小波包卷积网络用于低空目标轨迹分类

《Scientific Reports》：Wavelet packet convolutional network for low-altitude target trajectory classification

　　

摘要

低空经济的快速发展以及未经授权的无人机数量不断增加，这就需要能够准确识别“低慢小”目标，包括多旋翼无人机、固定翼无人机、气球和鸟类。本文将最初用于红外弱目标识别的小波包卷积网络（WPCN）应用于基于轨迹的低空物体分类。多维轨迹特征（位置、速度、航向、加速度——共8个维度，\(\times\)256帧）通过通道级小波包变换（WPT）被分解为\(75 \times 32\)维的频域表示，进而使得残差1D卷积神经网络能够提取多尺度运动模式特征。此外，还提出了深度可分离卷积和批量归一化去除策略，以便在反无人机系统中实现边缘部署。在两个测试数据集上的实验表明——一个是自行构建的5类低空轨迹数据集（LOA），另一个是7个UCR公共时间序列数据集——在1米测量噪声条件下，WPCN在LOA数据集上的平均准确率可达\(99.63\% \pm 0.19\%\)（10次测试），这一性能显著优于LSTM（\(99.33\%\)）、Transformer（\(99.00\%\)）和ROCKET（\(99.00\%\)）模型。而经过优化的WPCNLG版本（仅54千个参数，训练时间61秒）则能以更低的成本达到与LSTM相当的准确率。实验还显示，采用WPT变换后，准确率可提升\(+0.30\)个百分点，同时训练速度可提高\(2.4\times\)倍。DBA和DTW分析进一步证实，经过WPT变换后，不同类别之间的区分度提升了\(19.6\%》。Friedman检验也表明，在UCR测试数据集上，各模型之间存在统计学上的显著差异（\(p = 0.010\)）。