基于雷达航迹序列的无人机/飞鸟动态分类

doi:10.7527/S1000-6893.2024.31408

目标状态协同与智能感知专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于雷达航迹序列的无人机/飞鸟动态分类

李书盼¹^,², 梁彦¹^,²(), 张会霞¹^,², 闫实¹^,², 江安宁¹^,², 张华宇¹^,²

^1.西北工业大学自动化学院，西安 710129
^2.信息融合技术教育部重点实验室，西安 710129

收稿日期:2024-10-15 修回日期:2024-11-04 接受日期:2024-11-20 出版日期:2024-12-10 发布日期:2024-12-10
通讯作者: 梁彦 E-mail:liangyan@nwpu.edu.cn
基金资助:
国家自然科学基金(61873205)

Dynamic classification of unmanned aerial vehicles and flying birds based on radar track sequences

Shupan LI¹^,², Yan LIANG¹^,²(), Huixia ZHANG¹^,², Shi YAN¹^,², Anning JIANG¹^,², Huayu ZHANG¹^,²

^1.School of Automation，Northwestern Polytechnical University，Xi’an 710129，China
^2.Key Laboratory of Information Fusion Technology，Xi’an 710129，China

Received:2024-10-15 Revised:2024-11-04 Accepted:2024-11-20 Online:2024-12-10 Published:2024-12-10
Contact: Yan LIANG E-mail:liangyan@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(61873205)

摘要/Abstract

摘要：

基于雷达航迹序列的无人机/飞鸟类型识别是空中安全监管的关键。在实际应用中，随着航迹数据的不断接收，需要准确且快速地实现无人机/飞鸟分类。提出“多特征快速综合、多似然序贯决策、多因子长时精分”的短-中-长多尺度动态分类机制。在多特征快速综合中，按照相同的物理含义将输入航迹向量划分为位置类（代表目标态势占位）、速度类（代表目标态势变化）、辐射类（代表目标材质结构），分别导入短时多头一维卷积神经网络并采用通道注意力机制进行多类别特征综合，从而实时度量目标属性置信；在多似然序贯决策中，统计目标属性置信的似然分布，设计具有多级化的长短时置信似然决策逻辑，从而在更长时间跨度上实现目标属性的综合推理。在多因子长时精分中，提出速率/航向角变化、速率/航向角趋势等多因子度量，进而采用随机森林对难分样本进行长时多特征精确分类。本算法在实际雷达航迹数据中分类准确率、虚警率和漏检率3项指标均优于现有算法，验证了所提算法的有效性。

关键词: 雷达目标分类, 多特征综合, 多头1D-CNN网络, 似然决策, 多因子度量

Abstract:

The identification of Unmanned Aerial Vehicles （UAVs） and flying birds based on radar track sequences is crucial for air safety supervision. In practical applications， it is essential to achieve accurate and rapid classification of UAVs/flying birds with the continuous arrival of track data. A short-medium-long multi-scale dynamic classification mechanism characterized by ‘rapid multi-feature synthesis， multi-likelihood sequential decision， and multi-factor long-term precise classification’ is proposed. In rapid multi-feature synthesis， input track vectors are categorized based on physical features： position-related features （representing the target’s situation）， velocity-related features （representing target’s situation changes）， and radiation-related features （representing target’s material structure）. These features are then fed into a short-term multi-head one-dimensional Convolutional Neural Network （1D-CNN） and synthesized using a channel attention mechanism， enabling real-time measurement of target attribute confidence. In multi-likelihood sequential decision-making， the likelihood distribution of target attribute confidence is statistically analyzed， and a multi-leveldecision logic incorporating both short-term and long-term confidence likelihood is designed to achieve comprehensive inference of target attributes over a longer time span. In multi-factor long-term precise classification， multiple factors measurements including velocity/heading angle changes and velocity/head angle trends are proposed， and the random forest algorithm is then employed to accurately classify hard-to-distinguish samples with multiple features over a long period of time. The proposed algorithm outperforms the existing algorithms in terms of classification accuracy， false positive rate， and false negative rate in real radar track data， verifying its effectiveness.

Key words: radar target classification, multi-feature integration, multi-head 1D-CNN, likelihood-based decision-making, multi-factor measurement

中图分类号:

李书盼, 梁彦, 张会霞, 闫实, 江安宁, 张华宇. 基于雷达航迹序列的无人机/飞鸟动态分类[J]. 航空学报, 2026, 47(3): 631408.

Shupan LI, Yan LIANG, Huixia ZHANG, Shi YAN, Anning JIANG, Huayu ZHANG. Dynamic classification of unmanned aerial vehicles and flying birds based on radar track sequences[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(3): 631408.

图/表 17

图 1

表1

图 2

图 3

图 4

图 5

图 6

表2

表3

表4

图 7

图 8

表5

图 9

表6

表7

图 10

参考文献 35

[1]	PATEL J S， FIORANELLI F， ANDERSON D. Review of radar classification and RCS characterisation techniques for small UAVs or drones［J］. IET Radar， Sonar & Navigation， 2018， 12（9）： 911-919.
[2]	罗俊海，王芝燕. 无人机探测与对抗技术发展及应用综述［J］. 控制与决策， 2022， 37（3）： 530-544.
	LUO J H， WANG Z Y. A review of development and application of UAV detection and counter technology［J］. Control and Decision， 2022， 37（3）： 530-544 （in Chinese）.
[3]	胡明春，王建明，孙俊，等. 雷达目标识别原理与实验技术［M］. 北京：国防工业出版社， 2017： 9-12.
	HU M C， WANG J M， SUN J， et al. Principle and experiments of radar target recognition technology［M］. Beijing： National Defense Industry Press， 2017： 9-12 （in Chinese）.
[4]	陈小龙，陈唯实，饶云华，等. 飞鸟与无人机目标雷达探测与识别技术进展与展望［J］. 雷达学报， 2020， 9（5）： 803-827.
	CHEN X L， CHEN W S， RAO Y H， et al. Progress and prospects of radar target detection and recognition technology for flying birds and unmanned aerial vehicles［J］. Journal of Radars， 2020， 9（5）： 803-827 （in Chinese）.
[5]	TAHA B， SHOUFAN A. Machine learning-based drone detection and classification： State-of-the-art in research［J］. IEEE Access， 2019， 7： 138669-138682.
[6]	陈唯实，黄毅峰，陈小龙，等. 机场探鸟雷达技术发展与应用综述［J］. 航空学报， 2022， 43（01）： 024758.
	CHEN W S， HUANG Y F， CHEN X L， et al. Development and applications of airport avian radar： Review［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（1）： 024758 （in Chinese）.
[7]	张群，胡健，罗迎，等. 微动目标雷达特征提取、成像与识别研究进展［J］. 雷达学报， 2018， 7（5）： 531-547.
	ZHANG Q， HU J， LUO Y， et al. Research progresses in radar feature extraction， imaging， and recognition of target with micro-motions［J］. Journal of Radars， 2018， 7（5）： 531-547 （in Chinese）.
[8]	MOLCHANOV P， EGIAZARIAN K， ASTOLA J， et al. Classification of small UAVs and birds by micro-Doppler signatures［C］∥2013 European Radar Conference. Piscataway： IEEE Press， 2013： 172-175.
[9]	陈唯实，黄毅峰，卢贤锋. 多传感器融合的无人机探测技术应用综述［J］. 现代雷达， 2020， 42（6）： 15-29.
	CHEN W S， HUANG Y F， LU X F. Survey on application of multi-sensor fusion in UAV detection technology［J］. Modern Radar， 2020， 42（6）： 15-29 （in Chinese）.
[10]	MOLCHANOV P， HARMANNY R， WIT J D， et al. Classification of small UAVs and birds by micro-Doppler signatures［J］. International Journal of Microwave & Wireless Technologies， 2014， 6（3）： 435-444.
[11]	RAHMAN S， ROBERTSON D A. Radar micro-Doppler signatures of drones and birds at K-band and W-band［J］. Scientific Reports， 2018， 8： 17396.
[12]	陈唯实，刘佳，王青斌，等. 气象雷达探鸟技术综述［J］. 航空学报， 2023， 44（5）： 026781.
	CHEN W S， LIU J， WANG Q B， et al. Review on technology of bird detection with weather radar［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 026781 （in Chinese）.
[13]	KIM B K， KANG H S， LEE S， et al. Improved drone classification using polarimetric merged-Doppler images［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18（11）： 1946-1950.
[14]	RAHMAN S， ROBERTSON D A. Classification of drones and birds using convolutional neural networks applied to radar micro-Doppler spectrogram images［J］. IET Radar， Sonar & Navigation， 2020， 14（5）： 653-661.
[15]	CHEN X L， ZHANG H， SONG J， et al. Micro-motion classification of flying bird and rotor drones via data augmentation and modified multi-scale CNN［J］. Remote Sensing， 2022， 14（5）： 1107.
[16]	ZABALZA J， CLEMENTE C， DI CATERINA G， et al. Robust PCA micro-Doppler classification using SVM on embedded systems［J］. IEEE Transactions on Aerospace and Electronic Systems， 2014， 50（3）： 2304-2310.
[17]	杨勇，王雪松，张斌. 基于时频检测与极化匹配的雷达无人机检测方法［J］. 电子与信息学报， 2021， 43（3）： 509-515.
	YANG Y， WANG X S， ZHANG B. Radar detection of unmanned aerial vehicles based on time-frequency detection and polarization matching［J］. Journal of Electronics & Information Technology， 2021， 43（3）： 509-515 （in Chinese）.
[18]	TORVIK B， OLSEN K E， GRIFFITHS H. Classification of birds and UAVs based on radar polarimetry［J］. IEEE Geoscience and Remote Sensing Letters， 2016， 13（9）： 1305-1309.
[19]	KIM B K， KANG H S， PARK S O. Experimental analysis of small drone polarimetry based on micro-Doppler signature［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（10）： 1670-1674.
[20]	KIM B K， KANG H S， LEE S， et al. Improved drone classification using polarimetric merged-Doppler images［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18（11）： 1946-1950.
[21]	DUAN J， ZHANG L， WU Y F， et al. Classification of birds and drones by exploiting periodical motions in Doppler spectrum series［J］. Journal of Systems Engineering and Electronics， 2023， 34（1）： 19-27.
[22]	KOUEMOU G， OPITZ F. Radar target classification in littoral environment with HMMs combined with a track based classifier［C］∥2008 International Conference on Radar. Piscataway： IEEE Press， 2008： 604-609.
[23]	KOUEMOU G， NEUMANN C， OPITZ F. Exploitation of track accuracy in fusion technologies for radar target classification using Dempster-Shafer rules［C］∥ 2009 12th International Conference on Information Fusion. Piscataway： IEEE Press， 2009： 217-223.
[24]	ZHAN W J， YI J X， WAN X R， et al. Track-feature-based target classification in passive radar for low-altitude airspace surveillance［J］. IEEE Sensors Journal， 2021， 21（8）： 10017-10028.
[25]	刘佳，徐群玉，陈唯实. 无人机雷达航迹运动特征提取及组合分类方法［J］. 系统工程与电子技术， 2023， 45（10）： 3122-3131.
	LIU J， XU Q Y， CHEN W S. Motion feature extraction and ensembled classification method based on radar tracks for drones［J］. Systems Engineering and Electronics， 2023， 45（10）： 3122-3131 （in Chinese）.
[26]	汪浩，窦贤豪，田开严，等. 基于CNN的雷达航迹分类方法［J］. 舰船电子对抗， 2023， 46（5）： 70-74.
	WANG H， DOU X H， TIAN K Y， et al. Radar track classification method based on CNN［J］. Shipboard Electronic Countermeasure， 2023， 46（5）： 70-74 （in Chinese）.
[27]	吴琪. 基于多维特征融合的“低慢小” 目标自动识别关键技术研究［D］. 长沙：国防科技大学， 2019.
	WU Q. Research on automatic target recognition of LSS targets based on multi-dimensional feature fusion［D］. Changsha： National University of Defense Technology， 2019 （in Chinese）.
[28]	XIANG T， LV P， SUN L G， et al. TCM model for improving track sequence classification in real scenarios with multi-feature fusion and transformer block［J］. Knowledge-Based Systems， 2024， 283： 111202.
[29]	LIU X F， CHEN Y J， XIONG L Q， et al. Intelligent fault diagnosis methods toward gas turbine： A review［J］. Chinese Journal of Aeronautics， 2024， 37（4）： 93-120.
[30]	魏晓良，潮群，陶建峰，等. 基于LSTM和CNN的高速柱塞泵故障诊断［J］. 航空学报， 2021， 42（3）： 423876.
	WEI X L， CHAO Q， TAO J F， et al. Cavitation fault diagnosis method for high-speed plunger pumps based on LSTM and CNN［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（3）： 423876 （in Chinese）.
[31]	WANG Q L， WU B G， ZHU P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 11531-11539.
[32]	GONG W F， CHEN H， ZHANG Z H， et al. A novel deep learning method for intelligent fault diagnosis of rotating machinery based on improved CNN-SVM and multichannel data fusion［J］. Sensors， 2019， 19（7）： 1693.
[33]	陈晨，袁绍军，尹兆磊，等. 一种分布式发电功率时间序列波动性量化评估方法［J］. 电子与信息学报， 2022， 44（11）： 3825-3832.
	CHEN C， YUAN S J， YIN Z L， et al. A fluctuation quantitative evaluation method for distributed energy power time series［J］. Journal of Electronics & Information Technology， 2022， 44（11）： 3825-3832 （in Chinese）.
[34]	GONG W F， WANG Y Z， ZHANG M L， et al. A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion［J］. IEEE Transactions on Industrial Electronics， 2022， 69（12）： 13636-13646.
[35]	BELL M A， RAHMAN S， ROBERTSON D A. Fast classification of drones and birds with an LSTM network applied to 1D phase data［C］∥2023 IEEE International Radar Conference （RADAR）. Piscataway： IEEE Press， 2023： 10371144

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

层类型		核尺寸	步长	输出
输入层				Head1：［5×3］ Head2：［5×6］ Head3：［5×1］
Head1/ Head2/ Head3	1D-Conv1_1	［2×32］	1	［5×32］
	ECA_block1			［5×32］
	1D-Conv1_2	［2×8］	1	［5×8］
Concatenate				［5×24］
ECA_block4				［5×24］
1D-Conv4		［2×32］	1	［5×32］
1D-Conv5		［2×8］	1	［5×8］
1D-Conv6		［2×1］	1	［5×2］
1D-GAP		［5×2］	1	2
softmax				2

数据集	飞鸟	无人机
样本数量	［1 860，10］	［229，10］
训练集	［2 170，30，10］	［472，30，10］
测试集	［543，30，10］	［119，30，10］
多头1D-CNN训练集	［56 420，5，10］	［14 118，5，10］
多头1D-CNN测试集	［12 272，5，10］	［3 094，5，10］

模型A网络结构	模型B网络结构	模型C网络结构	模型D网络结构	模型E网络结构
Input（5，10）	Input：Head1（5，3） Head2（5，6） Head3（5，1）	Input：Head1（5，3） Head2（5，6）	Input：Head1（5，3） Head2（5，6） Head3（5，1）	Input：Head1（5，3） Head2（5，6） Head3（5，1）
1D-Conv1（2，1，32）	1D-Conv1_1（2，1，32）	1D-Conv1_1（2，1，32）	1D-Conv1_1（2，1，32）	1D-Conv1_1（2，1，32）
ECA_block1		ECA_block1_1	ECA_block1_1	ECA_block1_1
1D-Conv2（2，1，8）	1D-Conv1_2（2，1，8）	1D-Conv1_2（2，1，8）	1D-Conv1_2（2，1，8）	1D-Conv1_2（2，1，8）
1D-MaxPooling（/2）	1D-MaxPooling（/2）	1D-MaxPooling（/2）	1D-MaxPooling（/2）	1D-MaxPooling（/2）
	Concatenate	Concatenate	Concatenate	Concatenate
ECA_block2		ECA_block3	ECA_block4	ECA_block4
1D-Conv3（2，1，32）	1D-Conv4（2，1，32）	1D-Conv4（2，1，32）	1D-Conv4（2，1，32）	1D-Conv4（2，1，32）
1D-Conv4（2，1，1）	1D-Conv5（2，1，1）	1D-Conv5（2，1，1）	1D-Conv4（2，1，64）	1D-Conv5（2，1，1）
1D-GAP（2）	1D-GAP（2）	1D-GAP（2）	FC（F=64）	1D-GAP（2）
softmax（2）	softmax（2）	softmax（2）	FC（F=2），softmax	softmax（2）

参数	模型A	模型B	模型C	模型D	模型E
准确率/%	92.44	92.27	92.27	92.20	93.40
虚警率/%	6.37	6.86	6.96	7.83	5.92
漏检率/%	12.96	11.70	11.25	7.63	9.70
参数量	6 456	4 610	3 331	21 382	4 622
测试时间/ms	0.027	0.022	0.025	0.031	0.028

最大阈值	3.0	3.2	3.4	3.6	3.8	4.0
最小阈值	-3.0	-3.2	-3.4	-3.6	-3.8	-4.0
准确率/%	98.92	99.11	99.31	99.37	99.53	99.47
虚警率/%	0.89	0.65	0.46	0.42	0.22	0.23
漏检率/%	2.06	2.16	2.00	1.80	1.94	2.44
难分航迹条数	228	278	334	405	500	576
难分航迹占比/%	8.63	10.52	12.64	15.33	18.92	21.80

基于雷达航迹序列的无人机/飞鸟动态分类

Dynamic classification of unmanned aerial vehicles and flying birds based on radar track sequences

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 35

相关文章 15

编辑推荐

Metrics

本文评价

最大阈值	0.65	0.75	0.85	0.95	1.05	1.15
最小阈值	-0.6	-0.7	-0.8	-0.9	-1.0	-1.1
准确率/%	98.25	98.43	98.58	98.69	98.81	98.88
虚警率/%	1.56	1.43	1.29	1.15	1.01	0.92
漏检率/%	2.64	2.22	2.01	2.03	2.04	2.04
难分航迹条数	74	91	100	116	124	133
难分航迹占比/%	2.80	3.44	3.78	4.39	4.69	5.03

航迹长度	算法	准确率/%	虚警率/%	漏检率/%
5拍	文献［25］
	LSTM	79.76	16.76	36.13
	Transformer	87.61	10.13	22.69
	本文算法	93.40	5.92	9.70
30拍	文献［25］	85.80	12.89	20.17
	LSTM	93.35	5.53	11.77
	Transformer	93.35	5.34	12.61
	本文算法	95.02	4.60	6.72

[1]	何书剑李贤谷延锋. 多模遥感立体信息获取发展现状与展望-航天遥感图像智能处理与分析[J]. 航空学报, 0, (): 1-0.
[2]	袁田倪丽花刘田谢伟王谋张琰. 航天器微弱DS/FH测控信号长时间相干累积捕获技术[J]. 航空学报, 0, (): 1-0.
[3]	成桢灏, 杨小冈, 卢瑞涛, 张涛, 王思宇. 基于多阶段蒸馏的无人机图像时敏目标增量检测算法[J]. 航空学报, 2025, 46(24): 331959-331959.
[4]	王诗悦程凯欣陈昱帆王磊孙佳琛谷江春朱磊. 通感一体化内生安全威胁及其跨层防御综述-“空天地一体化智能网联”专刊[J]. 航空学报, 0, (): 1-0.
[5]	冯贤海李炯赵岩叶继坤. 多拦截器异构视场协同覆盖优化方法（2026增刊1，会议投稿号20250109）[J]. 航空学报, 0, (): 1-0.
[6]	刘奇, 裴智翔, 惠乐, 何明一, 戴玉超. 基于双分支特征聚合的无人机视觉位置识别[J]. 航空学报, 2025, 46(23): 632457-632457.
[7]	王飞, 刘勇, 姚嘉伟, 朱轩磊, 卢孝强, 郭文星, 张雪涛, 郭宇. RS-AdaDiff：基于降质感知自适应估计的单步遥感图像超分辨率扩散模型[J]. 航空学报, 2025, 46(23): 632763-632763.
[8]	姚兆汝, 孙航, 任东, 刘莉, 万俊. 双向映射与物理负相关的航空图像去雾算法[J]. 航空学报, 2025, 46(23): 631652-631652.
[9]	丛润民, 孙豪言, 罗宇轩, 方豪. 基于类关系挖掘的遥感图像广义小样本分割方法[J]. 航空学报, 2025, 46(23): 631694-631694.
[10]	王宇宁, 梅少辉, 马明阳, 任永政, 曹孟涛, 冯燕. 时-谱动态约束的光谱波段自适应成像探测[J]. 航空学报, 2025, 46(23): 631963-631963.
[11]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[12]	李杰潘贺威唐明豪熊进. 基于多源航天遥感影像的建筑物受损变化检测-航天遥感图像智能处理与分析专栏[J]. 航空学报, 0, (): 1-0.
[13]	李思远韩德强 Jean Dezert 杨艺. 利用学习机制的多方法融合端到端证据建模[J]. 航空学报, 0, (): 1-0.
[14]	金宇强杨旭升张文安. 一种基于线性约束的鲁棒几何滤波方法[J]. 航空学报, 0, (): 1-0.
[15]	李小平, 杨敏, 刘浩岩, 乔龙杰, 李乘光, 张琼杰. 动态等离子鞘套信道相干时间估计算法与实验验证[J]. 航空学报, 2025, 46(22): 331613-331613.