系统工程与电子技术

作者：何肖阳, 陈小龙, 杜晓林, 苏宁远, 袁旺, 关键

单位：1. 烟台大学计算机与控制工程学院, 山东 烟台 264005；2. 海军航空大学, 山东 烟台 264001

关键词：雷达目标分类,海上微动目标,迁移学习,Swin-Transformer网络,注意力机制,时频分析

基金：国家自然科学基金(62222120);山东省自然科学基金(ZR2024JQ003)

雷达作为海上目标监测和识别的重要手段, 海上目标运动特征精细化描述与分类是其关键技术。基于深度学习的卷积网络分类方法不依赖于模型, 但仍难以适应复杂多变的海洋环境、多样性海上目标, 泛化能力有限。将卷积注意力机制模块(convolutional block attention module, CBAM)融入Swin-Transformer网络, 并基于迁移学习(transfer learning, TL)策略, 提出一种兼顾舰船目标和低空旋翼飞行目标的海上微动目标分类方法(简称为TL-CBAM-Swin-Transformer), 提升多种观测条件下的模型分类适应能力。首先, 建立海上微动目标模型, 并基于3种雷达实测数据构建海面非匀速平动、三轴转动、直升机、固定翼无人机的微动时频数据集。然后, 设计TL-CBAM-Swin-Transformer网络, CBAM从通道维和空间维提取特征, 提高其小尺度中多头注意力信息的提取能力。实测数据验证结果表明, 相比Swin-Transformer，所提网络的分类准确度提升3.43%。采用TL法, 将所提网络在ImageNet数据上进行预训练, 将智能像素处理(intelligent pixel processing, IPIX)雷达微动目标作为源域进行预训练，并迁移至科学与工业研究委员会(Council for Scientific and Industrial Research, CSIR)雷达微动目标, 分类概率达97.9%, 将直升机旋翼作为源域进行预训练并迁移至固定翼无人机, 分类概率达98.8%, 验证了所提算法具有较强的泛化能力。

来源：2025年第4期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2025年第4期