基于复值时间卷积注意力去噪识别网络的低信噪比下微运动空间目标识别

《IEEE Transactions on Radar Systems》：Recognition of Micromotion Space Targets at Low SNR Based on Complex-Valued Time Convolutional Attention Denoising Recognition Network

针对微运动空间目标窄带雷达小信号处理中的低信噪比问题，提出复杂值时间卷积注意力去噪识别网络，通过联合噪声抑制与特征识别优化目标信息提取，实验验证其在低信噪比下性能优异。

　　

摘要：

对于微运动空间目标而言，其窄带雷达截面（RCS）序列反映了目标形状和运动的特点。然而，在实际场景中，远距离目标的RCS序列由于散射系数较弱，导致信噪比（SNR）较低，仅通过幅度进行噪声抑制和识别会降低识别性能。为了解决这个问题，提出了一种端到端的复数值（CV）时域卷积注意力去噪识别网络，称为CV-TCANet。具体来说，去噪模块通过CV注意力机制捕捉时间相关性并计算去噪所需的噪声掩码；识别模块利用CV时域卷积网络（CV-TCN）进行特征提取和识别。此外，设计了一种混合损失函数，以实现去噪和识别的集成，从而在去噪的同时保留目标信息并提高识别精度。实验结果表明，所提出的方法能够在低信噪比下获得令人满意的识别性能。

引言

在人类太空活动的安全保障和弹道导弹防御中，准确识别微运动空间目标具有重要意义[1]、[2]、[3]、[4]、[5]。尽管宽带雷达的回波可以提供关于目标形状、结构及关键部件分布的详细信息，但宽带波形会占用大量雷达资源，并且在多个目标存在的情况下无法进行长时间连续观测。相比之下，窄带雷达的雷达截面（RCS）序列更容易获取和处理。因此，近年来如何利用RCS序列中蕴含的形状和运动特征，设计有效的微运动空间目标识别技术受到了广泛关注[6]、[7]。