雷达自动目标识别（RATR）是军事和民用领域的关键技术。高分辨距离像（HRRP）作为雷达目标识别的重要数据源，能够提供丰富的目标结构信息，且易于获取和处理。然而，传统的HRRP识别方法通常只利用单幅图像，忽略了连续HRRP之间的时序相关性，导致信息损失；同时，传统方法对变长序列的适应能力弱，难以在实际动态场景中实时识别。
Expert Systems With Applications 上发表了一项创新研究，提出了一种基于时序卷积网络（TCN） 的HRRP序列识别方法------ERTCN-SLA，通过引入批归一化、自适应平均池化、弹性网正则化以及基于贝叶斯优化的序列长度自适应算法，显著提升了识别精度、鲁棒性和模型稀疏性。
现有方法的瓶颈
传统的HRRP识别方法（如HMM、IRBM等）虽然能处理时序数据，但难以提取深度时序特征；而基于RNN的方法在处理长序列时容易出现梯度消失/爆炸问题。此外，实际雷达探测中，目标回波序列长度是动态变化的（随着探测时间增加而增长），但大多数模型只能处理固定长度序列，需要人工调整模型参数，效率低且不确定性高。
ERTCN-SLA：更智能、更鲁棒的HRRP序列识别
研究模型：
研究团队对传统TCN进行了三大改进：
1. 引入批归一化（BN）与自适应平均池化
-
在TCN残差块中用批归一化替换原有的权重归一化，解决了深度网络中的协变量偏移问题，加速收敛并抑制过拟合。
-
采用自适应平均池化融合相邻时间步的特征，平滑局部噪声干扰，保留全局时序模式，增强模型泛化能力。
2. 弹性网正则化实现特征选择与稀疏化
针对深度模型过参数化的问题，引入弹性网正则化（L1+L2），使更多冗余特征的权重趋于零，获得稀疏模型。这不仅降低了存储需求，还提升了实时处理能力，在嵌入式系统中更具实用性。
3. 基于贝叶斯优化的序列长度自适应算法
为了实现不同长度HRRP序列的自适应端到端识别，团队提出了基于贝叶斯优化的序列长度自适应算法。该算法在训练阶段为每种序列长度自动搜索最优超参数（卷积核数、学习率、正则化系数），并建立最优模型库；在推理阶段，根据输入序列长度自动调用对应模型，避免了人工调参的繁琐和不确定性。
实验验证：在MSTAR数据集上表现卓越
研究在经典的MSTAR雷达数据集及其变种数据集上进行了全面实验，验证了ERTCN-SLA的优越性。
-
识别精度 ：在序列长度为32时，ERTCN-SLA在标准数据集上达到了**99.97%**的识别准确率，远超传统方法（如TimeSeriesSVC）和主流深度模型（如SRNN、SLSTM、CNN-GRU）。
-
鲁棒性 ：针对变种目标（如改装坦克），ERTCN-SLA依然保持**99.73%**的准确率，展现了强大的泛化能力。
-
稀疏性：弹性网正则化使模型参数更稀疏，比L1或L2正则化更有效，同时识别精度略有提升。
-
消融实验：批归一化、自适应平均池化、弹性网正则化三者协同作用，使识别精度提升超过2.5%。
总结与展望
ERTCN-SLA不仅解决了传统方法对变长HRRP序列适应性差的问题，还通过改进网络结构和正则化策略，实现了高精度、高鲁棒性和轻量化的统一。该方法支持实时、分阶段的序列识别，决策者可根据置信度灵活接受结果，在军事目标识别、民用雷达监测等领域具有广阔应用前景。
未来，团队计划进一步优化序列填充方式、提升贝叶斯推理效率，并引入神经架构搜索，使模型在不同长度序列上更具灵活性和高效性。
论文信息 ：Xiaodan Wang, Peng Wang, Yafei Song, Qian Xiang, Jingtai Li. Recognition of high-resolution range profile sequence based on TCN with sequence length-adaptive algorithm and elastic net regularization. Expert Systems With Applications, 2024.