雷达波形作为可学习的特征编码器:波形-分类器联合优化

《Digital Signal Processing》:Radar Waveforms as Learnable Feature-Encoders: Joint Waveform-Classifier Optimization

【字体: 大 中 小 】 时间:2026年09月26日 来源:Digital Signal Processing 3.4

编辑推荐:

   提出了一种用于联合波形 - 分类器优化的端到端框架。 将雷达波形视为可学习的特征编码器以增强分类能力。 直接对原始雷达回波进行分类,绕过传统的脉冲压缩。 波形约束被嵌入到网络架构中。 非因果状态空间模型实现了信号处理中的全局感受野。 **引言** 雷达目标分类是一个快速发展

  

提出了一种用于联合波形 - 分类器优化的端到端框架。
将雷达波形视为可学习的特征编码器以增强分类能力。
直接对原始雷达回波进行分类,绕过传统的脉冲压缩。
波形约束被嵌入到网络架构中。
非因果状态空间模型实现了信号处理中的全局感受野。

**引言**
雷达目标分类是一个快速发展的领域,对分类准确性的要求越来越高。发射波形是雷达系统性能的关键决定因素 [1],至关重要,因为它直接塑造了回波的信息内容。雷达硬件的进步现在能够发射任意波形,从而为波形设计提供了更多的自由度 (DOF),以增强分类能力。尽管具备这些硬件能力,但当前的雷达目标分类研究仍然主要是“以接收机为中心”的。大多数研究将发射波形视为固定或与任务无关的参数,转而关注接收端的分类网络或信号处理算法。这种解耦的方法将感知链简化为纯分类任务,将其视为被动观察过程,未能利用发射端通过波形设计主动照明并突出目标独特结构特征的匹配照明能力 [2]-[9]。

深度学习 (DL) 最近在计算机视觉和自然语言处理方面的成功证明了其在特征提取和模式识别方面的卓越能力。这些成功促使新兴研究 [10]-[13] 探索基于 DL 的波形设计。例如,一些研究采用信噪比 (SNR) 最大化作为损失函数 [10],而其他研究则将自相关函数 (ACF) 指标(如峰值旁瓣电平和积分旁瓣电平)集成到损失函数中以增强脉冲压缩 (PC) 性能 [11]-[13]。这些方法通常将神经网络视为解决多目标优化问题的一次性数值工具。在这种范式下,恒模约束下的相位编码波形设计被重新表述为相位优化任务。缺乏与分类准确性直接数学联系的间接性能指标(如 SNR 或 ACF 特性)被用于构建加权损失函数。

然而,将这些波形设计方法应用于目标分类面临一些挑战。实际上,雷达目标识别涉及三个步骤:(i) 雷达发射专门设计的波形。(ii) 使用匹配滤波器处理回波以生成分辨率高的距离像 (HRRP),它是目标冲激响应 (TIR) 的带限近似。(iii) 将生成的 HRRP 作为目标识别的主要输入特征输入分类器。传统上,波形设计受此 PC 原理支配,优先优化 ACF 以最小化旁瓣。意图是防止强散射中心掩盖对分类至关重要的细粒度散射特征,但这些旁瓣是无法避免的。尽管 HRRP 被广泛用作分类的主要输入,但这更多是源于其直观的物理解释和算法构建的便利性,而非其在目标识别方面有任何内在优势 [14]。这表明,仅优化 ACF 特性可能不是分类的最佳策略。通过关注这些间接雷达指标而不是分类任务本身,当前的基于 DL 的方法面临几个局限性:

(i) 目标不一致:波形优化目前依赖于代理标准,如 SNR 或 ACF 特性,这与下游分类目标之间存在数学鸿沟。尽管先前的研究已经广泛研究了在这些既定标准下的波形设计 [15]-[21],但这些指标是为目标检测或参数估计设计的,并非直接面向分类。从模式识别的角度来看,最大化目标能量或收窄主瓣并不一定能增强判别特征或在高维特征空间中最大化目标类之间的可分性 [2]。优化标准与分类任务之间的这种不匹配限制了系统实现最佳分类的能力。

(ii) 表示损失:从信号处理的角度来看,PC 充当一个固定的、手工制作的滤波器,将回波映射到 HRRP。这种确定性映射可能会抑制复值相位细微差别和潜在的时序相关性,而这些对于区分具有相似结构特征的目标至关重要。此外,ACF 旁瓣经常掩盖弱散射中心,导致 HRRP 与真实 TIR 之间存在差异。这些局限性因硬件故障(如发射机非线性和量化误差)而加剧。这种物理层扰动进一步被 PC 过程放大,导致 HRRP 中的非线性失真(见图 1),最终降低分类鲁棒性。

(iii) 解耦优化:由于波形设计和分类器训练被视为串行的独立阶段,上述 PC 的局限性往往被忽视。这种解耦假设忽略了发射波形的自由度与分类器之间的潜在协同作用。通过将探测与解释隔离,系统无法自适应地根据神经网络特定的非线性映射能力来调整照明。

(iv) 深度学习能力利用不足:在这些框架中,神经网络通常仅作为一次性的数值求解器。优化后生成的网络权重会被丢弃,模型的固有特征学习能力未被用于主动激发判别性目标特征。

为了解决这些挑战,我们提出了一种任务驱动的端到端联合优化框架。我们将波形设计视为物理层的任务驱动特征工程,其中发射波形作为可学习的特征编码器,通过分类目标直接优化以主动提取目标特征。受匹配照明理论的启发(该理论将波形定制为匹配目标散射特性),这一观点自然地将波形设计解释为物理层的特征匹配过程。我们进一步将匹配照明推广为双匹配原理:波形不仅像传统匹配照明那样适应目标,还通过分类目标优化以与下游分类器兼容。

然而,在传统的基于 PC 的流水线中,接收回波首先由固定程序处理以生成 HRRP 进行分类。由于此程序是预定义的而非从分类目标学习的,它限制了发射波形作为下游分类器的任务驱动特征编码器的程度。因此,固定的 PC 过程部分解耦了波形设计与分类器优化。受此观察启发,我们直接对回波进行分类,从而实现波形参数的任务驱动优化。

所设计的双匹配原理是通过数据驱动的端到端学习过程实现的,其中波形生成模块 (WGM) 和分类器被集成到统一的可以架构中。训练期间,TIR 或目标频率响应 (TFR) 样本被用作目标先验,通过 WGM 生成回波。分类损失为波形和分类器参数提供直接监督,实现联合优化以促进波形与分类网络之间的协同作用。本文的主要贡献如下。
• 受经典匹配照明核心概念的启发,我们引入了一种“双匹配”机制,将波形重构为可学习的物理层特征编码器。通过端到端联合优化,在分类目标下,波形被优化以产生有利于下游分类器的目标回波。
• 为实现这一双匹配原理,我们开发了一个统一框架,联合优化发射波形和用于基于回波目标分类的分类器。通过在可微计算图中将波形设计重构为任务驱动的特征工程,我们的框架将波形优化直接与下游分类目标联系起来,从而减少波形设计与分类任务之间的目标不一致。
• 我们开发了两个多头波形生成模块 (MH-WGM):一个支持恒模 (CM) 约束的时域模块和一个结合频谱约束的频域模块。我们为雷达信号分类建立了非因果状态空间对偶 (NCSSD),并将其扩展为复值网络,以更好地适应雷达信号特性。
• 我们提出了一种通过 MH-WGM 的时分多波形发射方案,以利用波形多样性增益。此外,我们引入了一种波形丢弃 (WD) 训练机制,以减轻间歇性干扰下数据丢失导致的性能下降。

**章节摘要**
**信号建模**
当雷达距离分辨率超过目标的物理尺寸时,该物体被表征为扩展目标。其电磁散射行为可以用散射中心模型描述,其中目标表示为沿雷达视线多个局部散射中心响应的相干求和 [22], [23]。因此,散射特性通常由 TIR、TFR 或 HRRP 表示。此类目标响应数据可……
**所提方法**
虽然该框架不依赖于特定的分类器选择,但我们提出了 NCSSD 网络作为定制实现,以评估框架在雷达分类任务中的性能。整体架构包括 NCSSD、主干 (stem) 和降采样块,如图 3 所示。
我们的 NCSSD 分类模块采用视觉状态空间对偶 (VSSD) [24] 的拓扑和组件,包括一个主干块、多个渐进处理阶段和一个最终……
**数值示例**
展示仿真结果以评估我们算法的性能。实验是在一台配备 1 个 NVIDIA RTX 4090 GPU (24GB)、Intel Core i7-13700K CPU 和 32GB 内存的个人电脑上进行的。算法使用 Python 3.10.0、PyTorch 2.1.0、CUDA 11.8 和 Ubuntu 22.04 LTS 实现。
在实验中,我们用不同的网络架构替换 NCSSD 块的核心组件(图 3 中的黑色虚线框)以评估其影响。具体来说,我们……
**结论**
在本文中,我们提出了一种框架,将发射波形视为预处理器以增强雷达回波中编码特征的可判别性。生成的回波随后用于下游分类任务,从而克服传统方法的局限性。受此概念启发,我们引入了一种端到端波形设计框架,以联合优化波形和任意用户选择的分类器。我们提供了一个特定的网络……
**CRediT 作者贡献声明**
王佳航 (Jiahang Wang):概念化、数据整理、形式分析、调查、方法、软件、验证、可视化、撰写 - 原始草稿、撰写 - 审阅与编辑。
梁俊利 (Junli Liang):概念化、方法、项目管理、资源、监督、撰写 - 审阅与编辑。
朱文涛 (Wentao Zhu):数据整理、形式分析、调查、软件、验证。
苏兴长 (Hing Cheung So):监督、撰写 - 审阅与编辑。
万帅 (Shuai Wan):监督、撰写 - 审阅与编辑。
**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述工作。
王佳航 | 梁俊利 | 朱文涛 | 苏兴长 | 万帅 | 王向宇 (Xiangyu Wang)
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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