В.Б. Сучков1, А.Ю. Перов2, Г.Л. Павлов3, С.Г. Цейтлин4

1–4 МГТУ им. Н.Э. Баумана (Москва, Россия)
1 vbs-2014@bmstu.ru, 2 perovau@bmstu.ru, 3 pavlov_503@bmstu.ru, 4 tseytlinsg@student.bmstu.ru

Постановка проблемы. Автоматическое распознавание радиолокационных целей по дальностным профилям ограничено избыточностью, зашумленностью данных и неполным использованием поляриметрической информации в существующих подходах, что снижает достоверность классификации. Для решения данной проблемы требуется сформировать репрезентативную обучающую выборку на основе многоточечных моделей целей с аддитивным гауссовским шумом и провести сравнительный анализ эффективности нейросетевых моделей для шести типов входных данных: поляризационная матрица рассеяния, разложения Паули и Фримена–Дердена, их конкатенации, а также одноканальный дальностный портрет. Критерием сравнения выступают не только классические метрики качества (точность, прецизионность, полнота), но и визуализация структуры формируемых нейросетью признаковых пространств методом t-SNE, позволяющая оценить разделимость классов на глубинном уровне представления данных.

Цель. Оценить влияние дополнительных признаков, полученных в результате поляриметрических декомпозиций Паули и Фримена–Дердена, на эффективность решения задачи классификации радиолокационных объектов на базе одномерной сверточной сети, дополненной механизмом межканального внимания для адаптивного взвешивания информативности признаков.

Результаты. Показана целесообразность использования поляриметрических данных для обучения нейросетевых моделей классификации радиолокационных объектов. Установлено, что использование радиолокационных дальностных портретов без поляриметрии ухудшает точность до 84,5% по сравнению с базовой моделью, обученной на поляризационной матрице рассеяния, которая достигает 98,9% точности. Отмечено, что использование только разложения Паули или Фримена–Дердена ухудшает точность классификации (95,0%/71,8%), но конкатенация с поляризационная матрица рассеяния даёт прирост (+0,7%/+0,2%). Получен наилучший результат – поляризационная матрица рассеяния и элементы разложения Паули (99,6%); t‑SNE подтверждает улучшение разделимости классов (LunaX/Wasp). Тест на траектории полёта также демонстрирует превосходство поляриметрических данных.

Практическая значимость. Предложенная архитектура обеспечивает высокую точность классификации с минимальными вычислительными затратами. Выявлена комплементарность поляризационная матрица рассеяния и разложения Паули как эффективного дополнения для робастного автоматического распознавания целей в реальных условиях.

Сучков В.Б., Перов А.Ю., Павлов Г.Л., Цейтлин С.Г. Методика селекции объектов на основе нейросетевого алгоритма обработки радиолокационных дальностных портретов при полном поляризационном зондировании // Успехи современной радиоэлектроники. 2026. T. 80. № 4. С. 35–53. DOI: https://doi.org/10.18127/ j20700784-202604-05

1. Soleti R. & Cantini L. & Berizzi F. & Capria A. & Calugi D. Neural network for polarimetric radar target classification. European Signal Processing Conference. 2006.
2. Gong J., Xiang Y., Zhang Q. Synthetic Aperture Radar Target Recognition with Limited Training Data Based on 3D Scattering Center Model // Remote Sensing. 2021. V. 13. № 15. P. 2939. DOI: 10.3390/rs13152939
3. Ge J. и et al. A Physically Interpretable Rice Field Extraction Model for PolSAR Imagery. Remote Sens. MPDI. 2023. Р. 50
4. Mete Ahishali, Serkan Kiranyaz, Turker Ince & Moncef Gabbouj. Classification of polarimetric SAR images using compact convolutional neural networks, GIScience & Remote Sensing. 2021. 58:1. 28-47. DOI: 10.1080/15481603.2020.1853948
5. Barrachina J., Ren C., Morisseau C., Vieillard G., Ovarlez J.-Ph. Complex-valued neural networks for polarimetric sar segmentation using pauli representation. IEEEIGARSS 2022. Jul 2022. Kuala Lumpur. Malaysia. ff10.1109/IGARSS46834.2022.9883251ff. ffhal03752893
6. Сучков В.Б., Перов А.Ю. Алгоритм поляризационной селекции объектов в радиолокаторе с инверсным синтезированием апертуры на основе нейросети Squeezenet // Докл. XXVI Междунар. конф. «Цифровая обработка сигналов и ее применение» (DSPA – 2024: Москва, 27–29 марта 2024 г.). М.: Российское научно-техническое общество радиотехники, электроники и связи им. А.С. Попова. 2024. С. 119–123. EDN BFUMHC.
7. Huan S., et al. «Radar Human Activity Recognition with an Attention-Based Lightweight Network» Sensors. PMC. 2023.
8. Сучков В.Б., Перов А.Ю., Иванов В.М. Исследование поляризационной селекции радиолокационных объектов в X-диа­пазоне радиоволн на основе сверточных нейронных сетей различной архитектуры // Сб. трудов XXXI Междунар. научно-техн. конф. «Радиолокация, навигация, связь» (Воронеж, 15–17 апреля 2025 г.). В 6-ти томах. Воронеж: Воронежский государственный университет. 2025. С. 83–92. EDN MEDALS.
9. Fu Zhequan & Li Junrong & Li Xiangping & Dan Bo & Wang Xukun. A Neural Network with Convolutional Module and Residual Structure for Radar Target Recognition Based on High-Resolution Range Profile. Sensors. 2020. 20. 586. 10.3390/s20030586
10. Wang Q., Wu B., Zhu P., Li P., Zuo W. and Hu Q. ECA-Net: Efficient channel attention for deep convolutional neural networks. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (Piscataway, NJ: IEEE). 2020. 11534–11542.
11. Yang W., et al. Dual-band polarimetric HRRP recognition via a brain-inspired multi-channel fusion feature extraction network (MFFE-Net). Frontiers in Neuroscience. 2023.
12. Muttenthaler L., Hollenstein N. and Barrett M. Human brain activity for machine attention. arXiv [Preprint]. 2020. doi: 10.48550/arXiv.2006.05113
13. Лысенко П.В., Насонов И.А., Галяев А.А., Берлин Л.М. Нейросетевой подход к классификации акустических сигналов с использованием информационных признаков // Докл. РАН. Математика, информатика, процессы управления, 514:2 (2023), 39–48; Dokl. Math., 108:suppl. 2 (2023), S196–S204.
14. Kumar A., Giusti E. and Martorella M. Hybrid polarimetry inverse synthetic aperture radar. IET Radar, Sonar & Navigation. 2025. 19(1) P. e70004.
15. Лихоеденко К.П., Серегин Г.М., Сучков В.Б., Перов А.Ю. Математическое моделирование поляризационных радиолокационных портретов объектов сложной формы на основе их многоточечных моделей в радиолокаторах с инверсным синтезированием апертуры // Успехи современной радиоэлектроники. 2024. Т.78. № 2. С.13–24. DOI 10.18127/j20700784-202402-02
16. Lee J.-S., & Pottier E. Polarimetric Radar Imaging: From Basics to Applications (1st ed.). CRC Press. 2009. https://doi.org/10.1201/9781420054989