0 引 言
领海安全是国防安全的重要组成部分，是国家主权和领土完整的重要保障。当前我国周边政治军事局势复杂多变，领海安全受到严重威胁，因此需要加强对领海区域尤其是远海区域的海情监控，以便能够及时发现异常情况并做出应对措施。利用运动平台雷达进行海上预警监视，是获取海上态势信息的重要手段。在此过程中，需要对运动平台雷达发现的海面目标进行军民舰船分类识别，根据监视军舰或民船的航迹特征判断其类型与意图［1-3］。然而，该任务面临严峻挑战：一方面，军用舰艇常通过低速巡航、直线航行等方式刻意模仿民船行为以实施伪装；另一方面，民用科考船、救援船等在执行特殊任务时也可能表现出类似军舰的高机动性轨迹，导致误判。
当前，国内外研究学者提出了多种海面目标分类识别方法，实现对军民目标的区分。武汉第二船舶设计研究所的沈梦家等人提出了一种基于航迹特征的舰船识别方法，通过深度残差网络模型进行深度特征提取，提升舰船识别的准确率［4］。海军航空大学的夏栋等人则开展了基于航迹和船舶自动识别系统（AIS）信息等多维特征融合的海面军民目标精细分类，有效提高了海上目标的分类识别能力［5］。中国电科第二十八研究所与中国航天科工集团8511研究所的相关研究人员则根据雷达航迹特征做出识别，继而利用Dempster-Shafer（DS）证据理论对各信息源上报的识别结果进行融合识别，以实现对海面目标军民属性的判别［6］。中国电科第三十八研究所的田西兰等人提出一种合理假设：合作目标的数据分布与非合作目标数据分布基本一致，在此基础上提出了一种基于数据驱动的海面目标分类器设计方法，通过两种目标的样本数据更新优化分类器［7］。张晨等人利用集成学习和深度学习方法，集成随机森林模型、深度森林模型、卷积神经网络（CNN）模型和双向门控循环单元（BiGRU）模型，提出评估因子合成模型进行海上目标分类识别［8］。基于区域轨迹聚类的目标分类方法侧重于通过空间区域内的航迹聚集特性，判断多数轨迹是否集中于同一地理范围。该方法在实验中实现了84.4%的分类准确率，处理速度可达每秒9艘船舶［9］。文献［10］则提出了一种基于支持向量机（SVM）的分类策略：首先采用分段线性拟合对航迹进行分割，以区分动态与静态运动状态；随后，将分割后轨迹之间的相似性度量构造为核函数，用于舰船运动模式识别。然而，该方法仅适用于局部海域场景，在依赖大规模训练样本的情况下，其准确率仅为76.3%，且处理效率较低，平均每秒仅能识别2个目标。此外，在航迹数据稀疏的区域，模型性能难以进一步提升。文献［11］则通过轨迹分割与多项式曲线拟合，从原始航迹中提取形状特征，并以此构建分类器，实现对舰船运动行为的判别。尽管上述研究在海面目标识别领域取得了一定进展，但仍存在局限性：基于多源信息融合的方法［5-6］虽能提升精度，但高度依赖AIS等合作信号，在非合作或强对抗场景下实用性受限；而基于深度学习的端到端模型［4，8］则对训练数据的质量和规模要求极高，且其“黑箱”特性导致决策过程缺乏可解释性；增量学习［7］和集成学习［8］策略虽能缓解数据分布偏移问题，但在面对精心设计的航迹伪装时，其鲁棒性仍有待验证。
综上，现有方法可归纳为两大技术路线：静态特征分析法与深度时序建模法。前者（如XG-Boost［12］、SVM）计算高效、特征重要性清晰，但因其“快照式”的决策逻辑，无法利用历史轨迹上下文信息，在面对精心设计的伪装航迹时鲁棒性不足。后者（如LSTM、Transformer［13］）通过学习多帧序列的动态模式来提升识别能力，性能优越，但对单帧传感器噪声或短暂异常机动过于敏感，且模型复杂度高，不利于工程部署。基于上述两类方法，本文提出静态分支与时空分支证据融合框架，旨在协同利用瞬时物理约束与长期行为模式，实现既准确又可解释的最终决策。本文的主要贡献如下：
1） 提出自适应膨胀时序卷积网络（Adaptive-Dilation Temporal Convolution Network，AD-TCN）：在标准TCN［14］基础上，引入一个轻量级上下文编码器，根据航迹局部平滑度动态调整卷积膨胀率，使网络能在平稳段聚焦细节、在机动段捕捉广域战术模式。
2） 构建双分支证据融合架构：并行部署一个静态分支（基于原型选择的XGBoost）和一个时空分支（AD-TCN），将二者输出视为独立证据源，而非简单拼接或投票。
3） 设计自适应置信加权与证据融合机制：通过一个小型门控网络，依据当前轨迹上下文信息动态生成两个分支的可靠性权重，并利用DS证据理论合成结果，实现既准确又可解释的最终决策。
1 基于静态分支与时空分支融合的军民船识别方法
1.1 总体设计
如图1所示，本文所提基于航迹特征的海面军民目标识别流程包括数据预处理、特征选择、XG-Boost模型的识别结果预测、AD-TCN模型的识别结果预测、以及基于自适应置信加权与DS证据理论的决策融合等环节。本文所指的“雷达航迹数据”是由运动平台雷达持续观测海面目标所形成的时间序列，其每一时刻的观测点包含目标的二维位置（经度、纬度）、运动状态（速度、航向）及其变化率（速度变化率、航向变化率）等六维特征，上述特征具有明确的物理意义，可从空间位置、运动状态以及机动能力对军民船特性进行描述。
图1 基于航迹特征的海面军民目标识别流程图
数据预处理是对原始雷达航迹数据进行清洗、归一化和标准化等操作，以提高数据质量并为后续模型输入提供高质量的特征数据。数据清洗主要是删除运动平台雷达数据中因处理异常产生的空值或无穷大值的航迹点，并对相邻距离过大的航迹点进行修正或删除。其中对异常值数据清洗工作可按照一定规则知识自动完成处理，而距离过大航迹点的数据清洗工作主要通过前期人工校验和设置对应规则过滤完成。经过上述数据清洗工作，目标航迹数据的准确性、可用性和一致性都将得到提升。随后，对清洗后的数据进行归一化处理，将航迹数据的各特征值归一化到［0，1］区间，消除不同特征量纲对模型训练的影响；同时进行标准化处理，使数据均值为0，方差为1，从而提高模型的收敛速度和稳定性。
通过计算任意两个特征之间的皮尔逊相关系数，确保所选特征之间的相关性较低，从而避免冗余信息。结果表明，这6个特征的相关性均低于0.5，大部分在0.1以下，适合作为独立特征输入模型。此外，利用XGBoost模型的特征分裂点使用频率对这6个特征的重要性进行了评估，结果显示经度、纬度、速度变化率和航向变化率对分类任务的贡献较大，但最终仍然保留了所有6个特征作为模型输入，以充分利用航迹数据的多维信息。
经过数据预处理与特征选择后，使用训练数据集分别对XGboost模型和AD-TCN模型进行训练与参数优化，优化完后保持两个分支的模型参数固定，对自适应置信加权模块进行优化，最后使用测试数据集对训练好的模型进行测试以得到识别结果，进行DS证据融合得到融合决策结果。
1.2 基于原型选择的XGBoost静态分支军民船识别
本节所述的原型选择旨在缓解军民船样本数量不均衡问题，而非进行特征维度的选择。在海上目标的雷达探测场景中，由于民用目标船只（如商船、渔船）数量远多于军事目标（如军用船只、侦察船），导致目标的航迹数量存在明显的不平衡性问题。不平衡数据会导致分类器更倾向于预测高频出现目标（民目标），从而降低对低频出现目标（军目标）的识别能力。针对上述问题，提出了一种基于反向K近邻的原型选择方法，缓解不同类别数据规模不平衡对分类性能的影响，并结合XG-Boost模型构建分类模型。XGBoost通过集成多个弱学习器来构建预测模型。其目标函数中引入了表征树模型复杂度的正则化项，使得对目标函数的近似优化更贴近实际值，从而有效提升了预测精度。
基于反向K近邻的原型选择方法通过计算每个样本被其他样本视为K近邻的次数得到其反向K近邻计数，反向K近邻计数大的样本通常更具有代表性，选择反向K近邻计数大的样本作为原型。反向K近邻计数的公式表示为
式中，Ri表示样本xi的反向K近邻计数，KNN(xj)表示样本xj的K近邻集合，I(·)表示指示函数。
对原型选择前后的军民目标数据进行t分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding，t-SNE）降维后的数据分布如图2所示，展示高维数据在二维空间中的分布。
图2 军民目标原型选择前后数据分布对比图
选择反向K近邻计数值较大的样本作为原型后，将其作为中心，剔除其K近邻范围内的其他样本，避免数据冗余。通过以上原型选择，军民目标航迹数据的数量更加均衡，且原型样本保留了类别的关键特征，适合用于后续的XGBoost模型训练。
在完成原型选择后，基于目标航迹的特征构建输入数据集，并使用XGBoost模型进行军民目标分类。给定任意一个样本，XGBoost模型通过累加该样本在每个分类回归树上的预测结果，并实现输出概率分布
，其中s为XGBoost模型输出概率标志，J表示军船类别，M表示民船类别。
对于具有n个样本和m个特征的给定带有标记类别的数据集D={(xi，yi)}(|D|=n，xi∈ℝm，yi∈ℝ），其中(xi，yi)表示特征向量与对应的类别，XGBoost模型使用K个加法函数来预测输出，具体公式为
式中，xi表示第i个数据点的特征向量，fk(xi)表示回归树，分类回归树集合空间F的表达式为
式中，T表示该树的叶子节点数量，ω表示叶子节点分数，ωq(x)表示分类回归树对样本的预测值。
XGBoost的目标函数包括两部分，可表示为
式中，l(
，yi)是可微凸损失函数，定义为测量预测
与目标yi之间的差异，Ω(θ)是采用正则化项降低模型的过拟合风险。通常，可由内部树的深度、节点的个数、叶子节点的个数T和叶子节点的分数ω等来衡量模型的复杂度。目标函数中用来调整树复杂度的正则项为
式中，γ 与λ是控制参数。在模型迭代过程中，前次迭代的损失函数变量是拟合残差的损失与新树的复杂度惩罚之和，具体表达式为
式中，ft(xi)为第 t 轮新增的弱学习器的输出结果，
为新一轮的输出。为了快速优化目标，采用二阶泰勒展开近似，得到如下目标函数：
式中，gi和ℎi分别是第i个采样点的损失函数的第二个变量的一阶和二阶偏导数：
将常数项替换可以得到
进一步由式（2）和（4）可得
式中，Ij={i|q(xi)=j}作为叶子j的实例集，按照叶节点累加的形式，可以将目标函数写成：
确定了树的结构之后，设置目标函数的导数为0，得到每个叶节点的最优预测分数为
带入目标函数，得到最小损失为
军民目标航迹特征通常有一定差异。在运动特征上军用目标往往具有较高的速度和稳定的航向，而民用目标则更趋于随机性；在时空特征上，某些特定军事禁区或航道以及特定的时间段可能更容易出现军事目标。XGBoost模型能够对多种类型的特征建模，并自动捕获特征之间的非线性关系，适用于航迹数据中多维异构特征的建模需求。
XGBoost可以通过特征分裂点的使用频率评估每个特征的重要性，显示哪些航迹特征对军民目标分类具有更强的区分能力。图3展示了XG-Boost模型对目标航迹各个特征重要性评估分数，可知经度、纬度、速度变化率和航向变化率相较于速度、航向特征对军民目标分类具有更强的区分能力。
图3 特征重要性评估图
1.3 基于AD-TCN网络的时空分支军民船识别
给定一个长度为T的连续船舶轨迹观测序列X=[xt -T+1,…,xt]，其中每一帧 xi∈ℝ6 包含［经度，纬度，速度，航向，速度变化率，航向变化率］，目标是预测其类别标签 y∈{J,M}。
时空分支处理T帧航迹序列X∈ℝT×6。AD-TCN网络主干由多个残差块构成，每个块内包含空洞卷积层、激活层、正则化层与失活层。
在处理时序序列时，由于数据前后之间存在依赖关系，传统CNN已难以有效建模。本文所采用的航迹特征数据属于典型的时间序列传感器数据，为捕捉其时序依赖性，引入了空洞卷积这一改进的卷积形式，以增强对时序信息的建模能力。空洞卷积通过在卷积核中引入扩张率，在不增加参数量的情况下扩大感受野，从而有效利用历史时刻信息对当前或未来时刻的输出进行预测。在本文构建的AD-TCN网络中，通过特定的堆叠结构实现时序建模，如图4所示。该结构使得各层感受野随深度增加而扩展，从输入层至输出层依次增大，提升了网络对长程依赖的建模效率。
图4 AD-TCN网络
感受野的计算方式计算公式如下：
式中，F、rate和k分别表示感受野大小、扩张率和卷积核尺寸。当rate=1 时，空洞卷积退化为普通卷积，感受野保持一致，图4中第二层即采用此设置，卷积核大小为 2 时，其感受野大小为 2。
自适应膨胀机制：由于军船的多帧航迹相对灵活，为使网络能在平稳段聚焦细节、在机动段捕捉广域战术模式，本文设计了自适应膨胀机制的TCN网络。对于AD-TCN网络的第 l 个残差块，其膨胀率 dl 并非固定。本文引入一个轻量级上下文编码器（一个单层GRU），它分析输入序列的一个短窗口以计算局部平滑度指标 σ。膨胀率据此动态调整：dl=clip(dbase(1+α(1-σ))，dmin，dmax)。当σ较低（即航迹处于高机动状态）时，dl 增大，使网络拥有更大的感受野以捕获战术背景；反之，在平稳段则使用较小的 dl 以关注局部细节。最终输出概率分布
，下标t为XGBoost模型输出概率标志。
1.4 自适应置信加权与DS证据融合机制
自适应置信加权模块是一个小型神经网络（两层MLP），其输入是T帧航迹序列X∈ℝT×6，输出两个可靠性分数 rs 和 rt，分别代表静态与时序证据的可信度。这两个分数用于对两个模型输出的概率分布进行加权操作。
针对XGBoost和AD-TCN两种模型的识别结果，首先用自适应置信加权模块分配权重得到新的输出概率分布，再利用DS证据理论进行单帧融合和多帧融合，以获得更为准确的识别结果进行上报。
DS证据理论本质上是一种处理不确定性推理的方法，其基本前提是各证据之间相互独立且互不冲突。在应用过程中，通常需要排除具有较大冲突的证据，以保留多个证据中共同支撑的有效信息，进而提升融合结果的准确性与合理性。
为降低证据之间的冲突，本文采用了一种基于余弦相似度改进的DS证据理论融合方法。该方法通过计算各证据之间的余弦相似度，能够有效衡量不同证据源之间的相似程度，为后续的融合处理提供依据。该方法对于相似度较高的证据赋予更大的权重，而对相似度较低的证据则降低其权重，采用这种策略有助于削弱由异常数据引起的不利影响，从而降低证据冲突对融合结果的干扰。综上所述，本文方法通过对证据源进行修正，在一定程度上缓解了证据冲突问题，有效提升了信息融合过程的可靠性与结果的准确度。在本文的海面军民目标分类识别任务中，识别框架Θ被定义为：Θ={J,M}。DS理论将基本概率分配（BPA）赋予Θ的任意子集Y∈2Θ={∅,{J},{M},{J,M}}。在这里，子集{J,M}表示模型无法明确区分目标类型时的“不确定性”或“未知”状态。单帧或多帧情况下分支模型的输出（经过1.4节开头所述的自适应置信加权后）被直接视为对Θ的基本概率分配（Basic Probability Assignment，BPA）。
算法详细步骤如下所示：
1） 求各证据之间的余弦相似度。在DS证据理论中，基本概率分配定义在命题的任意子集上，用于分配概率质量，描述证据对某一命题的支持程度。假设一组证据体的BPA分别为：m1,m2,…,mn，通过计算两组证据之间的余弦相似度Sim(mi,mj)，可衡量其关联程度。该相似度的取值范围为［0,1］。
当相似度趋近于0时，表明两个证据体高度不一致，呈正交关系；当相似度趋近于 1 时，说明二者高度一致；相似度值越大，表示证据间的相似性越强；反之则越弱。
2） 证据间相互支持度的计算。在获得相似度矩阵Sim后，可通过对每一证据与其他所有相关证据的相似度求和，得到其整体支持度Sup(mi)。具体计算公式如下：
3） 计算每个证据体的可信度。证据的可信度用于衡量其对最终融合结果的影响程度，该值通过对各证据的支持度进行归一化处理获得。可信度Cred(mi)计算方式为
4） 使用权重系数修正原始证据体。利用可信度权重 Cred(mi)对原始BPA mi(Y) 进行加权修正，得到新的
，表达式如下：
这一步不仅按照相似度重新分配各个证据体的权重系数后，还通过后续的归一化处理，有效缓解了当某一证据对某类别（如{J}）的BPA为0，而其他证据不为0时可能出现的“0信任悖论”问题。
5） 修正后的BPA进行归一化处理。
6） 使用 Dempster 组合规则融合BPA。根据Dempster合成规则对其进行融合，合成结果如下：⊕表示Dempster合成算子，将多个证据的BPA相乘，并根据它们之间的冲突程度进行归一化，用于组合多个BPA。
2 试验过程与结果分析
2.1 数据集介绍
本文选取某运动平台雷达在某海域的航迹监测数据，其中军船目标122批，军船航迹3 211条，民船目标233批，民船航迹12 933条。选取的航迹特征为经度、纬度、速度、航向、速度变化率和航向变化率6个属性。为确保6个属性参数之间相互独立，计算任意两个属性之间的皮尔逊相关系数。对于经度X1、纬度X2、速度X3、速度变化率X4、航向X5和航向变化率X6这6个航迹属性，有n个观测值（航迹点）。计算任意两个属性Xi和Xj之间的皮尔逊相关系数rij。
单对属性之间的皮尔逊相关系数计算公式为
式中i,j=1,2,…,6,xki为第k个航迹点的第i个属性值，
为第i个属性的均值，n为航迹点总数。
6个航迹属性之间的皮尔逊相关系数矩阵：
式中，对角线元素rij=1（每个属性与自身完全相关），对称性rij=rji，值域-1≤rij≤1。
皮尔逊相关系数的计算步骤如下：
1） 计算每个属性的均值
2） 计算每个属性的离差平方和
3） 计算每对属性的离差乘积和
4） 计算相关系数
在本文选取的监测数据上计算任意两个属性之间的相关系数，结果如图5所示。
图5 海面军民目标6个属性的相关系数热力图
从图5可见，相关系数的值都不超过0.5，且大部分在0.1以下（1代表完全相关，0代表完全不相关），说明这6个参数相关性不高，可以作为海面军民目标识别的特征属性。
2.2 实验设置
1） XGBoost模型训练
本文XGBoost模型训练中涉及的主要参数有5个，分别是学习率、树的最大深度、迭代次数、采样率和列采样。设置模型初始参数如表1所示。
表1 XGBoost海面目标识别模型参数初始值
参数类型 初始值学习率 0.5树的最大深度 2迭代次数 150采样率 0.1列采样 1
2） AD-TCN模型训练
针对海面舰船目标航迹特征的时序相关性，结合航迹上下文信息利用AD-TCN网络模型对航迹特征进行深度挖掘，模型训练的参数初始值如表2所示。
表2 AD-TCN模型参数初始值
参数类型 初始值学习率 0.05迭代次数 150基础膨胀率 1.0
2.3 实验结果
1） 基于XGBoost模型的实验结果
随机选择80%数据作为训练集，剩余数据则用于测试。采用五折交叉法进行验证，测试正确率取均值。首先使用未经过原型选择的原始训练集进行训练。经过训练后，利用测试数据对模型进行测试，得到相应的海面军民目标识别混淆矩阵，如图6所示。
图6 海面军民目标识别混淆矩阵
从图6可见，该模型识别民船能力更强，准确率可以达到91%，而识别军船能力相对弱些，准确率为82%。
上述识别目标的准确率是在XGBoost算法初始参数下计算获得的。通过调整模型参数可以提升性能，获得更高的识别准确率。因模型参数组合复杂度较高，故采用Optuna工具寻优方法对参数进行优化。
Optuna工具寻优方法是在原有的模型算法上结合专用的工具，以达到自动寻找最优参数组合的目的［10］。Optuna工具能够动态构建超参数的搜索空间，基于网格搜索、随机搜索和贝叶斯搜索等不同算法的采样器，自动获取最优超参数值。根据先验知识，在Optuna方法下选择5个参数的搜索空间如表3所示。
表3 Optuna方法下海面目标识别模型参数搜索空间
参数类型 取值范围 步长学习率［0.1，1］ 连续空间树的最大深度［1，5］1迭代次数［50，750）1采样率［0.1，1］ 连续空间列采样［0.1，1］ 连续空间
Optuna工具寻优后的识别混淆矩阵如图7所示。
图7 使用Optuna方法优化后的海面目标识别混淆矩阵
从图7可知，尽管民船识别能力略有下降，但是军船识别能力显著提升，其准确率达到91%。
之后利用反向K近邻原型选择方法对训练集（军船航迹2 569条，民船航迹10 346条）进行原型选择，得到原型训练集，其中军船目标样本数量缩减到原来的87%（2 235条），民船目标样本数量缩减到原来的45%（4 656条）。重新训练与测试，军船识别准确率达到92%，民船识别准确率达到91%，如图8所示，军民目标的识别准确率均有所提升。
图8 使用原型选择后的海面目标识别混淆矩阵
2） 基于AD-TCN模型的实验结果
随机选择80%数据为训练集，剩余数据则用于测试。采用五折交叉法进行验证，测试正确率取均值。在模型训练后，利用测试数据进行军民目标分类识别，试验结果如表4所示，可以看出AD-TCN模型对军船识别准确率达到92%，对民船识别准确率达到90%。
表4 基于AD-TCN模型识别结果
92.79%91.73%军船识别准确率 民船识别准确率
3） 决策融合识别结果
针对XGBoost和AD-TCN两种模型的识别结果，利用改进的DS证据理论进行单帧融合和多帧融合，以获得更为准确的识别结果。如表5和表6所示，融合后对军船识别准确率提升到95%，对民船识别准确率达到92%，有效实现了对海面军民目标的分类识别。
表5 单帧军民分类识别结果
XGboost 92%91%LSTM 92.3%91.45%方法 军船识别准确率 民船识别准确率TCN 92.39%91.2%AD-TCN 92.79%91.73%单帧融合 94.8%92.2%
表6 多帧军民分类识别结果
军船识别准确率 民船识别准确率95.04%92.27%
融合模型提升体现在对军船的识别准确率提升显著（3%～4%），说明融合能更好识别伪装或异常行为。对民船提升较小（2%～3%），但整体稳定。
本文分析了单网络识别错误同时融合方法识别正确的航迹，有典型3种情况：①军船伪装航迹；②民船特殊任务；③传感器干扰。
图9典例1中XGBoost 将低速巡航误判为民船（当前帧特征匹配度较高），而在融合模型中DS合成提高 AD-TCN 时序模式权重，强调时序一致性，修正了识别结果。
图9 典例1航迹（早期机动、后期伪装）
图10典例2中AD-TCN 将货船误判为军船（异常加速度触发），而XGBoost利用静态结构特征结构特征修正冲突，融合识别判为民船。
图10 典例2航迹（Z字形轨迹）
图11典例3中由于出现了噪声航迹，双模型置信度均小于0.6，出现模糊轨迹，DS融合利用多帧上下文融合判决，综合置信度提升至0.81。
图11 典例3航迹（轨迹存在噪声干扰）
由上可以看出单模型在静态特征不足或时序异常敏感时易出错。DS融合模型利用互补优势实现纠错：XGBoost 补充结构特征，AD-TCN 补充时序模式。
2.4 效率分析
为评估模型的计算效率，在相同硬件平台（NVIDIA RTX 3090）上测试了各模型的推理速度，结果如表7所示。可以看出，本文所提XGBoost静态分支具有极高的推理效率，优于1 000 fps，而AD-TCN时空分支因需处理时序信息，速度相对较低。最终的融合模型推理速度为75 fps，满足实时性要求。同时，融合模型的总参数量为9.6×106，低于纯深度学习模型（如LSTM：12.3×106），体现了良好的效率与精度平衡。
表7 各模型计算效率对比
方法 推理速度 / fps 参数量 （×106）XGboost 1 217 0.5 LSTM 85 12.3 TCN 92 8.7 AD-TCN 78 9.1单帧融合 75 9.6
综上所述，实验结果验证了所提单帧融合框架在复杂、低信噪比雷达环境下的工程实用性，为军民船等海面目标的可靠识别提供了有力支撑。
3 结束语
针对运动平台雷达对海面军民目标分类识别中因目标数据库不全面或其故意采取欺骗措施导致探测目标分类信息识别效果不佳的问题，本文提出了一种基于航迹特征的海面军民目标分类识别方法，利用AD-TCN和XGboost模型分别对运动平台雷达探测到的海上目标航迹进行特征提取与分类识别，并将识别结果进行决策融合，实现了海面军民目标的分类识别。试验结果表明，本文所提方法能较大幅度地提升海面军民目标的识别准确率、稳定性和可靠性。由于识别过程未利用人工的先验知识与假设条件，因此，该方法具有良好的通用性。
［1］ 陈灿彬.运动平台雷达对海目标联合识别技术研究［J］.舰船电子工程，2021，41（8）:74-77.
［2］ 王曙光，田西兰.一种窄带雷达舰船目标分类的决策方法［J］.雷达科学与技术，2016，14（2）:159-162.
［3］ 张朋飞，魏存伟，刘先康，等.窄带舰船目标识别方法研究［J］.电子科技，2021，34（6）:50-55.
［4］ 沈梦家，张军，金朝，等.基于多模态数据特征融合的舰船识别算法研究［J］.光学与光电技术，2023，21（6）:22-27.
［5］ 夏栋，张凯旋，马玲.机载雷达对海目标联合识别技术研究［J］.舰船电子工程，2021，41（8）:74-77.
［6］ 宁勇，朱伟强.海面目标多信源融合识别技术研究［J］.航天电子对抗，2011，27（1）:37-40.
［7］ 田西兰，李川，王曙光，等.基于数据驱动的窄带雷达舰船目标分类决策方法［J］.空军预警学院学报，2021，35（3）:181-183.
［8］ 张晨，靳俊峰.基于集成学习和深度学习的海上目标联合分类识别方法［J］.空军预警研究学报，2024，38（6）:411-415.
［9］ LEE J G，HAN Jiawei，LI Xiaolei，et al.TraClass:Trajectory Classification Using Hierarchical Region-Based and Trajectory-Based Clustering［J］.Proceedings of the VLDB Endowment，2008，1（1） :1081-1094.
［10］ DE VRIES G K D，VAN SOMEREN M.Machine Learning for Vessel Trajectories Using Compression，Alignments and Domain Knowledge［J］.Expert Systems with Applications，2012，39（18） :13426-13439.
［11］ ELWAKDY M，EL-BENDARY M，ELTOKHY M.A Novel Spatial Algorithm for Similar and Non-Similar Trajectories Classification of Different Objects［C］//International Conference on Frontiers in Education:Computer Science and Computer Engineering，Las Vegas，Nevada，USA：［s.n.］，2015:168-177.
［12］ CHEN Tianqi，GUESTRIN C.XGBoost:A Scalable Tree Boosting System［C］// 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，San Francisco，CA，USA:ACM，2016:785-794.
［13］ VASWANI A，SHAZEER N，PARMAR N，et al.Attention is All You Need［PP/OL］.arXiv （2023-08-02） ［2025-12-02］.https://doi.org/10.48550/arXiv.1706.03762.
［14］ BAI Shaojie，KOLTER J Z，KOLTUN V.An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling［PP/OL］.arXiv （2018-04-19）［2025-12-06］.https://doi.org/10.48550/arXiv.180-3.01271.