一种基于不确定性估计的多模态雷达目标识别方法及系统

本发明属于雷达目标识别，具体涉及一种基于不确定性估计的多模态雷达目标识别方法及系统。

背景技术：

1、雷达目标识别是继探测与跟踪之后的关键环节，其任务在于利用雷达获取的多模态信息对非协作目标进行准确分类。在工程实践中，通常需综合高分辨距离像（hrrp）、调制谱（jem）与航迹等多种异构模态数据，以充分利用其互补信息，提升识别系统的鲁棒性与适用范围。然而，由于各模态在表征形式、采样尺度与统计分布上存在显著差异，实际应用中常面临时空对齐困难、噪声干扰、模态缺失与分布偏移等问题，导致多模态信息难以有效融合，限制了识别性能的进一步提升。

2、目前，多模态识别方法多采用跨模态表示学习策略，通过构建独立的特征编码器并在特征层或决策层进行融合，以实现信息互补。然而，现有方法普遍缺乏对不确定性的系统建模与传播机制，难以在样本级、模态级与时序级对数据不确定性与模型不确定性进行量化与校准。尤其在低信噪比、模态缺失或分布变化等复杂场景下，模型易出现过度自信、融合权重失配等问题，导致分类置信度不可靠、拒识能力不足，严重影响系统在实际部署中的可信度与鲁棒性。

3、为此，亟需一种能够在多模态雷达目标识别中实现统一、可校准的不确定性估计与传播机制的方法，以有效应对分布变化与低信噪比条件下的识别挑战，提升模型在复杂环境中的可靠性、可解释性与部署适用性。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于不确定性估计的多模态雷达目标识别方法及系统。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种基于不确定性估计的多模态雷达目标识别方法，包括：

3、获取待识别目标的多模态数据，多模态数据包括hrrp回波信号、jem调制谱和航迹信息；

4、将多模态数据输入至训练好的识别网络，得到待识别目标的识别结果，待识别目标的识别结果包括待识别目标类别的预测概率分布及不确定性估计；

5、其中，识别网络包括依次连接的特征提取网络、特征融合增强网络、无键值注意力网络和非负概率化决策网络；特征提取网络用于对hrrp回波信号、jem调制谱以及航迹信息进行特征提取，得到hrrp特征、jem特征和航迹特征；特征融合增强网络用于对特征提取网络输出的特征进行融合增强，得到融合增强后的特征；无键值注意力网络用于对融合增强后的特征进行聚合处理，得到聚合特征；非负概率化决策网络基于非负因子分析模型，将对待识别目标的类别预测建模为局部潜变量与全局潜变量的乘积，并对局部潜变量与全局潜变量设定先验分布，以及采用变分推断网络近似计算局部潜变量与全局潜变量的后验分布，以对聚合特征进行贝叶斯推断，得到待识别目标类别的预测概率分布及不确定性估计。

6、在本发明的一个实施例中，非负因子分析模型的构建包括：

7、为局部潜变量和全局潜变量设定gamma先验分布；

8、采用变分推断网络来近似局部潜变量和全局潜变量的后验分布，变分推断网络使用威布尔作为变分后验分布。

9、在本发明的一个实施例中，局部潜变量的变分后验通过第一变分推断网络得到，第一变分推断网络表达式为：

10、对应的第一变分推断网络的表达式为：

11、

12、

13、其中，为样本的局部威布尔分布的形状参数，为激活函数，为形状参数推断网络，为样本的深度特征，为样本的局部威布尔分布的尺度参数，为激活函数，为尺度参数推断网络，为指数函数。

14、在本发明的一个实施例中，全局潜变量的变分后验通过第二变分推断网络得到，第二变分推断网络表达式为：

15、

16、

17、其中，为全局威布尔分布的形状参数矩阵，为激活函数，和为预设的与全局潜变量维度相同的参数矩阵，为全局威布尔分布的尺度参数矩阵，为激活函数。

18、在本发明的一个实施例中，特征提取网络包括经过特征对齐的hrrp特征提取网络、jem特征提取网络和航迹特征提取网络；

19、其中，航迹特征提取网络用于对hrrp回波信号进行特征提取，得到hrrp特征，航迹特征提取网络包括依次连接的第一输入层、patch分割层、第一位置编码层、第一transformer编码器层、第一展平层、第一全连接层；

20、hrrp特征提取网络用于对hrrp回波信号进行特征提取，得到hrrp特征，hrrp特征提取网络包括依次连接的第二输入层、第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块、第二全连接和第一输出层；

21、jem特征提取网络用于对jem调制谱进行特征提取，得到jem特征，jem特征提取网络包括依次连接的第三输入层、第二卷积层、第二池化层、第五残差块、第六残差块、第七残差块、第八残差块、第三全连接层、第二输出层。

22、在本发明的一个实施例中，的特征提取网络的训练过程包括：

23、构建多模态数据集，多模态数据集包括多个类别目标的航迹信息、hrrp回波信号和jem调制谱；

24、根据对比学习和多模态数据集对航迹特征提取网络、hrrp特征提取网络和jem特征提取网络进行特征对齐，得到损失函数；

25、利用反向传播算法和损失函数，迭代更新航迹特征提取网络、hrrp特征提取网络和jem特征提取网络的参数，直至达到预设条件，得到训练好的特征提取网络。

26、在本发明的一个实施例中，根据对比学习和多模态数据集对航迹特征提取网络、hrrp特征提取网络和jem特征提取网络进行特征对齐，得到损失函数，包括：

27、将多模态数据集输入航迹特征提取网络、hrrp特征提取网络和jem特征提取网络，得到航迹特征、hrrp特征和jem特征；

28、将与航迹特征匹配的hrrp特征和jem特征作为正样本对，并将与每个航迹特征不匹配的hrrp特征和jem特征作为负样本对；其中，正样本对表征同一目标在不同模态下的表示，负样本对表征不同目标在不同模态下的表示；

29、计算不同模态下正样本对和负样本对之间的相似度，得到相似度矩阵；

30、计算不同模态的相似度矩阵之间的交叉熵损失，得到损失函数。

31、在本发明的一个实施例中，损失函数的表达式为：

32、

33、其中，为航迹特征和hrrp特征之间的第一交叉熵损失函数，为航迹特征和jem特征之间的第二交叉熵损失函数，和均为预设权重；

34、第一交叉熵损失函数的表达式为：

35、

36、其中，表示交叉熵的损失计算，为航迹特征与hrrp特征的相似度矩阵，为标签，表示将航迹特征与hrrp特征对齐，表示将hrrp特征与航迹特征对齐；

37、第二交叉熵损失函数的表达式为：

38、

39、其中，为航迹特征与jem特征的相似度矩阵，表示将航迹特征与jem特征对齐，表示将jem特征与航迹特征对齐。

40、在本发明的一个实施例中，特征融合增强网络包括依次连接的第四输入层、嵌入层、第二位置编码层、第二transformer编码器层、第二展平层和第四全连接层；

41、无键值注意力网络包括依次连接的第五输入层、权重计算层、加权求和层、第三输出层。

42、本发明的又一方面提供了一种基于不确定性估计的多模态雷达目标识别系统，该系统包括：

43、获取模块，用于获取待识别目标的多模态数据，多模态数据包括hrrp回波信号、jem调制谱和航迹信息；

44、识别模块，用于将多模态数据输入至训练好的识别网络，得到待识别目标的识别结果，待识别目标的识别结果包括待识别目标类别的预测概率分布及不确定性估计；

45、其中，识别网络包括依次连接的特征提取网络、特征融合增强网络、无键值注意力网络和非负概率化决策网络；特征提取网络用于对hrrp回波信号、jem调制谱以及航迹信息进行特征提取，得到hrrp特征、jem特征和航迹特征；特征融合增强网络用于对特征提取网络输出的特征进行融合增强，得到融合增强后的特征；无键值注意力网络用于对融合增强后的特征进行聚合处理，得到聚合特征；非负概率化决策网络基于非负因子分析模型，将对待识别目标的类别预测建模为局部潜变量与全局潜变量的乘积，并对局部潜变量与全局潜变量设定先验分布，以及采用变分推断网络近似计算局部潜变量与全局潜变量的后验分布，以对聚合特征进行贝叶斯推断，得到待识别目标类别的预测概率分布及不确定性估计。

46、与现有技术相比，本发明的有益效果有：

47、（1）、本发明提供一种基于不确定性估计的多模态雷达目标识别方法，通过引入非负概率化决策网络对无键值注意力网络输出的聚合特征进行贝叶斯建模，不仅能够提高对目标分类预测的准确性，还能有效估计分类结果的不确定性。相比传统的softmax分类方法，非负概率化决策网络能够更好地捕捉数据中潜在的复杂依赖关系，并在多模态环境下提供更为可靠的置信度估计。

48、（2）、本发明仅通过修改分类器的最后一层来实现不确定性校准，相比于现有技术需要多次前向传播的传统贝叶斯方法，极大地减少了计算开销，提升了推理速度，特别适用于实时性要求较高的应用场景。

49、（3）、本发明的非负概率化决策网络通过非负因子分析模型有效解决了多模态数据融合中的特征解耦问题，使得各模态特征的解释性更强，提升了模型的可解释性和透明度，这对于高风险领域的应用尤其重要。

50、（4）、本发明由于对hrrp回波信号、jem调制谱、航迹信息的各单模态分类器仅在决策末层做概率化与校准，所得置信度在模态间可比且可用，可直接作为现有融合与判决模块的统一阈值与拒识依据，无需改动前端特征提取、特征对比对齐、特征融合增强与无键值注意力等骨架即可上线；在低信噪比或部分模态缺失的实测条件下，能够稳定降低误警与无效复核并保持原有推理时延与吞吐，便于在现有雷达处理链中快速部署与迭代。

51、以下将结合附图及实施例对本发明做进一步详细说明。