近年來，具有低雷達(dá)截面積（RCS）的小型無人機(jī)（SUAVs）在軍事和民用領(lǐng)域得到了廣泛應(yīng)用[[1], [2]]。SUAVs在航拍、環(huán)境監(jiān)測、交通檢查以及火災(zāi)應(yīng)急響應(yīng)等領(lǐng)域的廣泛應(yīng)用，得益于其緊湊的尺寸、機(jī)動(dòng)性、安全性、隱蔽性、易用性和成本效益等獨(dú)特優(yōu)勢。盡管SUAVs的普及給人類帶來了諸多便利，但它們也可能帶來威脅，尤其是被惡意利用時(shí)[[3], [4]]。大量未經(jīng)授權(quán)的SUAVs飛行可能導(dǎo)致空中交通擁堵和嚴(yán)重的安全事故。此外，SUAVs可能被用于非法活動(dòng)，如毒品走私、恐怖襲擊和未經(jīng)授權(quán)的監(jiān)視。因此，識(shí)別和檢測這些行為至關(guān)重要[5]。
雷達(dá)系統(tǒng)憑借其全天候檢測能力，已成為檢測SUAVs的首選方法。雷達(dá)目標(biāo)識(shí)別的主要信息來源包括微多普勒信號(hào)、雷達(dá)截面積（RCS）、合成孔徑雷達(dá)（SAR）、逆合成孔徑雷達(dá)（ISAR）和雷達(dá)距離-速度圖。Ye等人[6]將UAVs的RCS數(shù)據(jù)轉(zhuǎn)換為格拉姆角場（GAF）表示，并基于深度融合的ResNet網(wǎng)絡(luò)進(jìn)行了分類。Wang等人[7]提出了一種基于SAR成像特征的改進(jìn)YOLOv8網(wǎng)絡(luò)用于飛機(jī)目標(biāo)識(shí)別。Lee等人[8]整合了來自三個(gè)信息源的數(shù)據(jù)：光學(xué)圖像、雷達(dá)距離-多普勒?qǐng)D像和音頻頻譜圖，并使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型進(jìn)行UAV檢測和分類。He等人[9]使用商用毫米波雷達(dá)檢測和識(shí)別非合作性UAVs。Chen等人[10]提出了一種基于深度學(xué)習(xí)融合技術(shù)的新方法，該方法整合了頻率調(diào)制連續(xù)波（FMCW）雷達(dá)微多普勒信號(hào)、節(jié)奏速度圖（CVD）信號(hào)和倒譜（CEP）信號(hào)。上述大多數(shù)研究要么整合了多種信息源來完成識(shí)別任務(wù)，要么采用了復(fù)雜的預(yù)處理方法，這不可避免地導(dǎo)致了計(jì)算成本的增加和任務(wù)復(fù)雜性的提高[11]。
利用單一信息源實(shí)現(xiàn)SUAVs的準(zhǔn)確識(shí)別是一個(gè)令人興奮的前景。在各種信息源中，微多普勒特征因其獨(dú)特優(yōu)勢而脫穎而出。SUAVs通常依靠推進(jìn)系統(tǒng)飛行，其中旋轉(zhuǎn)葉片是主要的推進(jìn)方式[12]。微多普勒效應(yīng)的獨(dú)特之處在于它們能夠檢測到由目標(biāo)結(jié)構(gòu)元素（包括振動(dòng)和旋轉(zhuǎn)）的微小運(yùn)動(dòng)在雷達(dá)回波信號(hào)中引起的微妙多普勒頻率變化。對(duì)于SUAVs來說，與其旋轉(zhuǎn)葉片和/或風(fēng)扇葉片相關(guān)的微運(yùn)動(dòng)會(huì)產(chǎn)生獨(dú)特的微多普勒特征，這些特征是有效識(shí)別和分類目標(biāo)的線索[13]。此外，這些特征具有唯一性、抗偽造性，并且不受目標(biāo)方向和距離等因素的影響，因此具有很高的實(shí)際應(yīng)用價(jià)值。
深度學(xué)習(xí)技術(shù)的最新進(jìn)展使其在各個(gè)領(lǐng)域得到了快速發(fā)展和廣泛應(yīng)用[[14], [15], [16], [17]]。出現(xiàn)了許多優(yōu)秀的模型，如AlexNet、GoogLeNet、ResNet和DenseNet等[[18], [19], [20], [21]]。深度學(xué)習(xí)以其強(qiáng)大的自動(dòng)特征提取能力而著稱，在處理復(fù)雜任務(wù)時(shí)表現(xiàn)出顯著的準(zhǔn)確性。在檢測和分類SUAVs方面，基于深度學(xué)習(xí)的模型得到了廣泛應(yīng)用，這成為該研究領(lǐng)域的一個(gè)顯著趨勢。例如，Sun等人[22]使用長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)檢測和分類兩種SUAVs，實(shí)驗(yàn)數(shù)據(jù)是在最大7米的室內(nèi)范圍內(nèi)收集的。Zhou等人[23]開發(fā)了一種多尺度決策融合CNN，該模型整合了從FMCW雷達(dá)提取的時(shí)域、時(shí)頻域和距離-多普勒微多普勒特征，實(shí)現(xiàn)了高精度分類。Zhang等人[24]使用FMCW雷達(dá)捕獲包含UAVs微多普勒信息的距離-多普勒?qǐng)D，并開發(fā)了一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)來提取微多普勒特征，以實(shí)現(xiàn)穩(wěn)健的UAV檢測和分類。實(shí)驗(yàn)主要關(guān)注識(shí)別四旋翼飛行器螺旋槳的旋轉(zhuǎn)狀態(tài)和非旋轉(zhuǎn)狀態(tài)。Patel等人[25]使用預(yù)訓(xùn)練的AlexNet模型在兩種不同場景下判斷UAV是否超載。Rahman等人[26]創(chuàng)建了一個(gè)包含UAVs和鳥類微多普勒頻譜圖的大型數(shù)據(jù)庫，并使用序列網(wǎng)絡(luò)實(shí)現(xiàn)了四種類型目標(biāo)的識(shí)別，他們的目標(biāo)是區(qū)分UAVs和非UAVs。Kim等人[27]利用每種目標(biāo)展示的獨(dú)特微多普勒特征自動(dòng)識(shí)別UAVs、鳥類和人類目標(biāo)。Hong等人[28]提出了一種基于競爭學(xué)習(xí)粒子群優(yōu)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參數(shù)眾多，給實(shí)際應(yīng)用帶來了挑戰(zhàn)，限制了其應(yīng)用范圍。此外，數(shù)據(jù)采集是在受控條件下進(jìn)行的，通常在實(shí)驗(yàn)室或無回聲室中進(jìn)行，獲得的樣本類別和數(shù)量相對(duì)有限，嚴(yán)重影響了研究結(jié)果的實(shí)際相關(guān)性[[29], [30]]。
本文提出了一種改進(jìn)的CNN，用于在復(fù)雜環(huán)境中準(zhǔn)確識(shí)別六種類型的SUAVs。通過整合兩種互補(bǔ)的優(yōu)化策略，所提出的模型與原始CNN相比顯著提高了識(shí)別精度。這項(xiàng)工作提供了一個(gè)高效可靠的SUAV識(shí)別框架，為智能監(jiān)控、監(jiān)視和自動(dòng)化控制系統(tǒng)提供了有價(jià)值的見解。在研究中，我們引入了一種簡潔高效的自門控混合注意力模塊，該模塊結(jié)合了注意力機(jī)制和輕量級(jí)門控單元，以增強(qiáng)特征提取能力，同時(shí)避免不必要的參數(shù)增長。此外，通過將大卷積核分解為更小的組件，實(shí)現(xiàn)了表達(dá)能力和計(jì)算效率之間的更好平衡。另外，應(yīng)用了基于泰勒的剪枝策略來移除冗余或貢獻(xiàn)較小的組件，從而得到更適合在實(shí)際資源受限環(huán)境中部署的緊湊網(wǎng)絡(luò)。與現(xiàn)有的依賴重型CNN架構(gòu)或單一類型注意力模塊的微多普勒識(shí)別方法相比，我們的方法是首個(gè)在專為SUAV識(shí)別量身定制的統(tǒng)一框架中集成自門控混合注意力、大核注意力和泰勒剪枝的方法。這種組合設(shè)計(jì)有效增強(qiáng)了特征學(xué)習(xí)，減少了模型冗余，并提高了部署可行性，解決了當(dāng)前主流方法的關(guān)鍵限制。
本文的其余部分組織如下。第2節(jié)描述了材料和方法，包括數(shù)據(jù)集和維度轉(zhuǎn)換、大核注意力模塊、自門控混合注意力模塊、提出的模型架構(gòu)、泰勒剪枝技術(shù)和評(píng)估指標(biāo)。第3節(jié)展示了實(shí)驗(yàn)結(jié)果，包括整體性能分析、基于泰勒剪枝的壓縮性能、消融研究以及與其他網(wǎng)絡(luò)的比較。第4節(jié)總結(jié)了主要發(fā)現(xiàn)和貢獻(xiàn)。
