不均衡样本下的低分辨雷达目标识别算法

朱克凡，王杰贵，叶文强

(1.国防科技大学电子对抗学院，安徽 合肥 230037；2.中国人民解放军63768部队，陕西 西安 710000)

1 引言

雷达目标识别(Radar Target Recognition，RTR)是雷达研究的一个重要方向。由于高分辨雷达研究成本高、周期长、难以普及，现役雷达大部分是低分辨雷达，且随着脉冲压缩技术的普及，传统低分辨雷达也能拥有很高的径向分辨力，能够提取目标一维距离像等细微特征，基于低分辨雷达的目标识别技术研究仍然是雷达研究的一个重要热点[1-3]。

传统低分辨雷达目标识别是基于特征提取的目标识别，即首先基于回波起伏、极点分布以及调制谱特性等特征，对目标进行特征提取，然后采用贝叶斯、支持向量机(Support Vector Machine，SVM)、最近邻分类、隐马尔科夫模型等方法对目标进行分类识别。通过提取目标特征的方法可以实现对目标的分类识别，然而特征多为人工设计[4]，属于浅层特征，具有不完备性，不利于目标识别率的进一步提高，且特征往往只针对特定目标设计，方法的泛化性也存在不足。

自Hinton等人提出深度学习理论后，卷积神经网络(Convolutional Neural Networks，CNN)作为该领域里的重要模型，由于能够自学习数据深层本质特征，应用在目标分类识别领域，识别准确度可以获得较大提升，较传统方法有明显优势[5-8]。但基于深度学习的低分辨雷达目标识别方法往往需要足够多且不同类别数量均衡的训练样本。在现代战争中，当雷达目标是先进的非合作目标或隐身目标时，对该目标通常难以获取足够多的训练样本，导致不同类别样本数是极端不平衡的，目标识别率较低。……