多核保持分析与坐标关联注意的多源融合识别

doi:10.12305/j.issn.1001-506X.2026.09.11

系统工程与电子技术 ›› 2026, Vol. 48 ›› Issue (9): 2979-2986.doi: 10.12305/j.issn.1001-506X.2026.09.11

• 传感器与信号处理 • 上一篇

多核保持分析与坐标关联注意的多源融合识别

王彩云¹(), 韩嘉轩¹(), 贾一帆¹, 王佳宁², 李晓飞²

1. 南京航空航天大学航天学院，江苏南京 211106
2. 北京电子工程总体研究所，北京 100854

收稿日期:2025-05-28 修回日期:2025-08-29 接受日期:2025-09-12 出版日期:2025-11-24 发布日期:2025-11-24
通讯作者: 王彩云 E-mail:wangcaiyun@nuaa.edu.cn;hanjiaxuan@nuaa.edu.cn
作者简介:韩嘉轩（2001—），女，硕士研究生，主要研究方向为目标检测与识别
贾一帆（1999—），男，硕士研究生，主要研究方向为目标检测与识别
王佳宁（1988—），女，副研究员，博士，主要研究方向为目标识别总体设计
李晓飞（1984—），女，研究员，博士，主要研究方向为目标识别、弹道导弹识别
基金资助:
国家自然科学基金（61301211）；国家留学基金（202506830119）；南京航空航天大学研究生教育教学改革项目（2025YJXGG-C12）资助课题

Multi-source fusion recognition based on multi-kernel preserving analysis and coordinate correlation attention

Caiyun Wang¹(), Jiaxuan Han¹(), Yifan Jia¹, Jianing Wang², Xiaofei Li²

1. College of Astronautics，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China
2. Beijing Institute of Electronic System Engineering，Beijing 100854，China

Received:2025-05-28 Revised:2025-08-29 Accepted:2025-09-12 Online:2025-11-24 Published:2025-11-24
Contact: Caiyun Wang E-mail:wangcaiyun@nuaa.edu.cn;hanjiaxuan@nuaa.edu.cn

摘要/Abstract

摘要：

针对远距离复杂环境下空间目标传感器探测数据可用信息较少导致目标识别困难的问题，提出一种基于多核保持分析（multi-kernel preserving analysis，MKPA）与坐标关联压缩−激励（coordinate correlation squeeze-and-excitation，CCSE）注意力机制的多源特征融合识别方法。对雷达和红外异构传感器数据预处理后，首先采用MKPA算法实现多源数据融合，有效解决融合过程中不同类目标区分度降低的问题；然后建立CCSE模型对融合数据进行特征提取，解决单源数据特征不足的问题；最后用双向门控循环单元模型进行目标识别。实验结果显示，在低信噪比下，所提方法可以有效提高识别准确率，具有较好的鲁棒性。

关键词: 空间目标, 目标识别, 多源数据融合, 注意力机制

Abstract:

To address the challenge of target recognition caused by limited available information in space target sensor detection in complex long-distance environments, a multi-source feature fusion recognition method based on multi-kernel preserving analysis （MKPA） and coordinate correlation squeeze-and-excitation （CCSE） attention mechanism. Following preprocessing of heterogeneous data from radar and infrared sensors, the MKPA algorithm is firstly used to realize multi-source data fusion, effectively solving the problem of reduced discrimination of different target classes in the fusion process. Subsequently, the CCSE model is established to extract features from the fusion data, addressing the problem of insufficient features in single-source data. Finally, bidirectional gated recurrent units are used for target recognition. Experimental results indicate that the proposed method significantly improves recognition accuracy and demonstrates good robustness under low signal-to-noise ratio conditions.

Key words: target recognition, space target, multi-source data fusion, attention mechanism

中图分类号:

TP 183

王彩云, 韩嘉轩, 贾一帆, 王佳宁, 李晓飞. 多核保持分析与坐标关联注意的多源融合识别[J]. 系统工程与电子技术, 2026, 48(9): 2979-2986.

Caiyun Wang, Jiaxuan Han, Yifan Jia, Jianing Wang, Xiaofei Li. Multi-source fusion recognition based on multi-kernel preserving analysis and coordinate correlation attention[J]. Systems Engineering and Electronics, 2026, 48(9): 2979-2986.

图/表 14

图1

图2

图3

图4

图5

表1

表2

图6

表6

表5

图8

图7

表3

表4

参考文献 30

1	刘政玮, 陈映, 鲁耀兵. 一种高分辨雷达空间目标跟踪方法研究[J]. 系统工程与电子技术, 2024, 46 (2): 488.
2	Li C W, Xie B, Yu P. An RCS periodicity extraction algorithm for ballistic target[C]//International Conference on Image, Vision and Intelligent Systems, 2022: 1207.
3	Zhao C C, Wang L, Liu Y M. Ballistic target recognition based on 4-D point cloud using randomized stepped frequency radar[J]. IEEE Trans. on Aerospace and Electronic Systems, 2022, 58 (6): 5711. doi: 10.1109/TAES.2022.3178971
4	唐毓燕, 李芳芳, 张振宇, 等. 美国弹道导弹防御系统中的杀伤链与杀伤网解析[J]. 现代防御技术, 2023, 51 (1): 1. doi: 10.3969/j.issn.1009-086x.2023.01.001
5	Qian X, Wang X D, Lai J, et al. Quadruplet depth-wise separable fusion convolution neural network for ballistic target recognition with limited samples[J]. Expert Systems with Applications, 2024, 235, 121182.
6	Yang L, Zhang W P, Jiang W D. Recognition of ballistic targets by fusing micro-motion features with networks[J]. Remote Sensing, 2022, 14 (22): 5678. doi: 10.3390/rs14225678
7	Chang Y, Wang C Y, Wu Y D, et al. Some new results of dynamic infrared radiation characteristics of midcourse ballistic targets[C]//8th International Conference on Signal and Image Processing, 2023: 481.
8	戴桦宇, 周玉明, 黄山, 等. 基于红外多特征的弹道中段目标识别研究[J]. 指挥与控制学报, 2019, 5 (4): 302. doi: 10.3969/j.issn.2096-0204.2019.04.0302
9	Du C, Long T, Chen B, et al. Region-factorized recurrent attentional network with deep clustering for radar HRRP target recognition[J]. Signal Processing, 2021, 183, 108010. doi: 10.1016/j.sigpro.2021.108010
10	Chen G, You H, Wang H P, et al. Radar HRRP target recognition based on deep one-dimensional residual-inception network[J]. IEEE Access, 2019, 7, 9191. doi: 10.1109/ACCESS.2019.2891594
11	Li X G, Yao H Y, Sun W F. A new compensation method of HRRP for ballistic targets[J]. Advanced Materials Research, 2013, 756, 3860.
12	Persico A R, Ilioudis C V, Clemente C, et al. Novel classification algorithm for ballistic target based on HRRP frame[J]. IEEE Trans. on Aerospace and Electronic Systems, 2019, 55 (6): 3168. doi: 10.1109/TAES.2019.2905281
13	Tang W B, Yu L, Wei Y S, et al. Radar target recognition of ballistic missile in complex scene[C]//IEEE International Conference on Signal, Information and Data Processing, 2019.
14	Yuan J C, Zhang X K. Research on RCS time series of ballistic missile warhead in reentry phase[C]//11th International Symposium on Antennas, Propagation and EM Theory, 2016: 735.
15	Zhang C, Ding J J, Xu Y, et al. Research on the strategy of ballistic missile midcourse recognition based on Bayesian network[C]//IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference, 2021: 2721.
16	Wang Y B, Long B, Wang F. RCS statistical feature extraction for space target recognition based on Bi-LSTM[C]//IEEE International Geoscience and Remote Sensing Symposium, 2023: 6049.
17	吴钇达, 王彩云, 王佳宁, 等. 基于ISVM-DS的红外多传感器融合识别方法[J]. 系统工程与电子技术, 2024, 46 (5): 1555.
18	Wei N N, Zhang L M, Zhang X G. A weighted decision-level fusion architecture for ballistic target classification in midcourse phase[J]. Sensors, 2022, 22 (17): 6649. doi: 10.3390/s22176649
19	Wang S Y, Yang Y B, Liu Z G, et al. Target recognition with fusion of visible and infrared images based on mutual learning[J]. Soft Computing, 2023, 27, 7879. doi: 10.1007/s00500-023-08010-5
20	He Z Y, Zhuge X D, Wang J X, et al. Half space object classification via incident angle based fusion of radar and infrared sensors[J]. Journal of Systems Engineering and Electronics, 2022, 33 (10): 1025.
21	Yang L H, Wei F, Wu Y J, et al. Radar-infrared sensor fusion based on hierarchical features mining[J]. IEEE Signal Processing Letters, 2024 (31): 66.
22	Kong S P, Gan L N, Wang R F, et al. Target tracking algorithm of radar and infrared sensor based on multi-source information fusion[C]//International Conference on Artificial Intelligence, Information Processing and Cloud Computing, 2022: 389.
23	Wu D, Cao L H, Zhou P J, et al. Infrared small-target detection based on radiation characteristics with a multimodal feature fusion network[J]. Remote Sensing, 2022, 14, 3570. doi: 10.3390/rs14153570
24	Liu S, Wang M J, Zhang L Y. Research on information fusion of infrared and radar sensor based on SVM[C]//International Conference on Measurement, Information and Control, 2012: 98.
25	Hu J, Li S, Sun G. Squeeze-and-excitation networks[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132.
26	刘家麒, 陈渤, 介茜. 基于注意力机制和双向GRU模型的雷达HRRP目标识别[J]. 雷达学报, 2019, 8 (5): 589. doi: 10.12000/JR19014
27	Ma S H, Zhou R H. Violin music emotion recognition with fusion of CNN-BiGRU and attention mechanism[J]. Information, 2024, 15 (4): 224. doi: 10.3390/info15040224
28	王宁, 郭梓昱, 田淑珂, 等. 基于融合特征t-SNE降维的控制图质量异常模式识别[J]. 系统工程理论与实践, 2024, 44 (7): 2381. doi: 10.12011/SETP2023-1577
29	Zhe Q, Gao W, Zhang C, et al. A hyperspectral classification method based on deep learning and dimension reduction for ground environmental monitoring[J]. IEEE Access, 2025, 13, 29969. doi: 10.1109/ACCESS.2025.3542038
30	Bodaghi M, Hosseini M, Gottumukkala R. A multimodal intermediate fusion network with manifold learning for stress detection[C]//IEEE 3rd International Conference on Computing and Machine Intelligence, 2024.

参数	数值
带宽/GHz	1
中心频率/GHz	10
传感器位置	（97.814°E，24.025°N，0 m）
起始点	（87.068°E，20.758°N，15 m）
着落点	（106.000°E，25.644°N，878 m）
红外波段/μm	3.1~4.7
红外位置	（177.206°W，30.008°N，1 827 km）
采样频率/Hz	10

参数	数值
吸收率	（0.036，0.036，0.85，0.85）
反射率	（0.192，0.192，0.05，0.05）
涂层厚度/mm	（1， 1，3，3）
比热容/（J/g·K）	（0.904，0.904，1.15，1.15）
密度/（g/cm³）	（2.7，2.7，1.39，1.39）
初始温度/K	300

实验组别	准确率	置信度
MKPA	90.89	85.19
MKPA-CCSE	99.92	99.34

输入数据	准确率	置信度
HRRP	96.99	95.20
RCS	89.30	92.23
红外辐射强度	86.87	93.83
t-SNE融合方法	87.88	82.83
MDS融合方法	87.79	83.86
本文方法融合数据	99.92	99.34

$ \omega $	准确率
$ \omega $	高斯−多项式核	高斯−线性核	线性−多项式核
0	99.33	96.83	97.83
0.1	99.75	97.91	98.58
0.2	99.83	97.65	98.24
0.3	99.58	98.08	98.65
0.4	99.83	97.66	98.58
0.5	99.92	98.66	99.00
0.6	99.58	97.83	98.58
0.7	99.75	97.83	98.24
0.8	99.83	97.32	99.07
0.9	99.83	97.74	98.82
1.0	98.08	97.36	97.66

多核保持分析与坐标关联注意的多源融合识别

Multi-source fusion recognition based on multi-kernel preserving analysis and coordinate correlation attention

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马治勋, 汤宁, 李璇, 郝程鹏. 基于混合扩散模型的水声数据增扩方法[J]. 系统工程与电子技术, 2026, 48(9): 2898-2906.
[2]	丰松江, 刘宏, 张艳宁, 孙豆. 极端太空环境下的空间目标光学成像降质效应仿真方法研究[J]. 系统工程与电子技术, 2026, 48(8): 2526-2534.
[3]	孙殿星, 窦钥聪, 彭锐晖, 王国宏. 复合干扰下雷达-红外特征融合目标识别方法[J]. 系统工程与电子技术, 2026, 48(8): 2626-2637.
[4]	孙军, 秦琨, 方明, 薛俊杰, 于守江. 基于航迹残差的弹道导弹目标识别技术[J]. 系统工程与电子技术, 2026, 48(8): 2638-2647.
[5]	董健, 邹俊杰, 侯斐斐, 肖程望. 基于HRRP特征统计特性的雷达目标识别方法[J]. 系统工程与电子技术, 2026, 48(7): 2206-2217.
[6]	韩成杰, 彭聪, 施苏牧, 王宇, 纪江南. 基于多尺度交互融合网络的作动器故障诊断[J]. 系统工程与电子技术, 2026, 48(7): 2319-2332.
[7]	黄琼丹, 刘露露, 韩洁婧, 王佳鹏, 康仕林. 基于差异特征反投影融合的图像超分辨重建[J]. 系统工程与电子技术, 2026, 48(6): 1809-1818.
[8]	丁昊, 唐天宇, 曹政, 于恒力, 董云龙. 基于多尺度排列熵特征的海上漂浮目标识别方法[J]. 系统工程与电子技术, 2026, 48(6): 1880-1892.
[9]	罗雨泉, 何雨强, 李雅鑫, 梁松, 王俊. 基于CNN-BiLSTM-MHA时空融合框架的毫米波雷达人体姿态估计[J]. 系统工程与电子技术, 2026, 48(5): 1502-1514.
[10]	窦凇耀, 陈映, 鲁耀兵. 基于TSUKF-MD的空间机动目标跟踪[J]. 系统工程与电子技术, 2026, 48(5): 1564-1570.
[11]	杨泽莹, 陈卓, 徐志明, 艾小锋, 吴其华, 王玲. 空间目标ISAR图像部件正向标记方法[J]. 系统工程与电子技术, 2026, 48(4): 1165-1173.
[12]	杨跃能, 孔希, 张士峰, 邓少永. 低空小型旋翼无人机近距拦截捕获方法[J]. 系统工程与电子技术, 2026, 48(3): 1010-1017.
[13]	王瑶, 胥辉旗, 曹司磊, 王磊. 基于深度学习的舰船关键部位检测算法[J]. 系统工程与电子技术, 2026, 48(2): 410-421.
[14]	张振兴, 杨任农, 李永林, 左家亮, 胡利平, 陈双艳. 基于双重注意力生成对抗网络的文本到图像生成[J]. 系统工程与电子技术, 2026, 48(1): 34-43.
[15]	范睿嘉, 刘杰, 于君明, 冯晓峰, 徐文静, 尹良. 基于形状和骨架特征匹配的小样本三维点云目标识别方法[J]. 系统工程与电子技术, 2026, 48(1): 76-86.