基于DSAE-VGG的無(wú)人機(jī)定位跟蹤技術(shù)

摘要：為提高無(wú)人機(jī)的識(shí)別準(zhǔn)確率，基于深度稀疏自編碼網(wǎng)絡(luò)（DSAE）和視覺(jué)幾何組（VGG）深度卷積網(wǎng)絡(luò)，提出一種DSAE-VGG無(wú)人機(jī)識(shí)別模型。采用DSAE對(duì)雷達(dá)探測(cè)的無(wú)人機(jī)數(shù)據(jù)進(jìn)行了特征降維，根據(jù)雷達(dá)探測(cè)的無(wú)人機(jī)數(shù)據(jù)設(shè)計(jì)改進(jìn)了VGG網(wǎng)絡(luò)結(jié)構(gòu)，并利用改進(jìn)的VGG網(wǎng)絡(luò)對(duì)特征降維后的數(shù)據(jù)進(jìn)行分類識(shí)別，實(shí)現(xiàn)了無(wú)人機(jī)的有效識(shí)別。仿真結(jié)果表明，所提模型可準(zhǔn)確識(shí)別單旋翼、四旋翼、六旋翼無(wú)人機(jī)，且具有較高的準(zhǔn)確率，平均識(shí)別準(zhǔn)確率達(dá)到97%，相較于CNN模型和VGG模型，平均識(shí)別準(zhǔn)確率分別提高了8.24%和4.22%，具有一定的優(yōu)越性，可滿足基于雷達(dá)探測(cè)的無(wú)人機(jī)識(shí)別準(zhǔn)確率要求。

關(guān)鍵詞：雷達(dá)探測(cè)；無(wú)人機(jī)識(shí)別；DSAE網(wǎng)絡(luò)；VGG網(wǎng)絡(luò)

中圖分類號(hào)：TP399文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2025）01-0141-04

Esearch on UAV location and tracking technology based on radar detection

ZHANG Shoujun，JIN Xancai，GAO Xingshan，CHI Qingzhi

（State Grid Heilongjiang Electric Power Co.，Ltd.，Hegang Power Supply Company，Hegang 154100，Heilongjiang China）

Abstract：To improve the recognition accuracy of drones，a DSAE-VGG drone recognition model was proposed based on Deep Sparse Auto Encoder（DSAE）and VGG networks.DSAE was used to reduce the feature dimension of the UAV data detected by radar，and the VGG network structure was designed and improved according to the UAV data detected by radar，and the improved VGG network was used to classify and identify the data after feature dimensionality reduction，so as to realize the effective identification of UAV.The simulation results showed that the proposed model could accurately identify single rotor，four rotor，and six rotor unmanned aerial vehicles，and had a high accuracy rate，with an average recognition accuracy of 97%.Compared with the CNN model and VGG model，the average recognition accuracy had been improved by 8.24%and 4.22%，respectively.It has certain advantages and can meet the accuracy requirements of radar detection based unmanned aerial vehicle recognition.

Key words：radar detection；drone identification；DSAE network；VGG network

隨著人工智能技術(shù)的不斷發(fā)展，能快速準(zhǔn)確完成任務(wù)的無(wú)人機(jī)在商業(yè)、農(nóng)業(yè)、軍事等領(lǐng)域的應(yīng)用日益普及，對(duì)降低任務(wù)成本，提高任務(wù)完成效率發(fā)揮著至關(guān)重要的作用。因此，有必要及時(shí)對(duì)無(wú)人機(jī)進(jìn)行快速準(zhǔn)確識(shí)別。對(duì)此，相關(guān)學(xué)者進(jìn)行了研究，如通過(guò)對(duì)無(wú)人機(jī)雷達(dá)回波進(jìn)行建模，并利用深度學(xué)習(xí)提取、增強(qiáng)無(wú)人機(jī)特征進(jìn)行識(shí)別，有效解決了無(wú)q人機(jī)等低慢小目標(biāo)的識(shí)別[1]；提出一種基于雙目測(cè)距和YOLOv5s的無(wú)人機(jī)識(shí)別定位追蹤方法，通過(guò)采用YOLOv5s網(wǎng)絡(luò)進(jìn)行識(shí)別，并使用KCF追蹤算法鎖定無(wú)人機(jī)[2]；利用一種基于信號(hào)線圈的多無(wú)人機(jī)識(shí)別方法，可有效識(shí)別多無(wú)人機(jī)及多機(jī)艙環(huán)境，一定程度上保障了無(wú)人機(jī)應(yīng)用安全[3]。通過(guò)上述研究可以發(fā)現(xiàn)，基于雷達(dá)探測(cè)的無(wú)人機(jī)識(shí)別方法在無(wú)人機(jī)識(shí)別領(lǐng)域取得了良好的效果，可有效獲取無(wú)人機(jī)位置、狀態(tài)等信息，但在利用深度學(xué)習(xí)進(jìn)行識(shí)別時(shí)，存在識(shí)別精度不高的問(wèn)題。基于此，在雷達(dá)探測(cè)無(wú)人機(jī)基礎(chǔ)上，通過(guò)采用DSAE網(wǎng)絡(luò)對(duì)雷達(dá)回波數(shù)據(jù)進(jìn)行降維，然后利用改進(jìn)的VGG網(wǎng)絡(luò)進(jìn)行分類識(shí)別，提出一種DSAE-VGG無(wú)人機(jī)識(shí)別模型。

1基本算法

1.1 DSAE網(wǎng)絡(luò)簡(jiǎn)介

DSAE網(wǎng)絡(luò)是由多個(gè)稀疏自編碼器（SAE）構(gòu)成的一種堆棧自編碼器，其基本單元為SAE網(wǎng)絡(luò)。DSAE網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[6]，其中，N表示SAE數(shù)量，研究后續(xù)通過(guò)實(shí)驗(yàn)進(jìn)行確定。

DSAE網(wǎng)絡(luò)可有效壓縮輸入數(shù)據(jù)的維度，并保留輸入數(shù)據(jù)的關(guān)鍵特征信息[7]?？紤]到研究中雷達(dá)探測(cè)的無(wú)人機(jī)回波微多普勒譜圖特征維度較高，若直接采用分類識(shí)別網(wǎng)絡(luò)進(jìn)行識(shí)別，可能會(huì)增加計(jì)算成本。因此，首先采用DSAE網(wǎng)絡(luò)進(jìn)行了特征降維。

1.2 VGG網(wǎng)絡(luò)原理及改進(jìn)

VGG網(wǎng)絡(luò)是一種經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)，通過(guò)采用深度架構(gòu)和連續(xù)的卷積層以及較小的卷積核，可有效減少參數(shù)量，提高網(wǎng)絡(luò)的訓(xùn)練速度和泛化能力[8-11]。因此，采用VGG網(wǎng)絡(luò)用于識(shí)別雷達(dá)探測(cè)的無(wú)人機(jī)回波微多普勒譜圖。VGG網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)框架，可根據(jù)實(shí)際進(jìn)行調(diào)整，以平衡網(wǎng)絡(luò)規(guī)模和性能[12-13]。研究根據(jù)雷達(dá)探測(cè)的無(wú)人機(jī)回波微多普勒譜圖，在VGG網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上進(jìn)行了改進(jìn)，具體改進(jìn)策略如下：

（1）雷達(dá)探測(cè)的無(wú)人機(jī)回波微多普勒譜圖通過(guò)DSAE網(wǎng)絡(luò)進(jìn)行了特征降維，因此可減少VGG網(wǎng)絡(luò)的卷積層數(shù)，并將2個(gè)卷積層和一個(gè)池化層組成一個(gè)模塊，采用9層卷積層。同時(shí)，為保證網(wǎng)絡(luò)快速收斂，在每個(gè)卷積層后增加一個(gè)BN層；

（2）根據(jù)DSAE網(wǎng)絡(luò)中間層輸出特征維度大小，將卷積層的卷積核尺寸修改為1×3，池化層池化核尺寸修改為1×2，以確保網(wǎng)絡(luò)卷積與池化操作過(guò)程匹配；

（3）根據(jù)DSAE網(wǎng)絡(luò)降維后的一維特征在原始微多普勒譜圖上相關(guān)的特點(diǎn)，將全連接層前一層卷積網(wǎng)絡(luò)的卷積核尺寸修改為3×3，以確保網(wǎng)絡(luò)可快速學(xué)習(xí)到特征間的相關(guān)性。

根據(jù)上述改進(jìn)，可得到改進(jìn)后的VGG網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2基于DSAE-VGG的無(wú)人機(jī)定位跟蹤技術(shù)

結(jié)合DSAE網(wǎng)絡(luò)和改進(jìn)的VGG網(wǎng)絡(luò)，研究提出一種DSAE-VGG網(wǎng)絡(luò)模型，用于無(wú)人機(jī)識(shí)別，具體識(shí)別流程如下：

（1）數(shù)據(jù)采集與預(yù)處理。收集整理雷達(dá)探測(cè)的無(wú)人機(jī)數(shù)據(jù)，并根據(jù)多普勒效應(yīng)將雷達(dá)數(shù)據(jù)轉(zhuǎn)化為微多普勒?qǐng)D[14]?？紤]到數(shù)據(jù)存在差值過(guò)大和分布不均的問(wèn)題，會(huì)影響最終分類識(shí)別結(jié)果，對(duì)微多普勒譜圖進(jìn)行分塊、零均值化篩選等預(yù)處理；

（2）數(shù)據(jù)降維。基于預(yù)處理后的微多普勒譜圖，采用DSAE網(wǎng)絡(luò)進(jìn)行特征降維；

（3）數(shù)據(jù)分類識(shí)別?；贒SAE網(wǎng)絡(luò)特征降維后的圖像，利用改進(jìn)的VGG網(wǎng)絡(luò)進(jìn)行分類識(shí)別，其輸出結(jié)果即為無(wú)人機(jī)識(shí)別結(jié)果。

3仿真實(shí)驗(yàn)

3.1實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)基于pytorch深度學(xué)習(xí)框架搭建DSAE-VGG模型，并在Windows10操作系統(tǒng)中運(yùn)行。系統(tǒng)配置In?tel i5 9400 F CPU，NVIDIA GeForce RTX2060 GPU。

3.2數(shù)據(jù)來(lái)源及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)由仿真實(shí)驗(yàn)獲取，首先根據(jù)LFMCW雷達(dá)回波原理和無(wú)人機(jī)微多普勒效應(yīng)，得出無(wú)人機(jī)單個(gè)葉片和多個(gè)葉片回波公式[15]；然后通過(guò)選取無(wú)人機(jī)參數(shù)，得到無(wú)人機(jī)回波，無(wú)人機(jī)參數(shù)如表1；最后利用長(zhǎng)度為512個(gè)采樣點(diǎn)的漢寧窗對(duì)無(wú)人機(jī)回波進(jìn)行短時(shí)傅里葉變換（STFT），得到微多普勒譜圖，作為實(shí)驗(yàn)數(shù)據(jù)，用于所提DSAE-VGG模型識(shí)別。

通過(guò)上述仿真，最終實(shí)驗(yàn)得到用于DSAE-VGG模型識(shí)別的無(wú)人機(jī)微多普勒譜圖共3 000張，并將其按2：1比例劃分為訓(xùn)練集和測(cè)試集。

3.3評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)選用準(zhǔn)確率（ACC）作為評(píng)估所提DSAE-VGG模型對(duì)雷達(dá)探測(cè)無(wú)人機(jī)微多普勒譜圖識(shí)別效果的性能指標(biāo)，其計(jì)算方法如式（1）[16]：

式中：TP表示真正例；TN表示真負(fù)例；FP表示假正例；FN表示假負(fù)例。

3.4參數(shù)設(shè)置

實(shí)驗(yàn)設(shè)置所提模型的超參數(shù)為：最大迭代次數(shù)100次，批處理大小128，優(yōu)化算法Adam，DSAE網(wǎng)絡(luò)和VGG網(wǎng)絡(luò)的初始學(xué)習(xí)率分別為0.000 1和0.000 5，損失函數(shù)分別為均方誤差和交叉熵[17-18]。訓(xùn)練過(guò)程中，為達(dá)到良好的收斂效果，設(shè)置每經(jīng)過(guò)20個(gè)訓(xùn)練輪次，DSAE網(wǎng)絡(luò)和VGG網(wǎng)絡(luò)的學(xué)習(xí)率衰減為原來(lái)的0.2倍[19-20]。

3.5結(jié)果與分析

3.5.1模型性能分析

（1）分塊個(gè)數(shù)的影響?？紤]到微多普勒譜圖中分

塊個(gè)數(shù)可能會(huì)對(duì)模型最終識(shí)別效果造成影響，研究設(shè)置了不同分塊個(gè)數(shù)并設(shè)定DSAE網(wǎng)絡(luò)層數(shù)為3層，降維后特征維度為256。不同分塊個(gè)數(shù)下所提模型的準(zhǔn)確率和訓(xùn)練與預(yù)測(cè)時(shí)間如圖3所示。

由圖3可知，隨著分塊個(gè)數(shù)的增加，所提模型的識(shí)別準(zhǔn)確率先上升后下降，訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間均逐漸增加；當(dāng)分塊個(gè)數(shù)為35個(gè)時(shí)，所提模型的識(shí)別準(zhǔn)確率達(dá)到最大，為98.11%。通過(guò)綜合分析所提模型的識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間與預(yù)測(cè)時(shí)間，為保證模型的識(shí)別效果，同時(shí)保證模型的訓(xùn)練與預(yù)測(cè)時(shí)間在設(shè)定范圍內(nèi)，研究設(shè)置分塊個(gè)數(shù)為35個(gè)。

（2）DSAE網(wǎng)絡(luò)層數(shù)的影響。DSAE網(wǎng)絡(luò)層數(shù)決定了DSAE網(wǎng)絡(luò)的參數(shù)量以及最終降維特征量，而不同特征量對(duì)改進(jìn)VGG網(wǎng)絡(luò)的識(shí)別效果不同。因此，為確定最佳DSAE網(wǎng)絡(luò)層數(shù)，研究設(shè)置微多普勒譜圖的分塊個(gè)數(shù)為35，并分析了不同DSAE網(wǎng)絡(luò)層數(shù)對(duì)所提模型性能的影響，結(jié)果如圖4所示。

由圖4可知，不同DSAE網(wǎng)絡(luò)層數(shù)條件下，隨著特征維度的增加，所提模型識(shí)別準(zhǔn)確率均逐漸上升，當(dāng)特征維度為256維時(shí)，識(shí)別準(zhǔn)確率均達(dá)到最大值。整體來(lái)看，當(dāng)DSAE網(wǎng)絡(luò)層數(shù)為3層時(shí)，所提模型的識(shí)別準(zhǔn)確率最高，平均識(shí)別準(zhǔn)確率達(dá)到97%。因此，本研究設(shè)定DSAE網(wǎng)絡(luò)層數(shù)為3層。

3.5.2模型對(duì)比

（1）降維方法對(duì)比。為進(jìn)一步驗(yàn)證所提模型采用DSAE網(wǎng)絡(luò)對(duì)微多普勒譜圖特征降維的有效性，研究對(duì)比了所提模型采用3層DSAE網(wǎng)絡(luò)降維方法，以及常用數(shù)據(jù)降維方法PCA與NMF方法降維后，VGG網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率，結(jié)果如圖5所示。

由圖5可知，相較于PCA和NMF對(duì)比方法，采用所提DSAE網(wǎng)絡(luò)對(duì)微多普勒譜圖進(jìn)行特征降維后，VGG網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率更高，平均識(shí)別準(zhǔn)確率為97%，分別提升了3%和9%，且更具有穩(wěn)定性。由此說(shuō)明，所提模型采用DSAE網(wǎng)絡(luò)進(jìn)行圖像特征降維具有一定的優(yōu)越性。

（2）識(shí)別網(wǎng)絡(luò)對(duì)比。為驗(yàn)證所提模型通過(guò)DSAE網(wǎng)絡(luò)降維后采用改進(jìn)VGG網(wǎng)絡(luò)進(jìn)行識(shí)別的有效性，研究對(duì)比了所提模型與常用分類識(shí)別模型CNN和SVM模型，在實(shí)驗(yàn)數(shù)據(jù)集上的準(zhǔn)確率。

不同模型對(duì)無(wú)人機(jī)微多普勒譜圖的識(shí)別準(zhǔn)確率不同，其中CNN模型對(duì)不同旋翼無(wú)人機(jī)的識(shí)別準(zhǔn)確率最低，平均識(shí)別準(zhǔn)確率為88.76%，所提DSAE-VGG模型對(duì)不同旋翼無(wú)人機(jī)的識(shí)別準(zhǔn)確率最高，平均識(shí)別準(zhǔn)確率為97%。根據(jù)不同模型識(shí)別準(zhǔn)確率來(lái)看，所提DSAE-VGG模型的識(shí)別準(zhǔn)確率相較于CNN模型和VGG模型分別提高了8.24%和4.22%。通過(guò)綜合考慮識(shí)別時(shí)間，所提DSAE-VGG模型識(shí)別時(shí)間為1.24 s；而CNN和VGG模型的識(shí)別時(shí)間分別為25.36 s和32.11 s，一定程度上增加了時(shí)間成本。由此可知，所提DSAE-VGG模型在無(wú)人機(jī)識(shí)別方面具有一定的優(yōu)越性。

4結(jié)語(yǔ)

綜上所述，所提的基于雷達(dá)探測(cè)的無(wú)人機(jī)識(shí)別方法，通過(guò)利用雷達(dá)原理和多普勒效應(yīng)將雷達(dá)探測(cè)的無(wú)人機(jī)數(shù)據(jù)轉(zhuǎn)化為微多普勒譜圖，并采用DSAE網(wǎng)絡(luò)對(duì)無(wú)人機(jī)微多普勒譜圖進(jìn)行特征降維，然后采用改進(jìn)的VGG網(wǎng)絡(luò)進(jìn)行分類識(shí)別，有效實(shí)現(xiàn)了無(wú)人機(jī)識(shí)別。相較于PCA與NMF降維方法，所提模型采用DSAE網(wǎng)絡(luò)對(duì)微多普勒譜圖進(jìn)行特征降維后，VGG網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率更高，平均識(shí)別準(zhǔn)確率為97%，分別提升了3%和9%，且更具有穩(wěn)定性；相較于常用分類識(shí)別模型CNN和VGG模型，所提模型采用VGG網(wǎng)絡(luò)識(shí)別無(wú)人機(jī)具有更高的準(zhǔn)確率，平均識(shí)別準(zhǔn)確率為97%，分別提高了8.24%和4.22%，具有一定的優(yōu)越性，可滿足基于雷達(dá)探測(cè)的無(wú)人機(jī)識(shí)別準(zhǔn)確率要求。

【參考文獻(xiàn)】

[1]陳小龍，陳唯實(shí)，饒?jiān)迫A，等.飛鳥(niǎo)與無(wú)人機(jī)目標(biāo)雷達(dá)探測(cè)與識(shí)別技術(shù)進(jìn)展與展望[J].雷達(dá)學(xué)報(bào)，2020，9（5）：803-827.

[2]梅楓，高興宇，鄧仕超，等.雙目測(cè)距和YOLOv5s的無(wú)人機(jī)快速識(shí)別定位追蹤系統(tǒng)[J].現(xiàn)代電子技術(shù)，2023，46（10）：181-186.

[3]龔文蘭，陳紹南，肖靜，等.基于信號(hào)線圈的多無(wú)人機(jī)身份識(shí)別方法研究[J].重慶大學(xué)學(xué)報(bào)，2023，46（7）：113-120.

[4]陳晨，任南.基于SAE和GNDO-SVM的腦電信號(hào)情緒識(shí)別[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2023，32（10）：284-292.

[5]聶磊，蔡文濤，張呂凡，等.基于SAE-SA-1D-CNN-BGRU的渦扇發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)[J].航空發(fā)動(dòng)機(jī)，2023，49（4）：134-139.

[6]姜東良，李天昊，劉文浩.基于相似日和SAE-DBiLSTM模型的短期電力負(fù)荷預(yù)測(cè)[J].電氣工程學(xué)報(bào)，2022，17（4）：240-249.

[7]王秋實(shí)，楊明，李鵬，等.基于LSTM-SAE與支持向量機(jī)的竊電識(shí)別方法研究[J].電力信息與通信技術(shù)，2022，20（9）：51-58.

[8]吳怡啄，楊定禮，周輝，等.基于改進(jìn)VGG網(wǎng)絡(luò)的面部表情識(shí)別方法[J].電子器件，2023，46（4）：1062-1069.

[9]童占北，鐘建偉，李禎維，等.基于VGG16圖像特征提取和SVM的電能質(zhì)量擾動(dòng)分類[J].電工電氣，2023（7）：7-13.

[10]王程遠(yuǎn)，趙俊莉，計(jì)曉斐，等.基于改進(jìn)的VGG網(wǎng)絡(luò)的煙柜狀態(tài)識(shí)別模型[J].計(jì)算機(jī)工程與設(shè)計(jì)，2023，44（6）：1796-1803.

[11]丁汕汕，陳仁文，黃翊君，等.重參數(shù)化VGG網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用研究[J].振動(dòng)與沖擊，2023，42（11）：313-323.

[12]麻方達(dá)，劉澤平，陳世海，等.基于VGG19卷積神經(jīng)網(wǎng)絡(luò)的圖像拼接質(zhì)量評(píng)價(jià)算法[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2023，38（2）：31-36.

[13]方宇倫，陳雪純，杜世昌，等.基于輕量化深度學(xué)習(xí)VGG16網(wǎng)絡(luò)模型的表面缺陷檢測(cè)方法[J].機(jī)械設(shè)計(jì)與研究，2023，39（2）：143-147.

[14]張林朋，楊紅云，錢(qián)政，等.基于改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻氮素營(yíng)養(yǎng)診斷[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，28（6）：219-229.

[15]潘光松.基于深度學(xué)習(xí)的雷達(dá)低空小目標(biāo)自動(dòng)識(shí)別技術(shù)研究[D].成都：電子科技大學(xué)，2022.

[16]張偉光，鐘靖濤，呼延菊，等.基于VGG16-UNet語(yǔ)義分割模型的路面龜裂形態(tài)提取與量化[J].交通運(yùn)輸工程學(xué)報(bào)，2023，23（2）：166-182.

[17]郭昕剛，沈紫琪，王曉林.改進(jìn)VGG網(wǎng)絡(luò)的人臉表情識(shí)別[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2023，44（1）：52-57.

[18]夏堅(jiān)，周利君，張偉.基于遷移學(xué)習(xí)與VGG16深度神經(jīng)網(wǎng)絡(luò)的建筑物裂縫檢測(cè)方法[J].福建建設(shè)科技，2022（1）：19-22.

[19]趙子豐.風(fēng)電場(chǎng)5G無(wú)人機(jī)巡檢技術(shù)與路徑優(yōu)化設(shè)計(jì)[J].粘接，2023，50（7）：184-188.

[20]汪楊凱，曾宏宇，趙然，等.基于航線自主規(guī)劃的變電站無(wú)人機(jī)巡檢[J].粘接，2021，48（12）：173-177.

（責(zé)任編輯：平海，蘇幔）