均生成HRRP数目为61×181=11 041。将其中的10 000 个样本划分为训练集，1 041个样本划分为测试集。

为了研究网络模型在抗干扰识别方面的性能，本文使用MATLAB仿真得到了3种类型的压制型干扰信号：噪声调频干扰、噪声调幅干扰和噪声调相干扰，并设置了［0 dB，5 dB，10 dB，15 dB，20 dB，25 dB，30 dB，35 dB，40 dB］一共9 个信干比的实验条件。参考本文第2节中的回波合成方法，将压制干扰添加到所有的HRRP 原始数据中。对于每个HRRP 数据，干扰都是独立生成的，并具有一定的随机性。

3.2 实验设置

实验计算机搭载的CPU 为Intel（R）Core（TM）i7-10700，GPU 为NVIDIA GeForce RTX 3060。深度学习平台为Pytorch 1.13.1。

实验按照表2 设置ATCN 网络的参数，整个网络包含8 个特征提取单元ATCU，其中4 个ATCU进行下采样，另外4个不进行下采样，且相互间隔。ATCU 的第一个参数表示输出通道数，第二个参数表示是否下采样。最后输出尺寸为10代表一共有10个类别。

3.3 实验结果与分析

1）平均识别率的对比

本文分别使用噪声调频干扰、噪声调幅干扰和噪声调相干扰与原始HRRP数据叠加，得到对应于不同干扰类型和不同信干比的研究数据。并选取了CNN-3（3 层的常规CNN）、VGG-10（10 层的VGG）和PyDSC 三种网络模型与ATCN 网络进行对比实验，比较各种网络的平均识别率。不同干扰类型下平均识别率随信干比的变化曲线如图7所示。

通过对比可知，本文提出的ATCN 网络在不同干扰类型下的平均识别率均优于其他几种网络。相比于采用堆叠卷积层的网络，如CNN-3 和VGG-10，本文的ATCN 网络的平均识别率明显提升。分析可知，传统卷积网络会随着层数加深和最大池化层的使用导致数据变得过短，从而使得特征信息的丢失。相比之下，本文的ATCN 网络采用了多尺度卷积层，在同一层中能够提取目标更多的特征信息。

与同样利用多尺度卷积的PyDSC 相比，本文的ATCN 网络的平均识别率也有提升。通过分析网络结构，可以得出以下几点原因：首先，自适应阈值函数的使用能降低干扰对特征提取的影响；其次，本文的ATCN 网络更深，相较于PyDSC 的6个特征提取单元，ATCN使用了8个特征提取单元；最后，本文的ATCN 网络引入了通道注意力机制，使得网络能够在通道之间传递特征信息，提高了特征的利用率。

此外，观察图像可以发现，本文的ATCN 网络的识别率曲线相对平稳，而其他几种网络的平均识别率曲线均有着或多或少的波动。这说明本文的网络在识别不同信干比的HRRP 时具有更好的稳定性。

2）网络模型复杂度的对比

本文对比了4种网络的结构复杂度，结果如表3 所示。可以观察到，本文提出的ATCN 网络的参数量明显少于其他网络，浮点运算次数FLOPs 远小于VGG-10，但略大于PyDSC和CNN-3。

分析可知，多尺度卷积层的使用会导致模型参数减少，但略微增加了计算量。网络的深度增加了，较小的计算量的增加是可以接受的。通过这样的设计，本文的ATCN 网络在复杂度和识别性能之间取得了一个平衡。较少的参数量使得网络更加轻量化，适用于资源受限的场景。尽管计算量略有增加，但仍然保持在合理的范围内。

为了更好地了解ATCU 中不同结构模块对ATCN 网络识别率的影响，本文进行了消融实验，删除或修改部分ATCU 结构模块，并测试平均识别率的下降值，结果如表4所示。

修改项1：修改ATCU 中的自适应阈值函数为常规ReLU 激活函数，结果显示平均识别率下降了0.93%。这说明自适应阈值函数能够在不同信干比下自动调整阈值大小，减小干扰对目标识别的影响。

修改项2：删除ATCU中的通道注意力机制层，结果显示平均识别率下降了0.84%。这说明通道注意力机制能够使网络更加关注对识别有用的通道特征，并实现不同通道间的特征融合，有助于最终的目标识别。

修改项3：删除ATCU 中的2 个卷积核，仅留下尺寸为3 的1 个卷积核，结果显示平均识别率下降了0.75%。这表明多尺度卷积能够提取更多的目标特征信息，使得网络能够更全面地分析目标并进行分类。

修改项4：删除ATCU中的残差连接，结果显示平均识别率下降了0.45%。因为残差连接能够明显改善特征消失的问题。

4 结束语

本文提出了一种基于自适应阈值卷积单元ATCU 的卷积神经网络ATCN，并基于带有压制类干扰的HRRP 数据进行目标识别。相较于传统卷积神经网络，本文的ATCN 网络使用自适应阈值函数，面对不同信干比的HRRP 数据会自动调整阈值，降低干扰对目标特征提取的影响；采用了多尺度卷积层，融合了不同尺度下的特征信息；同时结合通道注意力机制，增强通道间特征信息的交互；使用残差连接改善梯度消失的问题。

本文进行了大量的抗干扰目标识别实验，实验结果表明，相比于另外3 种对比网络，本文的ATCN 网络能在不同干扰类型和不同信干比下提供更优的平均识别率和更好的指标稳定性，且具有更少的网络模型参数量和浮点运算次数，具备轻量化和高效的特点。

［1］保铮，邢孟道，王彤.雷达成像技术［M］.北京：电子工业出版社，2019.

［2］张永顺，童宁宁，赵国庆.雷达电子战原理［M］.北京：国防工业出版社，2020.

［3］KONG Yameng, FENG Dejun, ZHANG Jiang. Radar HRRP Target Recognition Based on Composite Deep Networks［C］// 2022 International Applied Computational Electromagnetics Society Symposium, Xuzhou, China:IEEE,2022:1-5.

［4］ZENG Zhiqiang, SUN Jinping, HAN Zhu, et al. Radar HRRP Target Recognition Method Based on Multi-Input Convolutional Gated Recurrent Unit with Cascaded Feature Fusion［J］. IEEE Geoscience and Remote Sensing Letters,2022,19:1-5.

［5］PAN Mian, LIU Ailin, YU Yanzhen, et al. Radar HRRP Target Recognition Model Based on a Stacked CNN-Bi-RNN with Attention Mechanism［J］. IEEE Trans on Geoscience and Remote Sensing,2022,60:1-14.

［6］王国帅，汪文英，魏耀，等.基于混合核深度适配网络的HRRP 目标识别［J］.雷达科学与技术，2020，18（6）:618-624.

［7］WU Lingang, HU Shengliang, XU Jianghu, et al. Ship HRRP Target Recognition Against Decoy Jamming Based on CNN-BiLSTM-SE Model［J］.IET Radar,Sonar＆Navigation,2024,18（2）:361-378.

［8］陈禾，张心怡，李灿，等.基于多尺度注意力CNN的SAR遥感目标识别［J］.雷达科学与技术，2021，19（5）:517-525.

［9］HE Jiaxing, WANG Xiaodan, SONG Yafei, et al. A Multi-Scale Radar HRRP Target Recognition Method Based on Pyramid Depthwise Separable Convolution Network［C］//2022 7th International Conference on Image, Vision and Computing，Xi’an,China：IEEE,2022:579-585.

［10］SU Keyu, GONG Lin, WANG Guanyong, et al. Noise-Robust Radar HRRP Target Sequential Recognition Based on Correlative Scattering Centers［J］. IEEE Geoscience and Remote Sensing Letters,2023,20:1-5.

［11］LIU Xiaodan, WANG Li, BAI Xueru. End-to-End Radar HRRP Target Recognition Based on Integrated Denoising and Recognition Network［J］.Remote Sensing,2022,14（20）:5254-5271.

［12］赵国庆.雷达对抗原理［M］.西安:西安电子科技大学出版社，2015.

［13］PAN Jifei, ZHANG Shengli, XIA Lingsi, et al. Embedding Soft Thresholding Function into Deep Learning Models for Noisy Radar Emitter Signal Recognition［J］.Electronics,2022,11（14）:2142-2154.

［14］GAO Shanghua, CHENG Mingming, ZHAO Kai, et al.Res2net: A New Multi-Scale Backbone Architecture［J］.IEEE Trans on Pattern Analysis and Machine Intelligence,2019,43（2）:652-662.

［15］SZEGEDY C,LIU Wei,JIA Yangqing,et al.Going Deeper with Convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA,USA:IEEE,2015:1-9.

［16］HASSANI A, WALTON S, LI Jiachen, et al. Neighborhood Attention Transformer［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition,Vancouver,BC,Canada:IEEE,2023:6185-6194.

［17］WAZIR S, FRAZ M M. HistoSeg: Quick Attention with Multi-Loss Function for Multi-Structure Segmentation in Digital Histology Images［C］// 2022 12th International Conference on Pattern Recognition Systems, Saint-Etienne,France:IEEE,2022:1-7.

［18］HU Jie, SHEN Li, SUN Gang. Squeeze-and-Excitation Networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT,USA:IEEE,2018:7132-7141.

［19］HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al.Deep Residual Learning for Image Recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,NV,USA:IEEE,2016:770-778.