基于改进LightGBM与加权焦点损失的样本不平衡HRRP地面目标识别方法研究

本文针对雷达地面目标识别中存在的样本不平衡问题，提出一种基于改进LightGBM（Light Gradient Boosting Machine）的识别方法。通过双阶段地杂波抑制技术与加权焦点损失（Weighted-Focal Loss）函数相结合，有效提升对少数类样本的学习能力。实验表明，该方法在六类目标识别中显著优于传统分类器，为复杂环境下的雷达目标识别提供了新思路。

　　

Section snippets

Data preprocessing and feature extraction

高分辨率距离像（HRRP）数据体现了雷达散射中心在距离维度上的投影，通过一维形式呈现目标的结构与散射特性。在地面目标识别中，HRRP数据极具价值，因其能够捕捉细微特征，从而有效区分车辆、建筑、自然地形等地物目标。

Improved Lightgbm muti-classifier based on Weighted-Focal Loss

目标识别中的样本不平衡问题主要体现在两方面：其一，不同类别样本的分类难度存在差异，某些类别因自身特征干扰而更难以区分；其二，如装甲车辆等目标类别内部特征复杂，需更深层次的模型进行训练，因而正确分类概率较低。样本数量的不均衡进一步加剧了识别挑战。

Simulation verification

本研究使用W波段地基雷达导引头实测数据进行仿真验证。主要参数包括：机械扫描单脉冲雷达、相干积累点数128、脉冲重复频率16kHz、接收机带宽25MHz、步进频信号与合成带宽1GHz。目标共分为6类：第1类为自然干扰目标，包括山坡、沟壑、土墙等；第2类为地杂波目标……

Discussion

本文提出的基于改进Lightgbm与样本不平衡处理的地面目标HRRP识别方法，通过加权焦点损失（Weighted Focal Loss）增强了对少数类样本的学习能力，有效抑制了模型对多数类的预测偏好。此外，该方法结合直方图算法、GOSS（Gradient-based One-Side Sampling）与EFB（Exclusive Feature Bundling）等优化策略，可在CPU环境中高效运行，特别适用于计算资源受限的实际应用场景。

Conclusion

本研究提出了一种基于Lightgbm的雷达目标识别方法。在预处理阶段，结合球形聚类与LOF（Local Outlier Factor）算法实现地杂波抑制；在识别阶段，通过自定义加权焦点损失函数增强Lightgbm多分类器的性能。该损失函数在训练中为难以分类的样本赋予更高权重，从而强化了对少数类样本的表征能力。在一定程度上，本文提出的方法提升了样本不平衡条件下地面目标的识别性能。

CRediT authorship contribution statement

Di Wu: 概念提出、方法设计、软件实现、可视化、初稿撰写与修订；

Shuwen Xu: 监督指导、论文审阅与修订；

Hui Liu: 监督指导；

Pengcheng Guo: 监督指导。