低空安防这几年一直是个让人头疼的难题。防空雷达最尴尬的地方在于，屏幕上出现一个小光点，你很难立刻分清它到底是一只鸟，还是一架无人机。它们的飞行速度都不快，体型也接近，雷达截面积相差无几，传统依靠轨迹和速度的识别方法在短距离内基本等于抓瞎。
但物理规律总会留下破绽。鸟靠扇动翅膀飞行，无人机靠旋翼旋转产生升力，这种机身局部部件的微小运动，会通过雷达回波调制出一种极其特殊的频率特征——业内称之为微多普勒效应。把这层特征剥开，两类目标的伪装就不攻自破了。
这篇文章不涉及雷达怎么搭建、信号怎么发射，只盯着几张微多普勒图，看看雷达眼里的无人机和鸟究竟长什么样，再了解深度学习是如何把这些肉眼可辨的差异学进网络里的。
这张图是整篇文章的突破口。横轴是时间，纵轴是多普勒频率（反映了目标相对雷达的微小速度），颜色深浅代表信号能量。
图里分成上中下3个子图，分别对应极短、中等和很长的滑动窗口。先看最下面那张，窗口长度为512，机体本身静止在正中心，呈现出一条极亮、贯穿时间轴的水平主带。而在这条主带上下两侧，整齐排列着一排排细长、平行的水平亮线。
这就是直升机和无人机特有的微多普勒特征，也就是HERM线（直升机旋翼调制线）。当旋翼叶片旋转到与雷达波束垂直的位置时，反射能量瞬间暴增，形成叶片闪烁；当叶片与波束平行时，能量又变得极其微弱。这种周期性遮挡极有规律，最终在时间-频率图上呈现出一把清晰的“梳子”。
窗口长度是这张图最关键的控制变量。最上面那张图窗口为16，时间分辨率极高，但频率轴糊成一团；最下面那张窗口为512，时间维度虽然牺牲了，但那一排排锐利的“梳齿”清晰无比。想要看清机械结构的规律，必须舍得用更长的观测时间。
量化发动机的转速
光有图还不够，得把机器的物理量算出来。这张图是对信号做持久谱分析后的结果，横轴是频率，纵轴是功率。
图里有一道红色虚线，标注的是基频166Hz，旁边的黄色虚线和洋红色虚线分别是斩波频率和转子转速频率。
对于悬停的这架无人机，它的电机装有两片桨叶。166Hz的基频意味着什么？意味着每秒有166次叶片闪烁。一个电机有2片叶片，所以电机每秒实际转83圈，换算成转速大约是4980rpm。
这个数字是纯物理计算，没有掺杂任何人为设定的先验。雷达只要看到这个频率梳齿的间距，就能反推出它的转速。转速是完全无法伪装的特征，鸟扇翅膀永远画不出这种间距绝对恒定的极高频梳齿。
鸟类：毫无规律的宽带起伏
看完无人机，再看鸟。鸟不是在悬停，而是在雷达视距内从80米飞到了40米。要提取鸟的微多普勒特征，得先把它从各种背景杂波中挑出来。
这张图是距离-多普勒平面，横轴是相对径向速度，纵轴是距离。中心0速度位置有一条极亮的垂直线，那是雷达正前方的固定杂波，比如地面或周围的静态物体。偏离中心、偏移量在正负几米每秒的位置，出现了几个黑色的叉号。
这就是恒虚警检测器CFAR抓出来的真实鸟类目标。鸟在飞，它的回波就和固定杂波分开了。顺着这几个动目标的距离波门把信号提取出来，再往下做时间-频率分析。
同样看最下面长窗口的那张图，横轴是时间，纵轴是速度。
与无人机那一排排整齐的梳齿完全不同，鸟的微多普勒特征显得“杂乱无章”。当鸟在加速或扇动翅膀时，信号在速度轴上的带宽被拉宽，呈现出明显的起伏；当鸟滑翔或匀速飞行时，回波收窄成一条细细的光带，看起来就像一个点目标。
这属于典型的“宽带多普勒”特征。翅膀拍打时，翅尖的速度远大于身体，相当于一堆不同速度的散射点同时在运动。而无人机是刚性旋转，高度规律。在雷达眼里，一个是杂技演员，一个是标准件。
用数据增强喂饱网络
要把这两种特征交给神经网络去分辨，面临的现实问题是：这类的真实数据太少了。数据不够，网络就很容易过拟合。这也是雷达微多普勒识别项目中数据增强几乎成为标配的原因。
这张图展示了如何对原本的微多普勒图像做增强，6张子图分别是原始图、水平翻转、垂直翻转、垂直循环平移、水平循环平移，以及底部阈值截断。
有意思的是这些变换背后的物理意义。水平翻转相当于时间倒流；垂直翻转在雷达上相当于频移反号，对于某些特定混频结构的雷达，这甚至是必须做的修正；循环平移则能模拟目标速度的偏移或者雷达自身的微小位移；阈值截断相当于把底噪削平，凸显高信噪比区域。这些操作放在图像处理里是常规技巧，但在雷达信号领域，每一项都对应着特定的物理场景。
这张图展示了从数据集中随机抽取的16张样本。可以清晰地看到，有的呈现横向亮带，那是滑翔的鸟；有的则布满了网状网格，那是多旋翼无人机。这就像是给网络提供了两类不同材质的布匹，让它自己去摸手感、学区分。
网络到底在“看”哪里？
训练一个轻量级卷积网络，不需要很深，只要几层就能做到90%以上的准确率。网络分得清鸟和无人机，但我们怎么知道它是真的在看HERM线和扇翅膀，而不是在瞎猜？
这张图是全场压轴的可解释性结果。每2列是一组，左边是输入的微多普勒谱图，右边是网络注意力热力图（Grad-CAM），红色区域代表网络做判断时重点盯住的位置。
看第3列那张图，输入的真实标签是鸟（Truth: bird），网络也预测对了（Pred: bird），它的热力图直接高亮在中间那条最亮、最厚实的回波带上，那正是鸟身子和翅膀的主要强反射区域。
再看第4列，真实标签是鸟，网络同样预测为鸟，热力图的红色区域分散在边缘的锯齿状频段上，这正是鸟扇翅膀产生的宽带多普勒。
那些辨认错的案例同样有说服力。比如第2列，真实是无人机（Truth: drone），但网络预测成了鸟。热力图显示，网络盯住了一大片模糊的宽带区域，它把无人机旋转产生的一些低频旁瓣误认为了鸟的宽带频谱。反观那些正确预测无人机的图，比如第5列，热力图的重点往往落在中心主带之外那一排排细碎、平行的谐波分支上。
这证明了一个极其关键的问题：网络没有作弊。它在遇到鸟类时提取宽带频谱和强回波特征，遇到无人机时检索高次谐波和梳齿结构。网络学到的物理规律，与雷达工程师的认知高度一致。
雷达微多普勒信号配合深度学习，这几年在低空目标探测领域确实非常流行。这套方案能有效落地，核心在于找对了一条处理链路：把极难处理的时序复信号，通过短时傅里叶变换转化为包含时间、频率和能量分布特征的3维图像。一旦变成图像，计算机视觉里成熟的轻量级网络、数据增强手段、可解释性方法就能全部无缝接入。
沿着这条思路往下走，工程落地还有几个核心难点。一是雷达频段的选择——高频（如毫米波）细节足但距离衰减快，低频（如厘米波）看得远但频率分辨率不够，需要根据具体应用场景做折中。二是面对强杂波环境，比如城市楼宇间的多径反射，前端检测算法提取微多普勒的鲁棒性必须足够强。三是面对不断迭代的新型无人机，神经网络是否具备足够的泛化能力，在没见过的旋翼转速和结构下还能不能保持准确率，这直接决定了系统能不能真正部署到现场。
在云栈社区的技术讨论中，雷达信号处理与深度学习结合的案例正越来越多。如果你对谱图分析、轻量级模型部署或者目标检测感兴趣，不妨多翻翻最近的项目复盘帖，里面经常能看到论文里见不到的工程细节。
发表于 3 小时前
|
查看: 6|
回复: 0
