0 引 言
随着无人机产业的高速发展，以旋翼无人机为代表的消费级无人机市场迅速发展，并已渗透到多个行业和领域，然而，这一趋势也引发了众多安全问题［1］。近年来，无人机因其易于操控、体积小巧、适应多种环境等优势，在众多领域实现了迅猛发展。特别是多旋翼无人机，以其轻巧便捷、快速升空和飞行路径多变的特性，在城市复杂环境中难以被及时发现和有效应对。这不仅使得多旋翼无人机容易被恶意使用，如被用于恐怖活动、毒品走私或散发非法宣传品等犯罪行为，也给公共安全带来了新的挑战［2］。文献［3］也指出，随着“低慢小”无人机的广泛应用，其对军事、民用和商业领域的潜在威胁日益显著，尤其是在俄乌冲突等现代战争中，无人机的低成本、高灵活性和多样化应用使其成为战场上的重要力量。
微多普勒效应是传统多普勒效应的一个重要补充，它能够揭示目标除了整体运动之外的细微运动特征［4］。对于无人机这类“低慢小”目标，其旋翼的旋转或飞鸟翅膀的扇动会在雷达回波的主多普勒频移附近产生额外的频率调制，形成微多普勒特征，从而引发微多普勒效应［5］。这种效应不仅反映了目标的运动状态，还能够提供目标的形状、结构等详细信息，对于无人机的识别和分类具有重要意义。
因此，深入研究无人机的微动特征分析与提取技术，提升时频谱的准确率和微动参数的估计精度，对于无人机的识别和分类具有重要的理论和实践价值。文献［6］通过微多普勒特征和机器学习结合的无人机目标分类识别技术，能够有效区分无人机和飞鸟等“低慢小”目标，为无人机防控系统提供了新的技术手段。目前，通过对空中低速小目标的微多普勒效应进行深入分析，已经能够实现对这些目标的初步识别，并且微多普勒特征在无人机的分类和识别领域得到了广泛的研究和应用。这种技术的发展为无人机的识别提供了坚实的理论基础和技术支持。
随着计算机图像技术的发展，有效地结合了多普勒效应的频谱分析和深度学习的强大分类能力，以实现对无人机等目标的精确识别。文献［7］通过对雷达回波信号使用匹配滤波和多普勒处理，从而获得距离多普勒谱图，随后，利用卷积神经网络（Convolutional Neural Network，CNN）直接对局部距离多普勒谱图进行分类识别。文献［8］通过使用短时傅里叶变换（Short-Time Fourier Transform,STFT）和Wigner-Ville分布技术，对信号进行联合时频分析后将微动信号转换为图像，再基于深度卷积神经网络（Deep Convolutional Neural Network，DCNN）对无人机进行分类。
近年来，深度学习在解析繁复且维度众多的数据集以及精准提取特征方面的卓越表现，赢得了业界的普遍认可和广泛应用。不过，如果模型的训练过程仅依赖于有限的标注样本，那么它将难以深入挖掘数据的内在复杂特征，并且无法有效利用那些海量的未标注样本。为了解决标注样本不足的挑战，研究者们引入了半监督学习［9］。例如，Rojhani等人［10］提出一种基于PCA与无监督深度学习的框架，通过SMOTE平衡数据、DCN挖掘无标签特征，结合FMCW雷达实现鸟类与无人机区分，验证其有效性（平均NMI=0.878）。然而，现有无监督方法仍需依赖雷达信号的特定特征提取，而半监督学习的核心在于，在标注样本稀缺的前提下，借助未标注样本所蕴含的信息来增强模型的训练过程。
针对以上问题，本文对基于分歧的半监督学习方法进行优化改进，搭建了一种基于协同的半监督神经网络（Co-training Semi-supervised Neural Networks，CSNN）的无人机识别框架，通过在开源数据集和自测数据集中实验证明，该框架具有较强的泛化能力，优于其他主流的半监督学习模型以及有监督学习模型，为面对标注样本不足的现实困境中提供了一个切实可行的解决路径。
1 数据集
本文采用两个数据集，分别为印度浦那国防高级技术研究所开源的空中小目标的微多普勒特征（DIAT-μSAT）数据集［11］和自测数据集。
1.1 空中小目标的微多普勒特征（DIAT-μSAT）数据集介绍
DIAT-μSAT数据集由5个空中小目标的4 849幅微多普勒图像组成的数据集，共有6个类别。此数据集使用了一个印度开发的X波段连续波雷达检测/分类的低空小目标。它包含两个无人机目标的微多普勒特征图，其采样频率为10 kHz，离散傅里叶变换点数为1 024，每次实验的数据采集时间为3 s，短时傅里叶变换采用的是汉明窗口，能够很好地优先利用其高频率分辨率和旁瓣抑制能力区分叶片数、仿生运动模式，其窗口长度设置为256个样本点，对应于25.6 ms的时间长度，窗口之间的重叠长度为200个样本点，占窗口长度的78.12%，即20.0 ms。图1是6种无人机的微多普勒时频图。
图1 6种无人机的微多普勒时频图
1.2 自测数据集介绍
自测数据集是对3种类型的旋翼无人机进行实测，分别是直升机、四旋翼和六旋翼无人机，每个类型的无人机是通过K波段CW雷达采集目标的回波数据，其参数信息如表1所示。
表1 CW雷达参数信息
参数发射天线数量接收天线数量载频发射功率天线增益基带采样参数值1个1个24 GHz 16 dBm 15 dBi 128 kHz
数据集是由3种旋翼无人机单独实测和2种无人机组合以及3种无人机组合而成的7种不同旋翼无人机数据在1 m处采集悬停状态下的无人机回波数据，为了获取准确的旋翼无人机叶片旋转数据，本次实验对每种无人机进行了25次重复测量，每次持续6 s。
每个测量数据都被分成20个长度为0.3 s的片段，这足以包含旋翼无人机叶片旋转的几个周期，确保能够捕捉到叶片旋转的完整周期信息。本文采用STFT时频分析方法，属于线性时频分析。STFT的主要思路就是用一个固定长度的窗函数h( t)在长段的原始信号上不断的滑动，相当于对原始信号在时域上进行截取，将截取的片段视为平稳信号，接着对截取的片段进行傅里叶变换处理，得到的结果作为局部的频谱，伴随着窗的滑动至结尾，得到整个原始信号的时频谱。短时傅里叶变换公式表示为
式中：y( t )为雷达回波信号；h( t )为固定长度的窗函数，用来抑制频谱的旁瓣，常用的窗函数有汉宁窗、高斯窗、汉明窗等，因高斯窗对多分量、非平稳信号的兼容性更强，能够解决多分量混叠、弱信号提取等问题，所以本文取高斯窗函数；τ 为窗函数移动的位置；ω 为多普勒频率。7种旋翼无人机类型的微多普勒时频图如图2所示。
图2 7种无人机的微多普勒时频图
本文对连续波分段窗口长度与时频分析的重叠长度进行了实验对比。具体而言，连续波分段窗口长度分别设置为128个和256个时间采样点，时频分析的重叠长度分别为127、64个采样点和255、128个采样点。窗口长度与重叠长度对分类性能的影响如表2所示。
表2 窗口长度与重叠长度对分类性能的影响
窗口长度（采样点）128 128 256 256重叠长度（采样点）127 64 255 128分类准确率/%92.7 91.4 89.4 86.2
通过表2对比分析可知，组合1（窗口长度128个采样点，重叠长度127个采样点）在分类准确率方面表现最佳（92.7%），表明较短的窗口长度和较高的重叠率能够更好地捕捉信号特征，提高分类性能。相比之下，组合3（窗口长度256个采样点，重叠长度255个采样点）虽然时频精度相同，但由于窗口长度较长，数据点间距较大，分类性能略有下降（89.4%）。组合2（窗口长度128个采样点，重叠长度64个采样点）和组合4（窗口长度256个采样点，重叠长度128个采样点）的表现介于两者之间，但均不如组合1在分类准确率方面表现优异。
长窗虽然可以提高频率分辨率，但也可能引入更多的环境噪声或信号的非平稳性，导致频谱细节模糊。窗长为256个采样点时，每个窗口覆盖的时间更长，但重叠率不足导致窗口之间的间隔较大，时间上的采样不够密集，使得时频图在时间轴上出现跳跃。图3仅展示了直升机在组合1和组合4下的时频图，可以明显看出窗长为256个采样点、重叠长度为128个采样点的时频图模糊且数据不够密集，而窗长为128个采样点且重叠长度为127个采样点的时频图则更为清晰和详细。
图3 直升机在不同窗口长度与重叠长度的时频图
2 算法描述
2.1 半监督学习的概念
在实际应用场景中，经常面临设备捕获的数据大多数是未经标注的情况，而对大量数据进行全面标注成本高且难以实现。在这种背景下，半监督学习技术便显得尤为重要。它允许我们仅对一小部分数据进行标注，同时利用剩余的未标注数据来提升识别性能。半监督学习使用先前标记的实例来构建其初始假设，然后结合从这些实例中获得的信息来标记未标记的实例，再将新标记的实例插入到标记的数据集中，这些实例将用于对未标记数据集的剩余实例进行分类，如图4所示。
图4 半监督学习示意图
在半监督学习中，有两个重要的基本假设［12］：聚类假设和流形假设。
流形假设（Manifold Assumption）：这一假设认为如果两个样本在低维流形上彼此接近，那么它们很可能属于同一个类别。
聚类假设（Cluster Assumption）：与流形假设相辅相成，聚类假设认为数据点如果属于同一个聚类，那么它们很可能拥有相同的类别标签。
这两种假设共同构成了半监督学习的理论基础，流形假设表明在局部邻域内数据点的标签应该是一致的。聚类假设建议决策边界应该位于数据分布的低密度区域，避免密集区域样本分配错误。相比之下，流形假设不仅适用于分类问题，也可以扩展到回归等其他类型的机器学习任务。
2.2 基于分歧的半监督学习的无人机识别
本文选择基于分歧的半监督算法来实现旋翼无人机的分类识别，此方法是从有限的标注数据中构建两个或多个独立的分类模型，又可称作协同训练，这些模型被应用于同一组未标注的数据样本上，进行预测。在预测过程中，只有获得两个或两个以上模型高度一致预测结果的样本才会被选出并加入到标注数据集之中。最后，使用更新后的数据集对模型进行再训练。不断重复，直到模型性能达到满意为止。
2.2.1 网络的基本结构
本文改进了基于CSNN的无人机识别框架，框架主要由两部分组成，模型的主体结构框架如图5所示。
图5 基于CSNN的无人机识别框架
第一部分：用少量的有标签数据对3个分类网络进行初步训练。
第二部分：初步训练后的模型和大量无标签数据生成一个新的有标签数据集并进一步识别无人机分类。
第一部分首先利用Bootstrap方法对少量有标签数据集进行随机抽取，得到3个不同的训练集，再利用3个分类网络进行初步的训练，3个分类网络分别是：卷积神经网络、时间卷积网络和CNN+TCN+CBAM+Ghost（CTCG）。将3个分类网络的激活函数换成Mish激活函数。
第二部分利用第一部分初步训练得到的3个初步的训练模型，来预测大量的无标签数据集，如果存在两个及两个以上网络模型预测的结果一致则将其赋予伪标签加入到原有的少量的有标签数据来更新数据集，如果未满足以上要求，则返回到无标签数据集末端中继续迭代。当达到有标签数量时，用有标签数据集更新网络，直到无标签数据集内数据通过多次迭代后，毫无变化则停止迭代。最后利用CTCG网络来训练新的有标签数据集，得到最终的分类模型，利用最终分类模型对测试集数据进行分类并评估分类效果。
2.2.2 网络的参数设置
本文网络基本结构主要由卷积神经网络（CNN）、时间卷积网络（Temporal Convolutional Networks，TCN）和卷积注意力机制（Convolutional Block Attention Module，CBAM）模块以及Ghost模块组成。所用到的3个分类网络如图6所示。
图6 网络基本结构示意图
以上网络的基本参数如表3所示。
表3 CNN和TCN网络的基本参数信息
基本模块卷积1、2、3、4、5、6时间卷积1、2基本参数卷积核数量时域窗长度激活函数最大池化卷积核数量时域窗长度激活函数膨胀比例参数值32、96、64、128、256、16 5 Mish 2 32、256 5 Mish 2
表3 是CNN网络和TCN网络结构参数，CTCG网络是由CNN网络去掉最大池化层、TCN网络以及CBAM卷积注意力机制和Ghost瓶颈层结合得到的。与CNN网络和TCN网络相同的网络参数，3个分类网络的全连接层系数都设置为8。CBAM和Ghost瓶颈层参数及结构如下：
CBAM模型［13］的结构主要由两大部分组成：通道注意力模块和空间注意力模块。结构图如图7所示。先经过通道注意力模块，再通过空间注意力模块，CBAM注意力模块可以表示为
图7 CBAM模块结构
式中，⊗表示逐元素乘法，F表示输入的特征图，Mc( F )和Ms( F )分别表示在通道注意力上进行的操作和在空间注意力上进行的操作，CBAM( F )表示最终的精炼输出。
通道注意力模块主要关注的是“哪个”输入特征图含有重要的信息，就是在通道维度上识别出哪些特征图或特征通道对于分类任务是关键的，同时并列使用了平均池化和最大池化来聚合特征图的空间信息。通道注意力计算如下：
式中，σ(· )表示Sigmoid非线性激活函数，W0和W1代表MLP的权重矩阵，平均池化特征
和最大池化特征
。
空间注意力模块主要关注的是“哪里”是重要的特征，就是在空间维度上识别出哪些区域对于分类任务是关键的，对给定的一个特征图F ∈ℝH × W × C，先通过通道注意力模块的平均池化和最大池化得到平均池化特征
和最大池化特征图
，将两个特征图按照通道拼接在一起，再经过一个7×7的卷积层就可以得到空间注意力特征图Ms( F )∈ℝH × W，计算过程如下：
式中，f 7*7代表7×7的卷积，Ms( F )表示在空间注意力模块上进行的操作。
Ghost瓶颈层［14］：使用Ghost卷积来替代普通的卷积，参照ReNet的残差模块，使用两个Ghost模块构建了Ghost瓶颈层，结构如图8所示。第一个模块的作用是为了生成大量特征图，充当一个扩展层，第二个模块的作用是为了减少通道的数量。两个Ghost模块之间对其进行了归一化处理，激活函数运用的是ReLU，其中步长为2的Ghost瓶颈层插入了步长为2的DW卷积，进一步起到了降低参数的作用。
图8 Ghost瓶颈层
对于一个h · w · c的特征图，采用n个k · k的卷积核进行卷积操作，则卷积后输出特征图的尺寸将是h'· w'· n，卷积操作的计算量为n · h'· w'·c · k· k，如果采用Ghost模块，特征图的通道数n被重构为n = m · s，其中m是原始通道数，s是缩放因子，Ghost模块中的卷积操作使用m个d · d的卷积核，会产生一个恒等的特征映射和m ·( s - 1) =n s ·s ·( s - 1) 个额外的线性运算，Ghost模块加速比计算如式（5）所示，从计算的结果可以看出，与普通的卷积相比，Ghost模块在相同操作下，计算量约为原来的1 s，大大减少了计算量，加快了模型的识别速度。
式中：s为Ghost的缩放因子，一般较小；c为输入的数据通道数，一般较大。
2.2.3 消融实验
为了验证以上3个分类网络采用注意力机制和瓶颈层的有效性，本节进行了一系列的消融实验。第一次实验，3个分类网络分别是：卷积神经网络、时间卷积网络、CNN+TCN+Attention（CTA）；第二次实验，将Attention换成了CBAM卷积注意力机制变成CTC网络；第三次实验，将TCN和CNN中都加入CBAM卷积注意力机制并在CTC网络中加入Ghost瓶颈层变成CTCG网络；在最后一次实验中，去除CNN和TCN的注意力机制，保持CTCG网络进行试验。在每一次实验中，将有标签样本数据量从25逐步增加到300，无标签数据量一直保持在400不变。实验结果对比图如图9所示。
图9 在不同标注样本数量下的消融实验结果
从图9可以看出，CBAM卷积注意力机制和Ghost瓶颈层都在一定程度上对模型的识别率起到了促进作用。同时采用注意力机制和瓶颈层的模型，相比于采用一个或两个都不用的模型识别率提升1.1%～5.66%。从图中也可以看出，当有标签数据量较少的情况下，CBAM卷积注意力机制和Ghost瓶颈层共同作用所提升的性能比CBAM卷积注意力机制单独作用更大，但随着有标签数据量的增多，越来越多的特征可以直接从有标签数据中学习获得，因此改进的网络所带来的额外提升越来越少。
2.2.4 引入的Mish激活函数
在神经网络中，激活函数的主要作用是对神经网络的输出进行非线性变换，可以更好地增加神经网络的拟合能力和复杂度，可以解决更加复杂的问题，激活函数作为神经网路中重要的组成部分，主要分为饱和激活函数和非饱和激活函数，本文采用的就是Mish非饱和激活函数，其数学表达式如下：
式中，tanh为双曲正切函数，tanh( x )∈( -1,1) 。
Mish激活函数图像如图10所示，由图中曲线可知，Mish激活函数是一个平滑、有下界无上界的非单调函数，它的非单调性是为了解决梯度消失的问题，减少过拟合；无上界的优点是避免发生封顶饱和问题；其曲线平滑可以使更多的信息流入神经网络来提高神经网络的泛化能力以及实现更高的准确率。与此同时，图中也绘制了Mish激活函数的梯度曲线，即激活函数输出相对于输入的导数，可以看出，在输入接近0时，斜率是接近1的，这样更加便于网络学习。
图10 Mish激活函数图像
3 实验数据结果分析
3.1 对比实验
本次实验采用公开的DIAT-μSAT数据集和自己实测的数据集，其中DIAT-μSAT数据集分布为：有标签数据集从每一类25张逐渐增加到300张，无标签数据集固定为每一类450张，测试集每一类50张。自己实测的数据集分布为：有标签数据集从每一类15张逐渐增加到120张，无标签数据集固定为每一类150张，测试集每一类30张。
为了测试本文提出的模型在标注样本有限的情况下，与其他主流半监督算法对无人机分类识别微多普勒时频谱图的识别效果如何，所以在本文中与一些其他主流半监督模型进行了对比，包括自训练［15-16］、FixMatch［17］以及协同训练（CNN+TCN+CTA）［18］。此外，为了验证本文提出的协同框架CSNN的效果，与只有CTCG的单独分类器的有监督实验作为对比，设置每类不同数量的标记数据下对上述模型进行了测试，以下是在两个数据集上的对比试验，如图11和图12所示。
图11 不同的半监督算法在不同数量的标注样本下的识别准确率（开源数据集）
图12 不同的半监督算法在不同数量的标注样本下的识别准确率（自测数据集）
从图11可以看出，本文所改进的半监督协同框架CSNN仅需要50个有标签数据和400个无标签数据就可以达到将近92.5%的识别准确率，如果是全监督下的CTCG模型，需要200个有标签数据才能达到类似的识别准确率。但是随着有标签数量的增多，许多数据可以直接从有标签数据获取，无标签数据辅助作用变弱，提升的性能也有所减弱。与此同时，与其他3个半监督模型相比，CSNN框架依然可以表现出优越的性能，平均准确率领先其他模型2.21%～5.66%，随着标签数据量的增多，相比于有监督学习，CSNN框架提升了3.01%，可以看出半监督模型所提升的性能变小，但总体上看，在标签数据量有限的情况下，CSNN框架能够更好地实现分类任务。
同时从图12依然可以看出，CSNN框架无论是在有监督CTCG模型还是半监督模型中，都表现出了较好的性能。由于自测数据集较少，本文所采用的改进的半监督协同框架CSNN在自测数据集上所表现的性能相比于开源数据集有所下降，但识别准确率依然可以达到95.78%，相比于其他半监督模型提升得更多，并且在全监督CTCG模型在90张训练集所达到的准确度本文只需要65张有标签数据和150张无标签数据就可获取，准确率提升了2.66%。从图中可以更明确地看出，改进的CSNN框架与未进行改进的协同训练（CNN+TCN+CTA）相比，提升的性能更大。
为系统验证本文提出的半监督协同框架CSNN在微多普勒特征识别中的性能优势，基于开源数据集对典型方法展开对比实验，通过标注效率、分类精度等维度综合评估模型能力，表4是旋翼无人机微多普勒特征识别任务中各方法在标签占比及准确度的性能对比。
表4 各方法在标签占比及准确度的性能对比
对比维度CTCG全监督方法自训练FixMatch CNN+TCN+CTA本文方法（CSNN）有标签数量/张200 150 250 200 50无标签数量/张0 400 400 400 400有标签占比/%66.7 50 83.4 66.7 16.7准确度/%92.69 92.29 90.77 91.50 95.87
如表4所示，CSNN仅需50个标注样本（16.7%标注占比），联合400张无标签数据，即以95.87%的分类准确率全面超越现有方法。相较于全监督方法CTCG（200标签/92.69%），CSNN标注成本降低75%，精度提升3.18%；对比其他半监督基线，其优势更为突出：自训练方法（150标签/92.29%）需3倍标注量但精度低3.58%，经典半监督框架Fix-Match（250标签/90.77%）虽利用同等无标签数据，但标注量高达CSNN的5倍，精度仍落后5.1%。此外，改进前的协同训练CNN+TCN+CTA（200标签/91.50%）在标注量增加4倍的情况下，精度反而低4.37%，进一步验证了CSNN在标签效率与性能均衡性上的突破。实验表明，CSNN能够以极低标注成本（16.7%）实现最优分类性能，为实际工程中标签稀缺但数据丰富的无人机监测场景提供了高效解决方案，兼具高精度、强泛化与低部署成本的核心优势。
3.2 t-SNE特征可视化
本次实验针对开源数据集和自测数据集进行了不同半监督算法和有监督下的CTCG网络t-SNE特征可视化［19］，可以更直观地观察出本次所改进的方法对无人机类别的分类效果。如图13和图14所示为两组数据的t-SNE特征可视化图。
图13 不同半监督方法生成的t-SNE特征可视化（开源数据集）
图14 不同半监督方法生成的t-SNE特征可视化（自测数据集）
图14 图例中2代表直升机的单目标数据，24和26代表直升机、四旋翼的双目标数据和直升机、六旋翼的双目标数据，246则代表直升机、四旋翼以及六旋翼三目标一起的混合数据，以此类推，4和6则代表四旋翼的单目标数据和六旋翼的单独目标数据，46则代表四旋翼和六旋翼的双目标数据。
从图中的t-SNE特征可视化结果图来看，本文所改进的方法的样本特征会清晰地聚集在各自的类别区域内，边界较为清晰。从图13（c）和图13（d）可以明显看出类别特征混乱不能完全分离存在两类无人机一起的混合类别识别成三长叶旋翼或三短叶旋翼特征，相比于图13（e）效果较差；从图14可以看出，由于自测数据集的测试集数据量小，类别特征相对零散，尤其图14（d）相比于其他几种方法，不同类别的边界不清晰，效果不理想。
4 结束语
本文在传统的有监督无人机分类识别的基础上，提出了优化的半监督学习，搭建了一种基于协同的半监督神经网络的无人机识别框架，框架中引入空间和通道注意力机制，联合Ghost模块，可以显著提高模型的特征表达能力，使用Mish函数可以大幅降低网络在使用ReLU函数时发生的神经元坏死的概率，最后实验验证了该框架在旋翼无人机识别任务上的性能得到了一定程度的提升，最终在开源数据集和自测数据集实验准确率分别为97.33%和95.78%。从结果上看，相比于以往半监督学习算法以及上文提出CTCG有监督学习方法，基于协同的半监督神经网络的无人机识别算法性能得到有效的提升。
［1］王晓亮，王聪生，施宇翔，等.雷达低信噪比旋翼无人机与飞鸟分类方法［J/OL］.北京航空航天大学学报，2024:1-15.https://doi.org/10.13700/j.bh.1001-5965.2024.0585.
［2］陈小龙，陈唯实，饶云华，等.飞鸟与无人机目标雷达探测与识别技术进展与展望［J］.雷达学报，2020，9（5）:803-827.
［3］李德仁，龚江昆，闫军，等.基于雷达自动目标识别技术的反无人机雷达［J］.无线电工程，2024，54（4）:765-779.
［4］王冠阳，李晨，于英杰，等.基于微多普勒特征的直升机目标识别［J］.空天防御，2024，7（2）:63-73.
［5］罗俊海，王芝燕.无人机探测与对抗技术发展及应用综述［J］.控制与决策，2022，37（3）:530-544.
［6］邴政，周良将，董书航，等.一种基于微多普勒和机器学习的无人机目标分类识别技术［J］.雷达科学与技术，2024，22（5）:549-556.
［7］WANG Li, TANG Jun, LIAO Qingmin. A Study on Radar Target Detection Based on Deep Neural Networks［J］.IEEE Sensors Letters,2019,3（3）:1-4.
［8］CHOI B, OH D. Classification of Drone Type Using Deep Convolutional Neural Networks Based on Micro-Doppler Simulation［C］//2018 International Symposium on Antennas and Propagation, Busan, Korea（South）:IEEE, 2018:1-2.
［9］YANG Xingli, SONG Zixing, KING I, et al. A Survey on Deep Semi - Supervised Learning［J］. IEEE Trans on Knowledge and Data Engineering, 2023, 35（9）:8934-8954.
［10］ROJHANI N, SADEGHIBAKHI M, PASSAFIUME M, et al. Application of PCA and Unsupervised Deep Learning in Bird and Drone Discrimination Based on FMCW Radar Measurements［J］. IEEE Geoscience and Remote Sensing Letters,2024,21:1-5.
［11］KUMAWAT H C, CHAKRABORTY M, RAJ A B, et al.DIAT-μSAT: Small Aerial Targets’Micro-Doppler Signatures and Their Classification Using CNN［J］. IEEE Geoscience and Remote Sensing Letters,2022,19:1-5.
［12］LIU Fengxia, ZHENG Zhiming, SHI Yexuan, et al.A Survey on Federated Learning:A Perspective from Multi-Party Computation［J］. Frontiers of Computer Science,2024,18（1）:181336.
［13］YANG Chunling,ZHANG Chunchao,YANG Xuqiang,et al. Performance Study of CBAM Attention Mechanism in Convolutional Neural Networks at Different Depths［C］//2023 IEEE 18th Conference on Industrial Electronics and Applications,Ningbo,China:IEEE,2023:1373-1377.
［14］HAN Kai, WANG Yunhe, TIAN Qi, et al. GhostNet:More Features from Cheap Operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition,Seattle,WA,USA:IEEE,2020:1577-1586.
［15］LEE D H.Pseudo-Label:The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks［C］//the 30th International Conference on Machine Learning,Atlanta,Georgia,USA:［s.n.］,2013:1-4.
［16］秦世强，杨睿，苏晟.基于自训练半监督神经网络的结构损伤识别［J］.地震工程与工程振动，2024，44（2）:38-49.
［17］SOHN K, BERTHELOT D, LI Chunliang, et al. Fix-Match: Simplifying Semi-Supervised Learning with Consistency and Confidence［C］//the 34th International Conference on Neural Information Processing Systems,Vancouver,BC,Canada:［s.n.］,2020:596-608.
［18］金涛.基于改进协同半监督学习的雷达辐射源信号识别方法的研究［D］.长春:吉林大学，2022.
［19］郭艳萍，高云，吕丙东.基于t-SNE 降维的数据可视化分析研究［J］.电子技术与软件工程，2021（21）:166-170.