CROF-Net: 一种面向仿真-实测跨域小样本HRRP目标识别的鲁棒算法

《Sensors》:CROF-Net: A Robust Algorithm for Simulation-Measurement Cross-Domain Few-Shot HRRP Target Recognition

【字体: 大 中 小 】 时间:2026年08月27日 来源:Sensors 4.0

编辑推荐:

  针对非合作目标实测HRRP样本有限且仿真与真实回波之间存在严重分布差异的问题,研究人员提出CROF-Net,一种面向复杂电磁环境的鲁棒跨域小样本识别框架。该框架首先通过低阶矩匹配校正仿真数据分布,并增强少量实测样本以实现域一致性;嵌入实例归一化(Instanc

  
针对非合作目标实测HRRP样本有限且仿真与真实回波之间存在严重分布差异的问题,研究人员提出CROF-Net,一种面向复杂电磁环境的鲁棒跨域小样本识别框架。该框架首先通过低阶矩匹配校正仿真数据分布,并增强少量实测样本以实现域一致性;嵌入实例归一化(Instance Normalization, IN)和散射峰值感知(Scattering-Peak-Aware, SPA)模块的一维Conformer(1D-Conformer)骨干网络从失真HRRP信号中提取鲁棒的局部和全局特征;可靠性感知原型校准(Reliability-Aware Prototype Calibration, RAPC)模块实现细粒度类别级对齐。为处理姿态诱发的类内多模态分布,研究人员设计了一种正交约束子中心ArcFace(Orthogonal-Constrained Sub-Center ArcFace)度量空间,以拓宽分类边界并缓解负迁移和灾难性遗忘。在SAMPLE和MTDSP数据集上的评估表明,CROF-Net比现有方法具有更高的准确率和更强的抗干扰能力,展现出重要的研究价值和工程应用前景。
**论文解读:CROF-Net——面向仿真-实测跨域小样本HRRP目标识别的鲁棒算法**

**1. 研究背景与问题**

雷达自动目标识别(Radar Automatic Target Recognition, RATR)是防空预警和精确制导的核心支撑技术。高分辨率距离像(High-Resolution Range Profile, HRRP)因其易于获取、处理成本低和响应速度快等优势,成为非合作目标识别的主流数据形式。然而,在实际应用中,雷达HRRP识别面临三个关键瓶颈:非合作目标实测样本稀少、仿真数据与实测数据之间存在严重的分布偏移(即跨域分布差异),以及复杂电磁环境下的波形失真干扰(如杂波、部分遮挡、脉冲噪声等)。现有方法大多针对二维光学或合成孔径雷达(Synthetic Aperture Radar, SAR)图像设计,或依赖于充足标注的雷达数据集,无法同时满足有限实测标注、抗杂波鲁棒性以及仿真到实测泛化能力的需求。为此,研究人员提出了CROF-Net(Cross-domain Robust Orthogonal Few-shot Network),一种鲁棒的跨域小样本识别框架,旨在解决上述问题。该论文发表在《Sensors》上。

**2. 主要关键技术方法**

CROF-Net采用以下四个核心模块:(1)**跨域统计特征对齐与鲁棒数据增强模块**:通过低阶矩匹配(Low-order Moment Matching)对仿真数据分布进行全局校准,并结合时延抖动、RCS起伏、脉冲注入和局部遮挡等复合扰动增强有限实测样本。(2)**基于SPA-IN增强的1D-Conformer局部-全局时序特征提取模块**:设计散射峰值感知实例归一化(Scattering-Peak-Aware Instance Normalization, SPA-IN)模块,融合多尺度池化以捕获强散射中心,并利用实例归一化消除幅度尺度干扰和跨域统计混叠。(3)**可靠性感知目标域原型校准模块**:利用少量标注实测样本构建距离加权鲁棒原型,约束跨域特征向实测类别中心收敛,实现细粒度类别级对齐。(4)**正交约束子中心ArcFace分类机制**:将子中心ArcFace度量迁移至一维HRRP序列,并引入正交正则化(Orthogonal Regularization)解耦多个子中心,以适应姿态诱发的类内多模态分布。实验数据来源于公开的SAMPLE地面车辆数据集和MTDSP海面舰船数据集,其中MTDSP的仿真样本通过CST 2022电磁仿真软件生成。

**3. 研究结果**

**3.1. 车辆数据集识别结果(SAMPLE)**
在纯实测、遮挡和脉冲干扰三种场景下,CROF-Net采用仿真加实测联合微调策略,在1-shot、5-shot和10-shot设置下均获得优于纯仿真或纯实测训练的识别精度。例如,在10-shot纯实测场景下,联合训练准确率接近全实测数据上限。t-SNE可视化显示,该方法使类内特征更紧凑、类间分离更清晰,有效缓解了过拟合和灾难性遗忘。

**3.2. 舰船目标识别结果(MTDSP)**
针对结构更复杂的海面舰船目标,CROF-Net在1-shot、5-shot和10-shot设置下分别达到63.91%、83.36%和87.20%的识别准确率,显著优于所有对比算法(包括Scattering、SimCNN、TSQDA、GDBN-MAML和TSML)。其特征偏移量最小、类内相似度最高,验证了模型在复杂海洋环境下的强泛化能力和域对齐效果。

**3.3. 对比实验与综合性能分析**
在SAMPLE和MTDSP数据集上,CROF-Net与9种基线模型(涵盖传统方法、标准深度学习模型及最新小样本/域适应算法)对比,在全部小样本设置下均取得最优准确率。其参数量仅0.68M,FLOPs为24.48M,推理延迟1.44ms,在精度与效率间取得良好平衡。传统深度学习模型在小样本纯实测场景下因过参数化性能退化,而经典域适应方法(如DANN)因全局强制对齐破坏局部高频散射特征,提升有限;CROF-Net通过低阶矩匹配和散射峰值感知机制有效避免了负迁移。

**3.4. 模块消融实验**
在MTDSP数据集上进行渐进式消融:基线1D-CNN添加数据增强(EDA-Aug)后,1-shot准确率显著提升;嵌入SPA-IN模块后,识别精度大幅提高;引入正交约束子中心ArcFace(OMS-ArcFace)后,连续改善性能;完整CROF-Net(集成RAPC原型校准)在所有小样本设置下达到最优,验证了各模块独立有效性及协同作用。

**3.5. 参数优化实验**
超参数敏感性分析表明:车辆目标因散射结构紧凑,最优子中心数K=1;舰船目标因多模态散射分布,最优K=5。角间隔m=0.3时两类数据集均达最佳性能,平衡了类间分离与类内耐受。损失权重参数需针对不同目标调整,船数据集对权重波动更敏感。

**4. 总结与讨论**

**讨论部分总结**:
CROF-Net通过全局分布对齐与细粒度原型校准相结合,有效缓解了跨域分布差异。基于SPA-IN增强的1D-Conformer骨干网络消除了幅度干扰,提取了判别性局部散射细节和全局拓扑特征。正交约束多子中心ArcFace度量模块拟合了姿态诱发的类内多模态分布,缓解了小样本跨域训练中的负迁移和特征退化。在SAMPLE和MTDSP数据集上的广泛实验表明,CROF-Net优于传统卷积网络、元学习方法及最新域适应方法,在小样本强杂波跨域条件下接近上限识别准确率,展现了优越的泛化能力、抗干扰鲁棒性和工程应用潜力。

**研究结论翻译**:
为应对HRRP识别中的仿真-实测域偏移、实测标注稀少和复杂电磁杂波问题,本文提出一种拓扑流形对齐的跨域小样本网络(CROF-Net)。该框架结合全局分布对齐与细粒度原型校准以缓解跨域分布差异。基于SPA-IN增强的1D-Conformer骨干网络,网络消除了幅度干扰并提取了判别性局部散射细节和全局拓扑特征。此外,采用正交正则化多子中心ArcFace度量模块拟合姿态诱发的类内多模态分布,有效缓解了小样本跨域训练中的负迁移和特征退化。在SAMPLE和MTDSP数据集上的大量实验验证,CROF-Net优于传统卷积网络、元学习方法和最新域适应方法。在小样本强杂波跨域条件下,它达到了接近上限的识别准确率,展现出优越的泛化能力、抗干扰鲁棒性和有前景的工程应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号