本文为类型a，即单一原创研究的学术论文。以下是对该研究的学术报告：

一、作者、机构与发表信息

本文的主要作者为Michael Potter、Murat Akcakaya、Marius Necsoiu、Gunar Schirner、Deniz Erdoğmuş和Tales Imbiriba。其中，Michael Potter、Gunar Schirner、Deniz Erdoğmuş和Tales Imbiriba来自Northeastern University（美国波士顿），Murat Akcakaya来自University of Pittsburgh（美国匹兹堡），Marius Necsoiu来自DEVCOM Army Research Laboratory（美国圣安东尼奥）。该论文发表于期刊《IEEE Transactions on Aerospace and Electronic Systems》，卷61，第1期，2025年2月出版，DOI为10.1109/TAES.2024.3445323。

二、学术背景与研究目的

本研究属于雷达自动目标识别（Radar Automated Target Recognition, RATR）领域，聚焦于无人机（Unmanned Aerial Vehicles, UAV）类型识别。雷达系统通过发射电磁波并接收雷达回波来获取目标特征，常用的特征包括高分辨率距离像、合成孔径雷达、逆合成孔径雷达、雷达散射截面（Radar Cross Section, RCS）以及微多普勒频率等。在这些特征中，RCS签名具有发射功率要求低、带宽需求小、内存占用少和计算复杂度低等优点，因此成为无人机识别研究的重要方向。

已有研究表明，与单基地雷达相比，多基地雷达配置能够提升目标识别性能。然而，现有的多基地雷达融合方法通常基于领域专家的启发式规则，例如信噪比融合规则、发射/接收通道选择规则或软投票法。这些方法从概率论角度看并非最优，且专家经验可能受认知偏差影响。针对这一问题，本研究旨在提出一个完全贝叶斯的RATR框架，用于多基地雷达配置下的无人机类型分类。具体而言，作者采用最优贝叶斯融合（Optimal Bayesian Fusion, OBF）方法，从期望0-1损失的贝叶斯决策角度出发，对多个单雷达在给定时间步的分类概率向量进行融合，并利用该融合结果更新递归贝叶斯分类（Recursive Bayesian Classification, RBC）后验分布，从而综合利用多个雷达在多个时间步的历史观测信息。

三、研究流程与详细方法

本研究的主要流程包括数据获取与数据集生成、判别式机器学习模型训练、融合方法设计与递归贝叶斯分类框架构建，以及性能评估实验。

在数据获取方面，研究使用了文献[38]中采集的七种无人机的RCS实测数据，具体机型为F450、Heli、Hexa、M100、P4P、Walkera和Y600。这些数据在微波暗室中采集，采用准单基地雷达在26-40 GHz频段内以1 GHz步长发射15个频率的电磁波，通过步进电机使无人机绕方位轴（0°至180°，步长1°）和俯仰轴（-95°至95°，步长1°）旋转。将不同方位角和俯仰角下的RCS值映射为二维RCS图像。由于采集时无人机处于非工作状态，实际飞行中螺旋桨旋转可能导致RCS略有变化。

训练数据生成过程为：在每架无人机的最小和最大方位角、俯仰角范围内均匀随机采样，通过双线性插值将连续角度映射到实测RCS签名，并添加独立高斯噪声以生成唯一RCS测量值。每个无人机类型c∈C_train生成ntrain个样本，训练集总大小为|D_train|=|C_train|×n_train。每个样本x_i^(t)包含带噪RCS签名σ_i^(t)、带噪方位角φ_i^(t)和带噪俯仰角θ_i^(t)。这种基于单雷达单时间点的训练方式避免了多基地雷达轨迹数据带来的维度灾难问题。

测试数据生成基于随机游走运动学模型模拟无人机轨迹。目标无人机以恒定速度v_x=50 m/s运动，加入随机偏航角和滚转角抖动，时间分辨率Δt=0.1 s，共模拟L=100个时间步。偏航角抖动ε_γ服从N(0°, 144°)分布，滚转角抖动ε_β服从N(0°, 81°)分布，俯仰角保持为0。初始偏航角在[0, 2π]内均匀采样，初始位置在[-150, 150]×[-150, 150]×[200, 300]米范围内均匀采样。在每个时间步，将雷达坐标从世界坐标系变换到目标坐标系，再转换为球坐标以获得方位角和俯仰角。由于无人机的对称性，当方位角不在[0°, 180°]范围内时，将其近似为φ+180°对应的RCS值。每个测试样本包含J个雷达在L个时间步的RCS、方位角和俯仰角时间序列数据。测试集总大小为|D_test|=|C_test|×n_test。

在机器学习模型方面，研究采用了三种判别式模型：逻辑回归（Logistic Regression）、多层感知机（Multilayer Perceptron, MLP）和XGBoost。逻辑回归通过线性函数参数化地估计各类别的后验概率；MLP采用前馈神经网络架构，隐藏层大小为[50,50,50]，使用Leaky ReLU激活函数；XGBoost是一种基于决策树的提升（Boosting）集成方法。所有模型使用Python的scikit-learn和xgboost库实现，除MLP隐藏层设置外均采用默认超参数。

融合方法方面，研究比较了五种方法：最优贝叶斯融合（OBF）、随机融合、硬投票、软投票和最大值融合。OBF方法基于给定无人机类型下多个雷达观测的条件独立性假设，利用贝叶斯公式将各雷达的分类概率向量以乘积形式融合。其公式为p(c|z^(t)) ∝ p©^(1-J) ∏_{j=1}^J p(c|x_j^(t))。随机融合从Dirichlet分布中采样概率向量作为基线；硬投票选择各雷达预测类别的众数作为最终决策；软投票对各雷达概率向量求平均；最大值融合取各雷达概率向量中的最大类别概率。

递归贝叶斯分类（RBC）框架利用贝叶斯定理将当前时间步的融合后验概率与历史后验概率相结合。在给定新观测z^(t)后，RBC更新规则为p(c|z^(1:t)) ∝ p(c|z^(t)) × p(c|z^(1:t-1))，其中p(c|z^(1:t-1))为上一时间步的后验概率。该更新过程随着雷达驻留时间增加而不断积累观测信息，从而降低分类不确定性。

四、主要实验结果

实验设置方面，训练集包含10000个样本，测试集包含2000个样本。所有实验在双Intel Xeon E5-2650@2GHz处理器（16核，128GB内存）上进行，每个实验进行10次蒙特卡洛试验并报告平均准确率。

在信噪比（Signal-to-Noise Ratio, SNR）处理上，研究对RCS签名添加有色高斯噪声。对于每个观测RCS签名σ_i^，计算所需噪声功率使迹达到∑_f σ_i^(f)^2 / 10^(SNR/10)，然后缩放协方差矩阵Σ_i以获得指定SNR。方位角和俯仰角添加均匀随机抖动，抖动幅度由参数a_φ和a_θ决定。

主要实验结果如下：

（1）OBF融合方法在多基地雷达配置下的分类准确率显著优于单基地雷达配置。在SNR为0 dB时，OBF方法相比单雷达的准确率相对提升35.71%，相比RBC结合软投票方法提升14.14%。

（2）在相同驻留时间内，OBF方法达到期望分类准确率所需的时间明显短于单雷达和软投票方法，表明多雷达融合可以更快地做出正确分类。

（3）随着雷达数量从4个增加到16个再到64个，分类性能在低SNR环境下显著提升。雷达数量增加提供了更多几何视角下的RCS签名，增加了同一时间步内目标特征的多样性。

（4）在低SNR环境下（0至-20 dB），多雷达观测对分类性能的改善尤为明显。当SNR较高时，只要有足够的驻留时间和合适的目标几何构型，单雷达的分类性能可以接近多雷达配置，特别是在使用复杂ML模型时。

（5）方位角和俯仰角信息对不同ML模型的影响存在差异。对于逻辑回归，增加方位角和俯仰角的均匀噪声标准差对分类准确率影响很小；而对于MLP和XGBoost等非线性模型，利用RCS签名与方位角、俯仰角之间的交互作用可以提高分类性能，但随着噪声标准差增大，在低SNR环境下分类性能会下降。

（6）消融实验表明，完全移除方位角和俯仰角信息后，多基地雷达配置仍能显著改善RBC分类性能，且OBF方法依然是最有效的融合方法。

（7）在推理速度方面，未优化的代码在12代Intel Core i9-12900H处理器上实现单时间步3.6毫秒的推理时间，包括局部模型输出概率分布、OBF融合以及RBC更新。

五、结论与研究价值

本研究首次提出了一个完全贝叶斯的RATR框架，用于多基地雷达配置下基于RCS签名的无人机类型分类。通过在多个SNR条件下使用随机游走轨迹生成的RCS、方位角和俯仰角时间序列数据进行评估，实验结果表明，将OBF方法与RBC相结合可以显著提升自动目标识别性能。该方法在低SNR环境下表现出更强的鲁棒性，与单基地雷达和其他非贝叶斯融合方法相比具有更大的相对改进。

从科学价值角度看，该研究从贝叶斯决策理论角度系统解决了多基地雷达概率向量融合的最优性问题，证明了贝叶斯决策规则相对于启发式融合方法的理论优势，并为RCS时间序列数据下的递归分类提供了严格的概率框架。从应用价值角度看，该方法可集成到实际多基地雷达系统中，在低SNR和复杂环境下实现更快速、更准确的无人机识别，对无人机安全监管、防空预警和战场态势感知等领域具有重要意义。

六、研究亮点

本研究的亮点主要体现在三个方面：第一，首次将最优贝叶斯融合与递归贝叶斯分类结合，形成了完全贝叶斯的多基地雷达无人机类型识别框架；第二，从期望0-1损失的贝叶斯决策视角推导了多雷达概率向量的最优融合规则，克服了传统启发式融合规则的次优性问题；第三，通过模拟随机游走轨迹并结合微波暗室实测RCS数据，在统一的实验框架下系统比较了单雷达、多雷达以及不同融合方法的性能，验证了贝叶斯融合方法在低SNR环境下的显著优势。

七、其他有价值内容

作者指出，未来工作将把基于雷达的领域专家知识与贝叶斯分析相结合，使方法能够纳入距离分辨率或估计SNR等雷达参数。此外，代码已在https://github.com/mlpotter/rcs_atr公开，便于其他研究者复现和扩展。作者还强调，该研究所表达的观点仅代表作者个人，不代表陆军研究实验室或美国政府的官方政策。