0 引　言

得益于部署灵活、成本低廉、覆盖范围大等优点，无人机（UAV）平台在各类场景中发挥着越来越重要的作用^[1-2]，并被广泛用于目标侦察、识别领域^[3]，可有效提升态势感知能力^[4]。当前，无人机目标识别主要基于单一平台、单一数据源，在复杂环境下存在识别准确率低、丢失率高等问题，严重制约了对重点目标的长期监视跟踪^[5]。

多无人机跨域协同能有效克服单架无人机的性能缺陷，减小目标探测、跟踪盲区，提升目标跟踪、识别的综合效能^[6-8]。本文提出了一种基于集成级联学习的多无人平台跨域协同多目标识别算法，能够有效提升对复杂环境下多目标的连续跟踪与精准识别能力，并构建仿真实验进行验证。

1 基于单一平台数据源的多目标识别

基于单一平台数据源的多目标识别主要依赖平台侦获的单一类型数据对目标进行识别，数据源一般包括电子信号、图像数据等。其中，电子信号一般来源于目标搭载的辐射源设备，如雷达、通信设备、电台、导航设备等；图像数据一般来源于对目标直接生成的图像信息，如可见光、红外、SAR等。基于单一平台数据源多目标识别算法的处理流程基本类似，如图1所示，包括数据预处理、数据集构建、识别模型构建、模型训练、推理识别等处理流程。

选用智能化模型对目标进行识别，包括机器学习模型、深度神经网络模型等，本文选用卷积神经网络（CNN）作为单一平台数据源的识别模型，其原理结构如图2所示^[9]。

2 多无人机平台跨域协同多目标识别

在复杂场景中，基于单一平台数据源的多目标识别存在诸多局限性，主要包括：1）数据来源单一，容易发生数据丢失，难以实现对目标的连续跟踪识别；2）单一数据源所含信息有限，当数据质量或侦获效果不佳时，单一数据源的目标识别准确率不足，难以满足识别需求^[10]。

因此，结合不同平台数据源的特性，构建多无人机平台跨域协同多目标识别，可充分实现数据源之间目标信息的互补，有效降低数据丢失的影响，提升目标跟踪识别的连续性与识别的准确率。通过级联深度神经网络对多无人机平台获取的同一目标的多源异构数据进行特征学习，使得同一目标的多源异构数据能够根据数据特性进行有效的分层学习，并将学习到的多层高维特征在决策层进行融合，实现多目标识别。相比基于单无人机平台数据源的多目标识别，多无人机平台跨域协同多目标识别在处理流程上的差别主要体现在模型构建和推理识别方面。其中模型构建部分如图3所示。

其中，根据多无人机平台数据源组成，对电子信号数据与图像数据分别构建目标识别模型，并分别得到模型提取的高维特征向量。将多数据源的高维特征向量进行特征组合，提升特征的可区分性与识别性能。构建神经网络中间层与神经网络输出层，将组合特征作为网络输入，通过集成学习与数据融合实现多目标识别。各单独数据源目标识别模型作为级联深度神经网络的组成部分，共同参与模型的训练与识别。神经网络中间层主要由多层全连接层组成，用于对组合特征进行进一步融合处理。

级联深度神经网络的训练目标是调制模型的权重参数，使得损失函数值最小。损失函数选用基于softmax的交叉熵损失。softmax是一种激活函数，其数学表达式为：

$ {S_i} = \frac{{{e^{{V_i}}}}}{{\displaystyle\sum\limits_j {{e^{{V_j}}}} }}，$

式中， ${V_i}$ 表示模型输出层第 $i$ 个神经元的输出结果。交叉熵损失函数表达式为：

$ {L_i} = - \sum\limits_x {p(x)\log q(x)}。$

式中： $p(x)$ 为真实标签值， $q(x)$ 为softmax的输出结果。当模型的识别结果与真实结果相同时，交叉熵损失最小，当有结果不同时交叉熵损失变大，通过最小化交叉熵损失反向传播训练识别模型，最终使得模型能够对各个类别取得较好的识别准确率。

推理识别部分处理流程如图4所示。

首先对各无人机平台数据源进行分类汇总，对电子信号数据与图像数据进行组合，得到不同无人机平台间电子信号与图像数据的组合数量，并对所有识别结果采用集成学习投票法进行融合，投票公式为：

$ H(x) = \mathop {\arg \max }\limits_j \sum\limits_{i = 1}^T {h_i^j(x)}。$

式中： $T$ 为所有识别结果数量； $h_i^j(x)$ 为第 $i$ 个识别结果是否为目标 $j$ ，如果是，则 $h_i^j(x)$ 为1，否则为0； $H(x)$ 即为所有识别结果中最多出现的目标。

3 仿真实验构建 3.1 仿真数据

本文主要选用雷达脉冲信号与可见光图像作为数据源，每类数据源均包含相同数量的目标与样本数据。数据源由5个目标组成，其中电子信号的数据组成如表1所示。

不同目标的电子信号时域波形如图5所示。可见光图像的数据组成如表2所示。不同目标的可见光图像如图6所示。

3.2 识别模型

电子信号识别模型的网络结构如表3所示。图像数据识别模型基于Resnet50构建，网络结构如表4所示。

级联深度神经网络模型结构如图7所示，为了能准确反映算法带来的能力提升，模型中的电子信号识别模型与图像数据识别模型组成结构保持不变。

3.3 仿真实验

开展模型训练，训练超参数如表5所示。

模型训练完成后对测试数据集进行识别，得到目标识别准确率如表6所示。级联深度神经网络模型平均识别准确率为95.85%，相比单一数据源的93.54%，94.77%均有明显提升。

进一步测试采用多无人机平台协同识别后，目标识别性能与无人机平台数量与平台数据丢失率的关系。假定参与识别的单数据源无人机平台数量 $N$ ，单一平台的数据丢失率为 $MR$ ，定义目标有效识别准确率 ${f_{valid}} = \dfrac{{{n_{correct}}}}{N}$ ， $N$ 为目标样本数， ${n_{correct}}$ 为未发生丢失且有效识别的目标样本数；定义目标有效识别准确率 $ {f_{{\text{acc}}}} = \dfrac{{{n_{correct}}}}{{N - {N_{miss}}}} $ ， ${N_{miss}}$ 为发生丢失的目标样本数。

经测试，得到目标有效识别准确率与无人机平台数量的关系如图8所示。当 $MR$ 固定，有效识别准确率与无人机数量成正比，当 $MR$ 为0.3时，8架无人机（4架电子+4架图像）进行协同识别，识别准确率达到97.5%，有效识别准确率达到92.8%，此时单一平台的识别准确率分别为93.54%，94.77%，有效识别准确率分别为65.48%，66.34%。

目标丢失率与无人机平台数量的关系如图9所示。随着无人机数量上升，目标丢失率显著下降，当 $MR$ 为0.3时，8架无人机可以将最终的目标丢失率降低到0.048，此时单一平台算法的丢失率为0.3。

根据识别准确率与目标丢失率对比结果，本文算法相比单一平台数据源目标识别在识别准确率与目标丢失率方面均有明显的性能提升。多无人机平台跨域协同多目标识别的性能与无人机平台数量有着直接关系，通过增加无人机数量，能够进一步提升目标识别准确率、降低目标丢失率。总体上，多无人机平台跨域协同多目标识别算法有效提升了对复杂环境下多目标的连续跟踪与精准识别能力。

4 结　语

针对单一无人机平台数据源单一、存在数据丢失，导致多目标识别准确率低、连续跟踪能力不足等问题，设计一种基于集成级联学习的多无人平台跨域协同多目标识别算法，并通过仿真数据进行实验。实验结果表明，多无人平台跨域协同多目标识别算法相比单一数据源的识别准确率有了明显提升。同时，随着无人机数量增多，算法的识别性能与连续跟踪能力也进一步提升。