通过注意力融合与剪枝技术实现小型无人机的微多普勒识别

《Digital Signal Processing》：Micro-Doppler Recognition of Small Unmanned Aerial Vehicles via Attention Fusion and Pruning

微多普勒签名-Based SUAV识别模型UAVsNet通过STFT转换和自门混合注意力模块提升特征提取，结合大核注意力与泰勒剪枝实现轻量化，准确率达97.39%。

　　

倪江功|周志刚

杭州电子信息技术学院，中国杭州310018

摘要

小型无人机（SUAVs）由于其潜在的误用风险，引发了日益严重的安全问题，因此准确识别不同类型的SUAVs变得至关重要。本研究提出了一种改进的卷积神经网络UAVsNet，用于基于微多普勒特征的SUAVs识别。雷达回波信号通过短时傅里叶变换转换为二维时频图像，以增强特征表示。为了提高识别性能，网络中集成了一种自门控混合注意力模块，同时用大核注意力模块替代了传统的大卷积核以提高效率。此外，还应用了基于泰勒级数的剪枝技术来减少模型参数和计算成本。实验表明，UAVsNet的识别准确率达到97.39%，比基线模型ResNet18高出3.58%。经过剪枝的模型PUAVsNet将参数减少了一半，同时保持了96.97%的准确率，并且训练时间缩短了20.15%。这些结果验证了所提出方法的有效性。该研究为SUAVs识别提供了一种高性能且轻量级的解决方案，并为资源受限场景下的模型压缩应用提供了有益的见解。

引言

近年来，具有低雷达截面积（RCS）的小型无人机（SUAVs）在军事和民用领域得到了广泛应用[[1], [2]]。SUAVs在航拍、环境监测、交通检查以及火灾应急响应等领域的广泛应用，得益于其紧凑的尺寸、机动性、安全性、隐蔽性、易用性和成本效益等独特优势。尽管SUAVs的普及给人类带来了诸多便利，但它们也可能带来威胁，尤其是被恶意利用时[[3], [4]]。大量未经授权的SUAVs飞行可能导致空中交通拥堵和严重的安全事故。此外，SUAVs可能被用于非法活动，如毒品走私、恐怖袭击和未经授权的监视。因此，识别和检测这些行为至关重要[5]。

雷达系统凭借其全天候检测能力，已成为检测SUAVs的首选方法。雷达目标识别的主要信息来源包括微多普勒信号、雷达截面积（RCS）、合成孔径雷达（SAR）、逆合成孔径雷达（ISAR）和雷达距离-速度图。Ye等人[6]将UAVs的RCS数据转换为格拉姆角场（GAF）表示，并基于深度融合的ResNet网络进行了分类。Wang等人[7]提出了一种基于SAR成像特征的改进YOLOv8网络用于飞机目标识别。Lee等人[8]整合了来自三个信息源的数据：光学图像、雷达距离-多普勒图像和音频频谱图，并使用卷积神经网络（CNN）模型进行UAV检测和分类。He等人[9]使用商用毫米波雷达检测和识别非合作性UAVs。Chen等人[10]提出了一种基于深度学习融合技术的新方法，该方法整合了频率调制连续波（FMCW）雷达微多普勒信号、节奏速度图（CVD）信号和倒谱（CEP）信号。上述大多数研究要么整合了多种信息源来完成识别任务，要么采用了复杂的预处理方法，这不可避免地导致了计算成本的增加和任务复杂性的提高[11]。

利用单一信息源实现SUAVs的准确识别是一个令人兴奋的前景。在各种信息源中，微多普勒特征因其独特优势而脱颖而出。SUAVs通常依靠推进系统飞行，其中旋转叶片是主要的推进方式[12]。微多普勒效应的独特之处在于它们能够检测到由目标结构元素（包括振动和旋转）的微小运动在雷达回波信号中引起的微妙多普勒频率变化。对于SUAVs来说，与其旋转叶片和/或风扇叶片相关的微运动会产生独特的微多普勒特征，这些特征是有效识别和分类目标的线索[13]。此外，这些特征具有唯一性、抗伪造性，并且不受目标方向和距离等因素的影响，因此具有很高的实际应用价值。

深度学习技术的最新进展使其在各个领域得到了快速发展和广泛应用[[14], [15], [16], [17]]。出现了许多优秀的模型，如AlexNet、GoogLeNet、ResNet和DenseNet等[[18], [19], [20], [21]]。深度学习以其强大的自动特征提取能力而著称，在处理复杂任务时表现出显著的准确性。在检测和分类SUAVs方面，基于深度学习的模型得到了广泛应用，这成为该研究领域的一个显著趋势。例如，Sun等人[22]使用长短期记忆（LSTM）神经网络检测和分类两种SUAVs，实验数据是在最大7米的室内范围内收集的。Zhou等人[23]开发了一种多尺度决策融合CNN，该模型整合了从FMCW雷达提取的时域、时频域和距离-多普勒微多普勒特征，实现了高精度分类。Zhang等人[24]使用FMCW雷达捕获包含UAVs微多普勒信息的距离-多普勒图，并开发了一种轻量级卷积神经网络来提取微多普勒特征，以实现稳健的UAV检测和分类。实验主要关注识别四旋翼飞行器螺旋桨的旋转状态和非旋转状态。Patel等人[25]使用预训练的AlexNet模型在两种不同场景下判断UAV是否超载。Rahman等人[26]创建了一个包含UAVs和鸟类微多普勒频谱图的大型数据库，并使用序列网络实现了四种类型目标的识别，他们的目标是区分UAVs和非UAVs。Kim等人[27]利用每种目标展示的独特微多普勒特征自动识别UAVs、鸟类和人类目标。Hong等人[28]提出了一种基于竞争学习粒子群优化的多旋翼UAVs微多普勒特征提取新方法。上述研究中使用的模型参数众多，给实际应用带来了挑战，限制了其应用范围。此外，数据采集是在受控条件下进行的，通常在实验室或无回声室中进行，获得的样本类别和数量相对有限，严重影响了研究结果的实际相关性[[29], [30]]。

本文提出了一种改进的CNN，用于在复杂环境中准确识别六种类型的SUAVs。通过整合两种互补的优化策略，所提出的模型与原始CNN相比显著提高了识别精度。这项工作提供了一个高效可靠的SUAV识别框架，为智能监控、监视和自动化控制系统提供了有价值的见解。在研究中，我们引入了一种简洁高效的自门控混合注意力模块，该模块结合了注意力机制和轻量级门控单元，以增强特征提取能力，同时避免不必要的参数增长。此外，通过将大卷积核分解为更小的组件，实现了表达能力和计算效率之间的更好平衡。另外，应用了基于泰勒的剪枝策略来移除冗余或贡献较小的组件，从而得到更适合在实际资源受限环境中部署的紧凑网络。与现有的依赖重型CNN架构或单一类型注意力模块的微多普勒识别方法相比，我们的方法是首个在专为SUAV识别量身定制的统一框架中集成自门控混合注意力、大核注意力和泰勒剪枝的方法。这种组合设计有效增强了特征学习，减少了模型冗余，并提高了部署可行性，解决了当前主流方法的关键限制。

本文的其余部分组织如下。第2节描述了材料和方法，包括数据集和维度转换、大核注意力模块、自门控混合注意力模块、提出的模型架构、泰勒剪枝技术和评估指标。第3节展示了实验结果，包括整体性能分析、基于泰勒剪枝的压缩性能、消融研究以及与其他网络的比较。第4节总结了主要发现和贡献。

材料与方法

图1展示了识别SUAVs的全面工作流程。步骤1：数据采集设备。使用工作在X波段（10 GHz）的连续波雷达来采集SUAVs的微多普勒特征。数据采集在室外环境中进行，范围为10-15米。步骤2：数据维度转换和数据集划分。使用短时傅里叶变换（STFT）算法处理收集的一维回波信号，以实现

结果与分析

实验在Matlab和Python中实现了图像预处理以及网络模型的构建和训练。代码在配备i5-13600KF 3.5 GHz处理器、32 GB RAM和NVIDIA GTX 3060 GPU（12 G）的机器上执行。在实验过程中，确保所有模型的训练参数一致，以保证比较结果的有效性和可靠性。网络训练的主要参数设置如下：

结论

本研究提出了一种轻量级的SUAV识别方法UAVsNet，该方法结合了自门控混合注意力、大核注意力和泰勒剪枝，实现了高效准确的微多普勒识别。一维回波信号被转换为二维时频图像，使网络能够有效捕获时间和频谱特征。自门控混合注意力模块引导模型关注具有区分性的区域，而大核

作者致谢

倪江功：方法论、软件、原始草稿撰写。周志刚：概念构思、方法论、撰写和编辑。

资助

本研究得到了上海市协同创新专项基金（HCXBCY-2024-051）的资助。

数据可用性

数据可应要求提供。