一种基于多任务学习的微多普勒目标识别方法

李雨鑫 罗丁利 陈尹翔 杨 磊

(西安电子工程研究所 西安 710100)

0 引言

随着自动驾驶和智慧城市的发展，人们对各种环境下目标检测分类的需求也越来越大。与光学传感器相比，由于雷达在全天候多环境下工作的特性，使其广泛应用于智慧城市和环境监测等领域。然而，在雷达目标分类领域，由于数据采集成本高和雷达形式参数多样，难以针对每一种雷达采集大量数据来训练出一个高性能神经网络。多任务学习[1]方法，可以利用不同的任务之间的相似性来提高模型准确率，从而解决微多普勒目标分类任务中数据不足和运算量受限的问题。在本文中，我们设计了一种共享特征提取器的多任务学习方法，神经网络可以同时完成微多普勒单兵小分队任务的区分和三种飞机的分类任务。通过这种方法使深度神经网络模型在微多普勒分类任务中获得更好的准确性和鲁棒性。

1 多任务学习

对于深度学习方法来说，获取高性能模型的前提是大量数据，数据不足会导致模型精度低，过拟合现象[2]严重，使模型难以在实际环境中使用。微多普勒[3]目标分类任务主要利用目标运动过程中不同部位速度不同的特点，通过对目标的连续跟踪，得到目标不同部位速度随时间变化的频谱。由于多数雷达都具有速度测量功能(虽然某些雷达速度模糊会很严重，导致大量速度成分混叠)，因此使用微多普勒频谱作为输入进行目标分类具有非常广泛的应用。……