0 引 言
现代雷达探测感知技术正面临复杂电磁环境与多样化任务的严峻挑战，其发展路径已从传统信号处理模式转向与人工智能深度结合的智能感知新范式［1-4］。这一转换使高质量数据成为驱动算法创新的核心要素，而雷达系统固有的多波段特性、多模态处理及复杂电磁效应，对训练数据的规模、真实性与系统性提出了更高要求［5］。为打通从智能模型研发到装备实战应用的关键路径，构建多波段、多模态雷达探测感知数据集势在必行。
雷达目标检测数据集方面，宋志勇等人［6］发布了雷达固定翼无人机弱小目标检测跟踪数据集。关键等人［7］发布了不同极化和不同海况下的海上目标散射特性数据，支撑“雷达对海探测数据共享计划（SDRDSP）”。陈小龙等人［8-9］和林钱强等人［10］公开了无人机等低慢小探测数据集。刘宁波等人［11］构建了涵盖多种类型海上目标的多源观测数据集。程永强等人［12］发布了一套地杂波背景下雷达低慢小无人机探测数据集（LSS-Ku-1.0）。
目标跟踪数据集方面，回丙伟等人［13］构建了低空飞行固定机翼无人机目标的数据集，为精确制导和红外目标探测提供了基础数据。伍琼燕等人［14］构建了小汽车、卡车、公交车和摩托车4种车辆类别的数据集VeDT-MSS，用以城市和乡村监控。刘丽华等人［15］公布了2D雷达与侦察传感器舰船目标跟踪数据集。肖云等人［16］以搭载混合传感器的高空无人机为平台，对拍摄的可见光和红外多模态视频进行配准，构建了多模态目标跟踪数据集HiAl。
目标识别数据集方面，Sun等人［17］构建了遥感图像飞机目标识别数据集FAIR1M，涵盖了波音、空客、C919等多种民航目标。Haroon等人［18］公开了多种尺寸目标数据集SMID，包含车辆、飞机、船只等目标类型。禹文奇等人［19］发布了多种军用飞机目标识别数据集MAR20，包含战斗机、轰炸机、运输机、预警机、攻击机等多种军用目标。任俊宇等人［20］公开了无人机射频信号数据集DroneRFb-DIR。
雷达干扰数据集方面，刘国满等人［21］构建了涵盖8种干扰样式的时频分布数据。郭立民等人［22］借助两个模拟干扰机设计了复合干扰信号，通过有机组合多个单一干扰信号构建了加性复合干扰。李佳浩等人［23］基于双射线传播模型通信信道构建了无人机通信干扰数据集。郭文杰等人［24］设计了6种经典单一和6种复合样式的雷达有源干扰数据集。陈思伟等人［25］基于MiniSAR实测数据和仿真数据构建了包含5类干扰样式的有源干扰数据集。王佳祥等人［26］基于信号建模仿真技术构建了包含3种干扰信号图像的数据集。
SAR图像处理数据集方面，李健伟等人［27］首次给出了SAR图像舰船检测数据集（SAR Ship Detection Dataset，SSDD），填补了SAR图像舰船目标数据集的空白。徐从安等人［28］公布了SAR舰船斜框检测数据集（RSDD-SAR）。为了验证层析合成孔径雷达（Tomographic Synthetic Aperture Radar，TomoSAR）方法，仇晓兰等人公开了SARMV3D-1.0［29］和SARMV3D-2.0［30］数据集，Chen等人［31］公布了GOTCHA数据集，Vasile等人［32］公布了TropiSAR数据集，Sun等人［33］公开了BioSAR数据集，焦润之等人［34］公开了3DSARBuSim 1.0数据集。金燕等人［35］给出了多维度SAR多波段分类数据集（MPOL-SAR-1.0）。郑乃榕等人［36］发布了高分辨率机载多维度SAR地物分类数据集AIR-MDSAR-Map。王汝意等人［37］构建了多角度SAR数据集。雷禹等人［38］构建了宽幅SAR大型民用舰船和军事舰船目标数据集。王智睿等人［39］公布了多极化SAR多地物类别数据集（AIR-PolSAR-Seg-2.0）。
上述数据集在雷达探测感知领域获得了广泛应用。然而，该领域的数据集建设仍存在显著瓶颈，严重制约了先进算法向实战化装备的有效转换，表现在：1）现有仿真数据集普遍存在真实性不足的问题。目前多数研究依赖于纯数学仿真或简化的电磁模型生成数据，未能充分复现复杂实战环境中的电磁传播特性、地海杂波背景以及雷达装备本身的非线性效应。这种理想化的数据与实际装备采集的回波在统计特性、误差结构和干扰样式上存在较大的差异，导致在其上训练和验证的算法大相径庭。当算法从仿真环境迁移至实际装备时，性能往往出现显著衰退，使得仿真阶段的验证结果不可靠，极大增加了算法工程化应用的风险与成本。2）已发布的数据集功能单一，缺乏覆盖全链路的系统性数据。公开的数据集多为针对特定任务而设计，例如仅为目标检测、仅为跟踪或仅为SAR成像提供片段式数据。这些“孤岛式”的数据集无法支撑从信号级处理、目标检测、点航迹关联、目标跟踪到目标识别与干扰对抗的完整雷达探测感知链路式的算法研发与验证。特别是针对电子对抗场景，公开的、高质量的干扰数据集尤为匮乏。这种数据割裂的现状，使得研究人员难以评估算法在完整任务链中的协同性能和鲁棒性，也无法系统性研究“检测-跟踪-识别-抗干扰-SAR成像”一体化等前沿课题。
为了弥补这一空白，本文的主要工作如下：1）发布了包含五大核心功能的完整数据集，具体包括：雷达目标检测数据集，包括单个脉冲脉压后的原始回波数据、回波相关参数信息和目标标签信息；雷达目标跟踪数据集，包含多批目标在杂波环境下的点迹数据和航迹信息；雷达目标识别数据集，包含8型民航飞机脉压后窄带高重频数据；雷达有源干扰数据集，包含脉压前原始回波、复合干扰类型、位置和目标位置标签；SAR图像数据集，包含舰船、飞机、桥梁及油罐4类目标的图像文件和标签文件。2）提取了数据集多维特征信息：除原始回波数据外、还提供了回波参数信息（时间信息、波位编号、距离单元的个数、脉冲个数）、目标运动参数（位置、速度、加速度）以及真值标签（目标类型、复合干扰类型）。3）分析了数据集的深层特征分布：通过绘制目标多普勒谱图、干扰信号时频图谱、目标跟踪航迹以及SAR图像指标等高信息图表，将多维特征进行直观的量化表达，不仅验证了数据集的内在一致性，更为研究者提供了可直观用于算法性能评估与对比分析的基准。
1 数据集构建
1.1 数据集基础信息
多波段多模态雷达探测感知数据集由5部分组成：雷达目标检测数据、雷达目标跟踪数据、雷达目标识别数据、雷达有源干扰数据和SAR图像数据。雷达目标检测数据为脉压后的IQ数据，共计8 000条，每条数据都包含目标位置标签；雷达目标跟踪数据共计2 088帧，每帧包含有目标点和杂波点；雷达目标识别数据为脉压后窄带高重频数据，共计3 519条，涵盖8型民航飞机；雷达有源干扰数据为脉压前单脉冲数据，共计10 000条，每条数据包含有目标和干扰，共计8种干扰样式；SAR图像数据为切片数据，共计10 000条，每条数据包含图像切片和目标标签，涵盖舰船、飞机、桥梁及油罐4类目标。雷达探测感知数据集基础信息如表1所示。
表1 多波段多模态雷达探测感知数据集基础信息
目标位置标签民航点迹、杂波点迹、8种干扰样式数据类型 波段 数据规模 数据组成雷达目标检测数据 S波段 8 000条 脉压后的IQ数据，雷达目标跟踪数据 S波段 2 088帧 281条民航航迹雷达目标识别数据 S波段 3 519条 脉压后窄带高重频数据，8型民航飞机雷达有源干扰数据 L波段 10 000条 脉压前单脉冲数据，图像切片，目标标签，SAR图像数据 C波段 10 000条 4类目标
数据格式命名如下：
1）雷达目标检测数据。提取脉压后的IQ数据，每条数据的规模为脉冲数×距离单元数，目标检测数据命名为dataEcho波位编号.mat （例：dataEcho6.mat）。
2）雷达目标跟踪数据。取出采集时间段内的点迹和航迹数据，点迹命名方式为：帧序号 当前帧起始时间.csv（例：1087_10858.csv），航迹命_名方式：R_航迹批号（例：R_64.csv），R表示航迹（Track）。
3）雷达目标识别数据。将I与Q两个物理通道的信号，分别映射为复数的实部与虚部，构建窄带高重频数据。目标识别数据命名为民航飞机型号名（例：A319-115）。
4）雷达有源干扰数据。通过将噪声数据、干扰数据与目标回波数据相融合，构建了本干扰数据集。脉冲回波数据存储于文件outData.mat，数据头参数存储于文件outPara.mat。
5）SAR图像数据。对商遥卫星数据进行切片处理，获得图像切片和目标标签文件，图像切片命名方式为：0序号.jpg（例：0235.jpg），标签命名方式为：对应图像切片同名的.txt文件（例：0235.txt）。
1.2 雷达目标检测数据
本数据集旨在提供噪声背景下的目标脉压后回波数据，用于信号检测。其中，距离分辨率为25 m，重复周期为5 600 μs，距离单元数为1 000，脉冲数为5。共计8 000条，每条数据为脉压后的IQ数据，其形式为复数，规模为脉冲数×距离单元数。
目标检测数据集命名为：dataEcho波位编号.mat（例：dataEcho6.mat，6表示波位编号）。每个.mat文件包含data_echo和Label_echo两个文件，data_echo存储脉压后的IQ数据，Label_echo存储目标所在距离单元的标签。雷达目标检测数据集文件名如表2所示。
表2 雷达目标检测数据集
检测数据文件名➢dataEcho1.mat（dataEcho波位编号）➢dataEcho2.mat➢……➢dataEcho8000.mat
1.3 雷达目标跟踪数据
本数据集专为目标起始、关联与跟踪任务而设计。它提供了2 088帧包含杂波的点迹数据，以及281批目标航迹数据。点迹数据命名方式为，帧序号_当前帧起始时间.csv（例：1087_10858.csv，1087表示帧序号，10858表示当前帧起始时间，单位：s）。点迹数据集文件名如表3所示。
表3 雷达目标跟踪点迹数据集
点迹数据文件名➢1_0.csv（帧序号_当前帧起始时间）➢2_10.csv……➢2088_20862.csv
点迹数据的列定义依次为：点迹序列号、点迹时间（单位：ms）、距离（单位：m）、方位角（单位：°）俯仰角（单位：°）、强度（无量纲量，范围：0～1）。
航迹数据命名方式为，R航迹批号（例：R 64.据集文件名如表4所示。航迹数据中仅记录了与之关联的点迹序列号，数据处理系统以此序列号列表为索引，通过查询点迹数据集，可获取该航迹所对应的全部点迹详细信息。
表4 雷达目标跟踪航迹数据集
航迹数据文件名➢R_1.csv（航迹_目标航迹批号）➢R_2.csv➢……➢R_281.csv
1.4 雷达目标识别数据
为支持目标识别算法的验证与评估，本研究提供了基于S波段雷达采集的民航飞机观测数据集。数据形式为脉压后的窄带高重频信号，重频为4 000 Hz。数据集涵盖了8型典型的民航飞机机型，表5列出了该数据集所包含的数据名称与对应的数据规模。其中，数据名称表示民航飞机型号。
表5 雷达目标识别窄带高重频数据集
序号 数据名称 数据规模（条）3 A320-214 4674 A320-232 5051 A319-115 3882 A319-133 3675 A321-231 3556 A330-243E 1967 B737-700 1638 B737-800 1 078
每个目标识别数据集以行为单位进行组织，其中每一行代表一条窄带高重频数据。每条窄带高重频数据以复数形式表示，其中I与Q两个物理通道的信号，分别映射为复数的实部与虚部。
1.5 雷达有源干扰数据
为服务于干扰技术的发展与应用，本研究提供了包含目标回波信号与压制类、灵巧类、欺骗类干扰信号的数据集。该数据集由10 000条脉压前单脉冲数据样本组成，划分为训练集和测试集。其中，训练集有8 000条，测试集有2 000条。每条数据包含的干扰样式为1～3种，目标个数为1～3个。
干扰数据集存储在“outData.mat”和“outPara.mat”两个文件中，“outData.mat”文件存储脉冲回波数据，每行数据表示一条单脉冲数据的基带IQ数据，目标回波信号为线性调频信号。“outPara.mat”文件存储数据头参数。文件“outData.mat”的每一行与文件“outPara.mat”的每一行一一对应。雷达有源干扰数据集的文件名如表6所示。
表6 雷达有源干扰数据集
雷达干扰数据文件名➢train（训练集目录）outData.mat outPara.mat➢test（测试集目录）outData.mat outPara.mat
“outPara.mat”数据头参数文件有24列，每列代表的含义如表7所示。为精简表格，将内容相似的三行合并为一行展示，其列号以数字+顿号的形式表示。表中列号13，17，21的取值说明为：2-瞄准式噪声干扰，3-阻塞式噪声干扰，4-扫频式噪声干扰，5-噪声卷积干扰，6-噪声乘积干扰，7-间歇采样转发干扰，8-频谱弥散干扰，9-全脉冲转发干扰。
表7 雷达有源干扰数据头
值为0表示没有目标在时有效值为0表示没有干扰列号 数据头含义 取值说明1、2、3 采样率，脉宽，带宽 单位：Hz；单位：s；单位：Hz 4、7、10 目标1、2、3起始位置 取值：［1，15 000］，无量纲，5、8、11 目标1、2、3结束位置 取值：［1，15 000］，无量纲，值为0表示没有目标6、9、12 目标1、2、3信噪比 单位：dB，该值仅在目标存13、17、21 干扰1、2、3样式 取值：1～9，1表示没有干扰14、18、22 干扰1、2、3起始位置 取值：［1，15 000］，无量纲，取值：［1，15 000］，无量纲，15、19、23 干扰1、2、3结束位置 值为0表示没有干扰16、20、24 干扰1、2、3干噪比 单位：dB，该值仅在干扰存在时有效
1.6 雷达SAR图像数据
本数据集旨在为SAR图像检测算法提供基准测试数据。从民用商遥卫星图像数据中，挑选出含有舰船、飞机、桥梁及油罐4类目标的影像图。通过影像标注软件对图像中的目标利用矩形框标签进行清洗标注，获取原图目标标签文件。基于原图和对应的目标标签文件，裁剪生成包含舰船、飞机、桥梁及油罐4类目标的图像切片，以及与之对应的目标标签文件。其中，舰船有13 038只，飞机有5 699架，桥梁有551架，油罐有919个。
SAR图像数据集存储在JPEGImage图像文件夹和Annotations标签文件夹，每个文件夹内包含10 000条数据。JPEGImage图像文件夹存储的图像格式为.jpg，其为三通道灰度图像，24位深JPG，切片尺寸为256×256像素，部分桥梁切片为2 048×2 048像素。SAR图像数据集的文件名如表8所示。
表8 SAR图像数据集
SAR图像数据文件名➢01.jpg（0序号）➢02.jpg……➢010000.jpg
Annotations标签文件夹存储标签文件.txt，如表9所示。标签数据文件中，每个目标实例独占一行，每行数据依次包含该目标的类别标识及其位置参数。其中，目标类别（记class_id）有：{0-舰船；1-飞机；2-桥梁；3-油罐}，位置参数由归一化的目标中心点x轴坐标（记x_center）、归一化的目标中心点y轴坐标（记y_center）、归一化的目标宽度（记width）及归一化的目标高度（记height）组成，符合YOLO数据标签格式。
表9 SAR图像数据标签文件
SAR图像数据标签文件名➢01.txt（0序号）➢02.txt……➢010000.txt
2 数据集多域多维特性
2.1 雷达目标检测数据特征提取
从原始回波数据中有效提取目标信息是实现精确检测的核心。距离-幅度与多普勒谱图作为两种基础且强大的中间数据表征，分别从空间维和频率维揭示了目标的物理特性，为从噪声与杂波背景中分离出有效的目标特征提供依据。
距离单元幅度特征是目标在雷达径向上散射能量分布的一维快照，量化了目标在何处及其散射强度如何。其形成原理根植于雷达的测距与脉冲压缩理论。雷达发射信号st(t)在遇到目标后产生回波sr(t)。为实现高分辨率测距，现代雷达普遍发射线性调频信号。脉压后的信号为y(t)，其表达式为
该表达式实现了信号能量的时域聚焦。经过采样后，y(t)被离散化为一系列按时间先后（即距离远近）排列的距离单元。距离单元幅度特征定义为这些距离单元上所对应的信号包络幅度的集合|y [n]|，其中，n为距离门索引。
多普勒谱图是脉冲多普勒雷达对目标速度维信息进行频谱分析的核心表征，其理论根基是电磁波的多普勒效应。当目标与雷达之间存在相对径向运动时，接收回波信号的载频将产生一个与径向速度v成正比的多普勒频移fd。多普勒谱图的生成通过对一个相干处理间隔内的N个脉冲回波序列进行频谱估计来实现。设来自同一距离单元的慢时间序列为s(n)，n=0,1,…,N -1，其离散傅里叶变换定义了该距离单元的多普勒普，表达式为
式中，S(k)是第k个多普勒单元的复频值。
为了直观显示频谱结构，通常执行快速傅里叶变换（Fast Fourier transform，FFT）移位，将零频分量移至频谱中心。多普勒频率分辨率Δfd是衡量速度分辨能力的关键参数，与总相干积累时间成反比，表达式为
式中，PRF为脉冲重复频率。对于一个理想的点状目标在匀速运动时，其多普勒谱表现为一个位于对应处的尖锐主瓣。主瓣的宽度由式（3）决定，而较低的旁瓣电平则反映良好的系统设计与信号处理质量。观测到能量集中、轮廓陡峭的单一谱峰，标志着目标具有稳定的径向速度且散射特性均匀。
2.2 雷达目标跟踪数据特征提取
目标的运动特征通常由位置、速度和加速度在笛卡尔坐标系下表征。然而，雷达的观测值距离r、方位角α和俯仰角θ是在极坐标系下获得的。为求解目标的飞行速度，需将极坐标系下的观测值转换至笛卡尔坐标系。该坐标转换的表达式为
式中，xk、yk和zk表示k时刻目标分别在笛卡尔坐标系x、y和z方向的位置分量。
目标飞行速度的表达式为
式中，vx,k，vy,k和vz,k表示k时刻目标分别在x、y和z方向的速度分量。具体计算表达式为
加速度描述目标的速度变化快慢和机动灵活性，计算公式为
2.3 雷达目标识别数据特征提取
从窄带高重频数据中提取的目标微动特性，本质上源于其旋转部件引起的多普勒效应。根据目标类别，微动特性可分为飞机等气动飞行器的微动特性，弹道等自旋稳定飞行器的微动特性。
以气动目标为例，微多普勒调制主要由旋转部件的周期性运动引起，如直升机旋翼转动、螺旋桨桨叶转动等。图1给出了桨叶相对雷达的几何关系示意图，根据该几何模型可以建立微多普勒调制的数学模型。
图1 微多普勒几何模型
如图1所示，距离雷达R0处的目标，其旋转部件包含N个桨叶，每个桨叶是同类线性刚性天线，且无桨叶遮挡。分别以雷达O和桨叶旋转中心o为坐标中心建立坐标系。假设飞机相对于雷达视线的径向速度为v，飞行方向为远离雷达，桨叶旋转中心（o点）相对于雷达的方位角和仰角分别为α和β，桨叶高度为h，桨叶旋转角速度为ωr，R0为旋转中心（o点）到雷达的初始距离。有效桨叶长度为L=L2-L1，L1为桨叶根部离旋转中心的距离（对于直升机的桨叶，桨叶根部与旋转中心重合，即L1=0；对于螺旋桨飞机和涡扇喷气飞机的桨叶，L1≠0）,L2为桨叶尖部离旋转中心的距离，θ0为基准桨叶的旋转初相角，λ为雷达波长。
设雷达发射的窄带相参信号为u(t)=exp(j2πf0t)，其中，f0为雷达载频，则其回波信号可以表示为
式中，a(t)表示幅度调制函数，φ(t)表示相位调制函数，X(t)表示包含了幅相调制信息的复包络信号。不考虑机身分量和噪声，则可得N个桨叶的合成散射回波为
对上述时域回波进行傅立叶变换，得到回波的频域表示为
式中，cn表示谱线幅度，由参数λ,N,β,θ0,L1,L2和Bessel函数决定，谱线间隔nfT表示特征峰之间的间隔，可用于提取目标的旋转转速特征。该式表明，调制谱由一系列线谱构成，其在频谱中的具体形态为一系列特征峰。
2.4 雷达有源干扰数据特征提取
从一维时域和二维时频域两个方面来提取雷达有源干扰数据的特征。
1） 一维时域特征提取
为了高效提取原始基带信号的一维特征，引入了脉冲压缩技术。该技术可以在频域或时域实现，这里采用了FFT的方法，以提升计算效率，避免直接进行线性相关处理的高计算复杂度。其原理为：对输入信号做FFT后，乘以匹配滤波器的数字频率响应，再经过快速傅里叶逆变换（Inverse Fast Fourier Transform，IFFT）输出压缩后的信号序列。
假设线性调频视频信号的复包络为
式中，B表示信号带宽，τ表示信号时宽，Ts为采样周期，n为采样点。
信号sin(n)的频谱为
匹配滤波器的频率响应表达式为
式中，conj(·)表示取共轭。
脉冲压缩后的输出信号为
2） 时频域二维特征提取
复杂电磁环境中的干扰信号都是时变信号。对于时变信号，传统的傅里叶变换无法反映其频率随时间变化的情况，而时频分析方法则可以把信号描述为时间和频率的二维函数，基于干扰信号时间和频率的关系来分析信号特征。
使用短时傅里叶变换（Short-Time Fourier Transform，STFT）来提取干扰信号的时频域特征。STFT本质上是加窗的傅里叶变换，通过窗函数的移动来获取不同时间内的频率分量。STFT的显著优点是计算较为简单，可以利用FFT来实现，其计算公式为
在STFT中，利用窗口长度为M的滑动窗口将信号x(n)划分为短时间信号，每两个相邻窗口之间的重叠长度为L，每个窗口滑动距离为R=M -L。对每个窗口中的信号采用FFT完成离散傅里叶变换（Discrete Fourier Transform，DFT），在窗口向后滑动过程中，获得多个DFT结果Xm(f)，将每个滑窗生成的DFT结果按列存储为矩阵[X1(f),X2(f),…,Xk(f)]，即可得到二维的STFT特征。
2.5 雷达SAR图像数据提取
在数据预处理阶段，首先使用Mosaic方法对数据进行增强，同时对图像进行随机翻转、随机缩放、随机裁剪及亮度调整等操作，以此增加数据的多样性。然后对图像进行缩放与填充，将图像尺寸调整为模型输入尺寸，对不足部分进行填充。最后进行归一化，将图像像素值归一化到(0,1)区间。均值方差标准化公式为
式中，Ipad(c,h,w)表示缩放填充后的S×S大小的图像，像素值仍为[0,255]，c表示图像通道索引，mean [·]和std [·]分别表示均值和方差，Inorm(c,h,w)表示归一化后的图像，其分布更接近标准正态分布。这使得优化曲面更为平滑，从而有效加快了模型的收敛速度。
模型设计网络结构依次由输入端、Backbone、Neck及Head四部分构成。输入端实现数据预处理过程，处理后的图像大小为S×S×3,其中3代表RGB三个通道。Backbone将跨层连接（CSP）模块和残差块结合的CSPDarknet53作为特征提取网络，引入的CSP模块在减少计算量的同时保持特征提取的能力。CSP模块保留的特征信息为
式中，Fmain表示主分支的输出，Fsub表示次分支的输出。
Darknet53是一种轻量化的残差网络，通过使用较小的卷积核减少计算量。输出表达式为
式中，Conv(·)表示卷积操作。
Neck是目标检测网络中进行多尺度特征融合的模块。对BackBone提取到的特征进行压缩，通过不同尺度特征融合后的特征张量，实现多尺度目标检测。基于Neck模块获取不同尺度的特征张量，Head使用回归目标框的坐标和置信度实现目标定位。预测目标框坐标（中心点坐标和宽高）的公式为
式中，F表示融合后的特征图，Conv3(·)表示卷积操作。
预测目标类别概率的公式为
式中，Pc表示目标类别概率。
预测目标框置信度（目标存在的概率）的公式为
式中，σ(·)表示sigmoid函数。
通过非最大值抑制（NMS）对候选框进行筛选，去除与其IoU（交并比）较高的其他候选框。IoU的计算公式为
式中，B1和B2分别表示两个候选框。
SAR图像目标检测损失函数由回归损失函数、目标置信度损失函数及分类损失函数3部分组成。回归损失函数在于量化真实框与预测框之间的差异，目标置信度损失函数表征框的目标性，分类损失函数表征真实类别与预测类别之间的差异程度。损失函数的数学表达式为
式中，Lbox、Lobj和Lcls分别表示回归损失函数、置信度损失函数和分类损失函数，λbox、λobj和λcls表示相应的权重系数。
3 数据集特性分析
3.1 雷达目标检测数据特征分析
以雷达目标检测数据集中的dataEcho5145（位置标签为402）样本为代表，分析其在空间域和频率域特征的分布情况。图2给出了空间域距离单元-幅度分布，图中距离单元-幅度曲线在距离单元402处出现显著尖峰，与数据集位置标签完全吻合，验证了数据标注的准确性。该特征表明这个距离单元存在强散射目标。
图2 距离单元-幅度
图3显出了频率域多普勒谱图。从图中可以看出，主体回波能量集中，在零频附近呈现显著尖峰，信噪比优良。该谱型反映了理想点目标的回波特性。
图3 多普勒谱图
3.2 雷达目标跟踪数据特征分析
根据航迹数据中记录的与之关联的点迹序列号，数据处理以此序列号列表为索引，通过查询点迹数据集来获取该航迹所对应的全部点迹详细信息。以航迹数据中的R_109.csv数据为代表，分析跟踪数据下的目标运动特征。图4给出了目标的距离-时间分布。从图中可以看出，目标距离随时间变化均匀，且呈现先接近后远离的趋势。
图4 目标时间-距离分布
图5和图6分别给出了目标时间-速度分布和目标时间-加速度分布。如图所示，民航目标的速度大小分布在区间［150 m/s,250 m/s］，且加速度变化较小；当民航目标进入平稳飞行时，速度大小几乎不变，加速度约为零。
图5 目标时间-速度分布
图6 目标时间-加速度分布
3.3 雷达目标识别数据特征分析
飞机目标相对于雷达运动产生了两种多普勒效应，第一种是飞机自身运动产生的主多普勒效应，第二种是发动机转子旋转产生的微多普勒效应。微多普勒一般较弱，比主多普勒弱十几到几十分贝。从窄带高重频数据中可以获得飞机目标的微动特性，以雷达目标识别数据库中的A319-115数据文件中的一条数据为代表，对窄带高重频数据下的目标微动特性进行分析。
图7给出了窄带高重频数据在时域和频域的分布。由于微动特性在频谱上表现为多个不同频点的线谱，因此从频谱角度分析目标微动特性更为直观。从图7（b）可以看出，主多普勒峰对应的频率约为-1 600 Hz，表征了飞机相对于雷达的径向速度，且微多普勒峰有多个，显示了目标的微动特性。
图7 窄带高重频数据的时域和频域分布
图8给出了基于短时傅里叶变换的时频图。如图8所示，飞机运动在-1 600Hz附近的深红色色带，在-950 Hz，750 Hz，1 800 Hz附近的淡黄色条带为微动多普勒。值得注意的是，在约50 Hz处出现了一条频谱幅度较高的深红色色带，该条色带也是微动，呈现深红色的主要原因是，雷达数据中包含了能量较高的低频信息，经过傅里叶变换后，低频附近数据的频谱幅度变高，因此其整体幅度值较强于其他三条微动色带。
图8 时频图
将主多普勒移至零频处，对飞机目标的径向速度进行补偿。如图9所示，当频谱以主多普勒为零频时，微多普勒以主多普勒为中心左右对称，谱线间隔约为1 000 Hz。
图9 径向速度补偿后频谱
民航飞机进入巡航阶段后，飞行状态趋于稳定，因此谱线间隔可作为区分不同民航机型的有效判别依据。图10给出了识别数据集中2型民航的典型频谱图。从图中可以看出，不同类型民航飞机的微多普勒数值不相同。
图10 目标识别数据集中2型民航频谱
3.4 雷达有源干扰数据特征分析
每条数据样本包含1～3种干扰类型。当某一数据样本仅含有一种干扰类型时，该条数据样本为单干扰数据，当干扰类型多于一种时，为复合干扰。以阻塞式噪声干扰作为单干扰的代表，以噪声乘积干扰、间歇采样转发干扰与阻塞式噪声干扰三者构成的多干扰作为复合干扰的代表，分别对单干扰与复合干扰下的数据特征进行分析。
3.4.1 单干扰数据特征分析
图11给出了阻塞式噪声干扰的时域和时频域分析结果。其中，时频图中的黑色方框标记了干扰信号出现的时间段，脉压信号时域图中的红圈标记了目标所在位置。从图中可以看出，当干扰信号能量较强时，在脉冲压缩前，干扰信号在时域和时频域均对目标信号进行全遮盖。在脉冲压缩后，部分目标信号仍被淹没在干扰信号中。
图11 阻塞式噪声干扰
3.4.2 复合干扰数据特征分析
图12给出了包含噪声乘积干扰、间歇采样转发干扰及阻塞式噪声干扰3种干扰样式的复合干扰在时域和时频域的特征分布。时频图中的黑色方框、红色方框以及蓝色方框分别为这三种干扰的作用范围。从脉压信号时域图中可以看出，近距离单元处的噪声乘积干扰脉压后形成多个尖峰，中间距离单元的间歇采样转发干扰脉压后形成多个假目标，二者对雷达检测造成欺骗，远距离单元的阻塞式噪声干扰对第三个目标信号形成压制遮盖。
图12 包含噪声乘积干扰、间歇采样转发干扰及阻塞式噪声干扰3种干扰样式的复合干扰
3.5 雷达SAR图像数据集结果分析
基于发布的SAR图像数据集，使用深度学习方法对SAR图像数据进行目标检测，数据集涵盖舰船、飞机、桥梁及油罐4类目标。将样本平衡后的数据按8:2的比例划分为训练集和测试集。模型训练时，Epoch设置为200，初始学习率设置为0.01。然后对训练模型进行测试，置信度阈值设置为0.5，IoU阈值设置为0.5。测试结果如表10所示。
表10 目标检测结果
飞机 0.876 0.653目标 查全率 查准率舰船 0.858 0.864油罐 0.872 0.8930.905 0.931桥梁总计 0.878 0.835
图13分别显示了舰船和桥梁2类目标的检测结果。从图中可以看出，基于发布数据集训练的神经网络模型可以有效检测出图像中的舰船和桥梁目标。
图13 舰船与桥梁的SAR图像
4 结束语
针对现有公开数据集因模拟环境失真与功能单一，难以满足复杂电磁环境下全链路技术研究的问题，本文公开了一套完整的雷达检测跟踪识别一体化数据集。该数据集源于典型的实测场景，涵盖了信号处理、目标跟踪、精细识别、复合干扰以及高分辨率SAR图像的多波段、多模态数据，真实反映复杂环境下雷达信号的传播特性与目标特性。此数据集填补了多任务雷达探测感知数据集的空白，将为该领域的协同创新与性能突破奠定基石。项目团队致力于此数据集的长期迭代与完善，并期待研究社区的反馈能共同推动其发展。BWRadarDataset-1.0：多波段多模态雷达探测感知数据集依托《雷达科学与技术》官方网站发布，数据及说明已同步上传，网址为：http://radarst.ijournal.cn。
［1］ 吴浩,李刚,崔雄文.一种基于距离-多普勒图的雷达目标智能检测识别算法［J］.雷达科学与技术,2025,23（3）:237-242.
［2］ 汪翔,王彦斌,汪育苗,等.基于图神经网络的多尺度特征融合雷达目标检测方法［J］.雷达科学与技术,2025,23（1）:39-47.
［3］ 张良,徐艳国,孙晓闻,等.空基智能预警探测体系架构及关键技术［J］.现代雷达,2024,46（12）:1-7.
［4］ 叶宇,叶星炜,欧阳可赛,等.后羿基础模型：“预训练-微调”范式下的雷达数据智能处理方法［J］.现代雷达,2025,47（8）:1-9.
［5］ 陈佳音,郭山红,朱海锐,等.基于多特征融合的海面目标智能检测算法［J］.现代雷达,2024,46（12）:24-30.
［6］ 宋志勇,回丙伟,范红旗,等.雷达回波序列中弱小飞机目标检测跟踪数据集［J］.中国科学数据（中英文网络版）,2020,5（3）:277-290.
［7］ 关键,刘宁波,王国庆,等.雷达对海探测试验与目标特性数据获取——海上目标双极化多海况散射特性数据集［J］.雷达学报,2023,12（2）:456-469.
［8］ 陈小龙,袁旺,杜晓林,等.多波段FMCW雷达低慢小探测数据集（LSS-FMCWR-1.0）及高分辨微动特征提取方法［J］.雷达学报,2024,13（3）:539-553.
［9］ 陈小龙,饶桂林,关键,等.被动雷达低慢小探测数据集（LSS-PR-1.0）及多域特征提取和分析方法［J］.雷达学报（中英文）,2025,14（2）:249-268.
［10］ 林钱强,秦正阳,蒋李兵,等.简单野外背景条件下地面雷达对“低慢小”无人机探测数据集［J］.信号处理,2024,40（11）:2095-2104.
［11］ 刘宁波,李佳,王国庆,等.雷达对海探测试验与目标特性数据获取——海上目标多源观测数据集［J］.雷达学报（中英文）,2025,14（3）:754-780.
［12］ 程永强,邹润明,陈嘉宜,等.地杂波背景下雷达低慢小无人机探测数据集（LSS-Ku-1.0）［J］.信号处理,2025,41（5）:807-820.
［13］ 回丙伟,宋志勇,范红旗,等.地/空背景下红外图像弱小飞机目标检测跟踪数据集［J］.中国科学数据（中英文网络版）,2020,5（3）：291-302.
［14］ 伍琼燕,赵征鹏,王林飞,等.复杂道路监控场景下的车辆检测与跟踪数据集［J］.应用科技,2024,51（1）:10-18.
［15］ 刘丽华,陈志豪,杨皓宇,等.面向对海监视的舰船目标跟踪与航迹融合数据集［J］.中国科学数据（中英文网络版）,2024,9（01）:260-272.
［16］ 肖云,曹丹,李成龙,等.基于高空无人机平台的多模态跟踪数据集［J］.中国图象图形学报,2025,30（2）:361-374.
［17］ SUN Xian,WANG Peijin,YAN Zhiyuan,et al.FAIR1M:A Benchmark Dataset for Fine-Grained Object Recognition in High-Resolution Remote Sensing Imagery［J］.IS-PRS Journal of Photogrammetry and Remote Sensing,2022,184:116-130.
［18］ HAROON M,SHAHZAD M,FRAZ M M.Multisized Object Detection Using Spaceborne Optical Imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:3032-3046.
［19］ 禹文奇,程塨,王美君,等.MAR20:遥感图像军用飞机目标识别数据集［J］.遥感学报,2023,27（12）:2688-2696.
［20］ 任俊宇,俞宁宁,周成伟,等.DroneRFb-DIR:用于非合作无人机个体识别的射频信号数据集［J］.电子与信息学报,2025,47（3）:573-581.
［21］ 刘国满,聂旭娜.一种基于卷积神经网络的雷达干扰识别算法［J］.北京理工大学学报，2021,41（9）:990-998.
［22］ 郭立民,黄文青,陈前,等.轻量化的ML-SNet雷达复合干扰识别算法［J］.系统工程与电子技术,2025,47（2）:418-427.
［23］ 李佳浩,杜子铭,周博,等.基于对抗互易点学习的无人机通信干扰开集识别方法［J］.信号处理,2024,40（4）:639-649.
［24］ 郭文杰,吴振华,曹宜策,等.多域浅层特征引导下雷达有源干扰多模态对比识别方法［J］.雷达学报,2024,13（5）:1004-1018.
［25］ 陈思伟,崔兴超,李铭典,等.基于深度CNN模型的SAR图像有源干扰类型识别方法［J］.雷达学报,2022,11（5）:897-908.
［26］ 王佳祥,孟进,李伟,等.YOLO-S3：一种轻量化的雷达复合干扰识别网络［PP/OL］.雷达学报（中英文）.（2025-08-18）［2025-11-15］.https://link.cnki.net/urlid/10.1030.TN.20250818.1048.002.
［27］ 李健伟,曲长文,邵嘉琦,等.基于深度学习的SAR图像舰船检测数据集及性能分析［C］//第五届高分辨率对地观测学术年会论文集,中国西安：高分辨率对地观测学术联盟,2018:180-201.
［28］ 徐从安,苏航,李健伟,等.RSDD-SAR:SAR舰船斜框检测数据集［J］.雷达学报,2022,11（4）:581-599.
［29］ 仇晓兰,焦泽坤,彭凌霄,等.SARMV3D-1.0:SAR微波视觉三维成像数据集［J］.雷达学报,2021,10（4）:485-498.
［30］ 仇晓兰,焦泽坤,杨振礼,等.微波视觉三维SAR关键技术及实验系统初步进展［J］.雷达学报,2022,11（1）:1-19.
［31］ CHEN Zhanye,TANG Shiyang,REN Yi,et al.Curvilinear Flight Synthetic Aperture Radar （CF-SAR）:Principles Methods,Applications,Challenges and Trends［J］.Remote Sensing,2022,14（13）:2983.
［32］ VASILE G，CONGEDO M.Comparative Analysis of ICA Based Incoherent Target Decompositions for Polsar Data［C］//2022 IEEE International Geoscience and Remote Sensing Symposium,Kuala Lumpur,Malaysia：IEEE,2022:4415-4418.
［33］ SUN Xiaofan,WANG Bingnan,XIANG Maosheng,et al.Machine Learning Inversion of Forest Vertical Structure Based on 2-D-SGVBVoG Model for P-Band Pol-InSAR［J］.IEEE Transactions on Geoscience and Remote Sensing,2022,60:5225115.
［34］ 焦润之,邓嘉,韩亚权,等.3DSARBuSim 1.0:人造建筑高分辨星载SAR三维成像仿真数据集［J］.电子与信息学报,2024,46（7）:2681-2693.
［35］ 金燕,仇晓兰,潘洁,等.MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集［J］.雷达学报,2024,13（3）:525-538.
［36］ 郑乃榕,杨子安,施贤正,等.机载多维度SAR图像地物数据集构建及融合分类方法［J］.遥感学报,2024,28（9）:2209-2222.
［37］ 王汝意,张汉卿,韩冰,等.基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究［J］.雷达学报,2022,11（4）:637-651.
［38］ 雷禹,冷祥光,孙忠镇,等.宽幅SAR海上大型运动舰船目标数据集构建及识别性能分析［J］.雷达学报,2022,11（3）:347-362.
［39］ 王智睿,赵良瑾,汪越雷,等.AIR-PolSAR-Seg-2.0:大规模复杂场景极化SAR地物分类数据集［J］.雷达学报（中英文）,2025,14（2）:353-365.