基于物理引导的微多普勒描述符在无人机与鸟类分类中的特征级鲁棒性
信号处理
2026-04-15 v1
摘要
微多普勒特征已被证明是区分无人机和鸟类的有效模态，但在低信噪比、数据受限的场景下，其可靠性会下降，而深度学习模型在此类场景中常常失效。本文利用公开的77 GHz FMCW雷达数据集，在受控信号退化条件下，对十种基于统计和物理启发的手工特征在微多普勒分类中的表现进行了系统研究。频谱图被添加了加性高斯白噪声、相位噪声及其组合，信噪比范围为-10 dB至10 dB，相位噪声水平为1至10度。使用支持向量机和随机森林分类器，在所有噪声条件下采用固定超参数，通过分层5折交叉验证对特征进行评估。在干净数据上，两种模型均达到0.916的平均准确率，F1分数分别为0.909（SVM）和0.892（随机森林）。在强噪声下，基于熵的特征和旁瓣特征保持鲁棒，F1分数分别高达0.773和0.831。基于排列的重要性分析表明，即使某些特征的个体重要性较低，它们仍能保持互补的判别能力。这些结果凸显了原则性特征设计的价值，并为可解释雷达分类系统中的特征鲁棒性提供了见解。
引用
@article{arxiv.2604.12567,
title = {Feature-Level Robustness of Physics-Guided Micro-Doppler Descriptors for classification of Drones and Birds},
author = {Shaiq e Mustafa and Salman Liaquat and Imran Hafeez Abbasi and Azhar Hasan},
journal= {arXiv preprint arXiv:2604.12567},
year = {2026}
}