Page 168 - 当代控制理论及应用技术概论

当代控制理论及应用技术概论
Introduction to Contemporary Control Theory and Applied Technology

五、飞行目标识别的深度学习模型迁移

空间卷积和双向循环神经网络的飞行目标识别深度学习模型，模型前端由
卷积神经网络和循环神经网络构成对 RCS 特征的提取模块，后端则由全连接网
络对前文提取到的局部特征进行整合并完成最终的目标识别任务。然而，在真实

场景中，一方面由于真实 RCS 信号的采集过程较为繁琐，对飞行试验的环境条
件要求较高，另一方面实测的 RCS 信号不可避免存在各种非理想条件从而影响
数据质量，导致深度学习模型性能下降。
基于雷达视线角采样的 RCS 信号模拟方法进行了详细阐述，该方法通过在

FEKO 电磁仿真软件中进行飞行目标建模和静态 RCS 仿真获得飞行目标全空域静
态 RCS 数据，进一步以雷达视线角作为自变量在静态 RCS 数据表中采样的方法，
最终引入 RCS 在信道中传播存在闪烁效应，构造了完备且样本量较大的 RCS 数
据集。

为了解决实际场景中 RCS 数据量不足的问题，通过将模型在仿真数据集上进
行预训练，在真实数据集进行微调的方法，完成真实场景下的飞行目标识别任务。
（一）判别模型的迁移学习理论
在完成分类的学习任务时，为了保证得到的分类结果具有高准确性和高可

靠性，通常用于训练和测试的数据集都要保证以下两个假设成立。首先是用于学
习的训练数据集和测试数据集的样本都满足独立同分布的条件，其次是在必须有
足够多的可利用的训练数据样本用于支撑模型的训练，这样才能训练得到一个性
能较好的判别模型。但是真实情况中，以上两个假设难以满足，这是因为，首先，

原先可以利用的带标签的样本数据可能变得不再可用，并与测试样本的分布产生
语义、分布上的缺口，比如，股票数据等具有时效性的数据容易上述问题。另外，
有标签的样本数据往往很匮乏，并且很难获得。比如，本节研究的飞行目标的
RCS 数据需要雷达进行采集，获得途径比较复杂。因此，如何利用少量的标签训

练样本或者源域，建立一个可靠的判别模型就是迁移学习解决的一个问题。
判别模型的迁移学习算法是根据给定源域的数据 X，直接训练得到判别模型
P（Y|X）。但是因为源域的数据分布和目标域数据分布不一致，判别模型也未考
虑联合概率 P（XY），因此有时不能得到很好的预测结果。因此，本节在保证源域，

即仿真 RCS 数据的可靠性的基础上，对模型进行预训练（Pre-training）并微调，

160
160