微多普勒特征目标分类神经网络算法开发，助力防御无人机入侵

本文源自：莫斯科动力学院阿列克谢・谢米恰斯特诺夫，其斩获莫斯科动力学院国际学生与研究生学术理论会议一等奖的课题。下面简要介绍该课题的核心内容。

当前，针对关键设施的反无人机防护课题具有重要的现实意义与迫切需求。在该领域中，引入并融合前沿智能工程技术已成为必然趋势。雷达探测方案凭借其远程监测能力，能够实现对无人机的有效探测与分类识别，但其实际应用仍面临两大核心挑战：1.无人机具备远距离、高速机动飞行的能力，对雷达系统的跟踪与响应速度提出了较高要求；2.无人机在雷达回波特征上与鸟类相似，易导致误报，因此如何有效区分无人机与鸟类目标、最大限度降低误触发风险，成为系统可靠性的关键。在此背景下，发展高效、准确的无人机分类与辨识技术显得尤为重要。为实现雷达系统对无人机与鸟类的快速、精准判别，并确保仅对真实威胁目标触发警报，亟需研发与之配套的新型高速计算架构与智能识别算法，以提升系统的实时性与决策可靠性。

本研究的工作主要分为以下几个阶段：

1.系统建模与仿真。基于模型驱动设计原则，在 AnyMath平台中对雷达系统的工作场景进行建模。构建目标对象的数字化原型，并完成其雷达散射截面（RCS）计算。在此基础上，对目标及信号传播环境开展多变量仿真，生成包含微多普勒特征（MDS）——该分类任务中的关键判别指标——的回波信号谱图。

2.数据集构建。针对各类雷达探测目标（涵盖无人机与鸟类的不同场景及外形变体），基于所仿真的微多普勒特征谱图，构建用于训练与测试的数据集。算法设计与训练。选定合适的神经网络架构，利用生成的微多普勒特征谱图数据进行网络训练，并通过测试验证算法的性能。本课题以雷达探测与微多普勒特征分析为核心技术路线。微多普勒特征已广泛用于空中目标分类，近年来在无人机识别领域展现出重要价值。该特征能够有效刻画无人机旋翼的旋转与倾角变化、喷气发动机涡轮的工作状态以及鸟类翅膀的扇动模式等动态信息，从而为区分旋翼无人机与鸟类提供可靠的判别依据。

在此框架下，团队进一步完成了雷达系统的详细建模工作，包括基于技术指标的能量特性计算、收发相控阵天线的几何建模，并开发了用于提取微多普勒特征的数字信号处理模块，为后续分类任务提供系统支撑。

图 1 基于微多普勒特征（MDS）的目标分类神经网络算法开发流程

本文首先基于雷达散射截面（RCS）计算方法展开，将目标分解为若干具有解析RCS函数的基元，以此实现动态目标RCS的快速重算。该方法在保证计算效率的同时，完整保留了目标特性，并与微多普勒效应结合，共同支撑后续识别任务。

文中针对无人机目标，分析了最常见的三种构型：直升机式、多旋翼式及固定翼式，并设计了相应的几何简化模型，以便于数字化建模（见图2）。

图 2 四旋翼无人机数字化模型

对于鸟类目标，建模时引入了鸟类学参数与运动动力学特征，以野生大雁为参照，详细描述其翅膀运动模式。鸟类飞行时翅膀运动分为下拍与上扬两个阶段：下拍阶段翅膀向前、向下运动，上扬阶段则恢复至初始位置，整个过程体现为翼臂与前臂位置的周期性交替。

图 3 鸟类模型数字化原型

在此基础上，通过对场景参数及目标几何参数进行多变量仿真，为每类雷达探测目标生成了包含1000张微多普勒特征谱图的数据集。

在算法实现阶段，研究引入卷积神经网络。经综合比较性能与功能需求，最终选取ResNet-18作为识别模型。网络的构建与训练均基于Julia语言及Flux库完成。

最终，研究团队开发了一套基于神经网络的分类算法，用于判别接收信号源自无人机或鸟类。测试结果表明，该算法识别准确率超过90%。

未来工作将进一步优化无人机细分类别识别能力。通过提升目标几何建模精度和改进回波信号处理方法，可进一步提高微多普勒特征谱图质量，从而支撑更精准的分类算法。