中文标题：数字阵雷达低慢小探测数据集(LSS-DAUR-1.0)及图网络目标分类方法

英文标题：Digital Array Radar LSS-target Detection Dataset (LSS-DAUR-1.0) and Graph Network-Based Target Classification

来源期刊：雷达学报

基金项目：国家自然科学基金(U25B2016)，国家重点研发计划(2024YFB3909800)，山东省自然科学基金(ZR2024JQ003)

作  者：陈小龙¹, 刘佳¹, 汪兴海¹, 王金豪¹, 关键¹, 张月²

作者单位：1. 海军航空大学 烟台 264001
2. 中山大学·深圳电子与通信工程学院 深圳 518107

摘  要：针对低慢小(LSS)目标雷达分类中存在的特征提取不充分、时空关联建模能力薄弱及分类性能欠佳等问题，本文围绕图网络特征提取和分类技术开展研究。首先，聚焦数字阵泛探雷达，构建了雷达低慢小目标探测数据集LSS-DAUR-1.0，包含客轮、快艇、直升机、旋翼无人机、鸟类与固定翼无人机6类目标的多普勒和航迹数据。其次，基于该数据集分析了目标的多域多维特性，通过相关性和余弦相似度分析，验证了多普勒特征与物理运动特征的互补性。在此基础上，提出融合双特征的动态图图卷积网络(DG-GCN)分类方法设计自适应窗口调整、混合衰减函数和动态阈值机制，构建时空关联自适应动态图，结合图卷积特征学习和分类模块，实现对低慢小目标的精细化分类。LSS-DAUR-1.0数据集验证表明，DG-GCN分类准确率达99.66%，较ResNet和Transformer模型分别提升6.78%和17.97%，总处理时间仅4.98 ms，较对比模型降低80%以上，兼顾高精度与高效性。此外，噪声环境测试其鲁棒性良好。消融实验验证，动态边权机制可弥补纯时序连接的空间特征关联上不足，提升模型泛化能力。

全文链接： https://radars.ac.cn/cn/article/doi/10.12000/JR25240