多脉冲雷达信号的分辨性特征融合提取方法及识别方法技术

本申请涉及一种多脉冲雷达信号的分辨性特征融合提取方法和识别方法。所述方法包括：对多脉冲雷达信号特征图在空间维度上分别进行最大值池化和平均值池化，得到第一通道权重系数和第二通道权重系数；根据第一通道权重系数、第二通道权重系数、激活函数及多脉冲雷达信号特征图，得到通道权重特征图，对其在通道维度上分别进行最大值池化和平均值池化，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到高分辨性特征图，将其与多脉冲雷达信号特征图相加，得到信息完整的高分辨性特征图，并采用多卷积核进行特征融合提取，得到高分辨性特征。采取本方法可快速准确的提取出多脉冲雷达信号中的高分辨性特征。的提取出多脉冲雷达信号中的高分辨性特征。的提取出多脉冲雷达信号中的高分辨性特征。

【技术实现步骤摘要】
多脉冲雷达信号的分辨性特征融合提取方法及识别方法


[0001]本申请涉及雷达信号识别
，特别是涉及一种多脉冲雷达信号的分辨性特征融合提取方法及识别方法。

技术介绍

[0002]随着数字技术的飞速发展，雷达信号的调制方式越来越复杂，调制类型越来越多，外界电磁环境日益复杂，给电子侦察和电子对抗系统带来了严峻的挑战。在电子对抗过程中，对截获的信号进行迅速准确的识别，可以优先获得制信息权，对战场的形势发挥着至关重要的作用。然而，截获的敌方信号不仅仅是单脉冲信号，因此如何在低信噪比下对多脉冲的雷达信号进行快速准确的识别是电子对抗领域的关键问题。
[0003]传统的雷达信号识别技术通常利用脉冲描述字（PWD），进行常规参数的匹配，设计特征提取算法和分类器进行识别。然而随着现代战场电磁环境的日益复杂，信号特征易被外界干扰所淹没，传统的雷达信号识别方法需要进行复杂的特征设计，其实现难度较大，泛化性较差。
[0004]随着人工智能的发展，深度学习得到广泛的应用，其中卷积神经网络（Convolutional Neural Networks,CNNs）是人们研究的热点。其网络具有表征学习的能力，即能够从输入信息中提取高阶特征，并且能响应输入特征的平移不变性，可识别空间不同位置的相近特征，被广泛应用于图像分类，语义分割，目标检测等方向。但是由于不同的雷达信号二维时频图有较大重复相似的区域，而区别性的特征区域相对较小，利用卷积神经网络进行多脉冲雷达信号识别能力较差，并且参数量和计算量都比较大。

技术实现思路
/>[0005]基于此，有必要针对上述技术问题，提供一种能够提取多脉冲雷达信号的高分辨性特征的多脉冲雷达信号的分辨性特征融合提取方法及识别方法。
[0006]一种多脉冲雷达信号的分辨性特征融合提取方法，所述方法包括：获取多脉冲雷达信号特征图。
[0007]对所述多脉冲雷达信号特征图在空间维度分别进行最大值池化和平均值池化，得到所述多脉冲雷达信号特征图的第一通道权重系数和第二通道权重系数。
[0008]根据所述第一通道权重系数、所述第二通道权重系数、预设的第一激活函数、预设的第二激活函数以及所述多脉冲雷达信号特征图，得到多脉冲雷达信号的通道权重特征图。
[0009]对所述通道权重特征图在通道维度分别进行最大值池化和平均值池化，得到所述通道权重特征图的第一空间权重特征矩阵和第二空间权重特征矩阵。
[0010]根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵，得到通道数为2的特征图；根据所述通道数为2的特征图及所述通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。
[0011]将所述高分辨性特征图与所述多脉冲雷达信号特征图相加，得到信息完整的高分辨性特征图。
[0012]根据所述信息完整的高分辨性特征图，采用多种卷积核进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征。
[0013]在其中一个实施例中，所述第一激活函数为ReLU函数，所述第二激活函数为sigmoid函数。根据所述第一通道权重系数、所述第二通道权重系数、第一激活函数、第二激活函数以及所述多脉冲雷达信号特征图，得到多脉冲雷达信号的通道权重特征图，还包括：将所述第一通道权重系数和所述第二通道权重系数使用ReLU函数激活后叠加，得到一维通道权重矢量。
[0014]将所述一维通道权重矢量使用sigmoid函数激活得到的输出值与所述多脉冲雷达信号特征图相乘，得到多脉冲雷达信号的通道权重特征图。
[0015]在其中一个实施例中，根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵，得到通道数为2的特征图；根据所述通道数为2的特征图及所述通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图，还包括：将所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵按通道维度拼接在一起，得到通道数为2的特征图。
[0016]将所述通道数为2的特征图使用卷积核7*7进行卷积运算得到的值采用sigmoid函数激活，得到综合空间权重特征矩阵。
[0017]将所述综合空间权重特征矩阵与所述通道权重特征图相乘，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。
[0018]在其中一个实施例中，根据所述高分辨性特征图，采用多种卷积核进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征，还包括：将所述高分辨性特征图分别采用卷积核7*7、卷积核5*5、卷积核3*3及卷积核1*1进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征。
[0019]一种多脉冲雷达信号的识别方法，所述方法包括：获取多脉冲雷达信号。
[0020]对所述待测多脉冲雷达信号进行CWD时频分析，得到多脉冲雷达信号的二维时频图；将所述二维时频图进行标记，作为训练样本。
[0021]构建高分辨性特征融合提取网络，所述高分辨性特征融合提取网络包括卷积网络、特征提取网络和输出网络。
[0022]所述特征提取网络包括注意力特征提取模块和分辨性特征融合特征提取模块；所述特征提取网络用于提取所述训练样本的高分辨性特征；所述注意力特征提取模块用于提取所述训练样本的空间注意力特征和通道注意力特征，得到多脉冲雷达信号的注意力特征图；所述分辨性特征融合特征提取模块执行上述任一多脉冲雷达信号的分辨性特征融合提取方法，用于提取所述注意力特征图的分辨性特征。
[0023]根据所述训练样本对所述高分辨性特征融合提取网络进行反向训练得到多脉冲雷达信号识别模型。
[0024]获取待测多脉冲雷达信号。
[0025]将所述待测多脉冲雷达信号进行CWD时频分析，得到待测二维时频图。
[0026]将所述待测二维时频图输入到所述多脉冲雷达信号识别模型中，得到多脉冲雷达
信号的类别。
[0027]在其中一个实施例中，所述注意力特征提取模块由6层组成，包括：第一卷积层、第二卷积层、通道池化层、空间池化层、第三卷积层以及第四卷积层。
[0028]所述第一卷积层的卷积核为卷积核1*1、第二卷积层的卷积核为卷积核3*3、第三卷积层的卷积核为卷积核7*7、第四卷积层的卷积核为卷积核1*1。
[0029]在其中一个实施例中，还包括，将所述训练样本输入卷积网络，得到卷积特征；将所述卷积特征输入所述特征提取网络，输出高分辨性特征；所述特征提取网络包括：个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、个注意力特征提取模块，其中为大于0的整数，并且。
[0030]将所述高分辨率特征输入到输出网络，输出分类预测结果，根据所述分类预测结果和所述训练样本进行反向训练，得到多脉冲雷达信号识别模型。
[0031]在其中一个实施例中，根据所述训练样本对所述高分辨性特征融合提取网络进行训练得到多脉冲雷达信号识别模型，还包括，将所述高分辨率特征输入到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多脉冲雷达信号的分辨性特征融合提取方法，其特征在于，所述方法包括：获取多脉冲雷达信号特征图；对所述多脉冲雷达信号特征图在空间维度分别进行最大值池化和平均值池化，得到所述多脉冲雷达信号特征图的第一通道权重系数和第二通道权重系数；根据所述第一通道权重系数、所述第二通道权重系数、预设的第一激活函数、预设的第二激活函数以及所述多脉冲雷达信号特征图，得到多脉冲雷达信号的通道权重特征图；对所述通道权重特征图在通道维度分别进行最大值池化和平均值池化，得到所述通道权重特征图的第一空间权重特征矩阵和第二空间权重特征矩阵；根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵，得到通道数为2的特征图；根据所述通道数为2的特征图及所述通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图；将所述高分辨性特征图与所述多脉冲雷达信号特征图相加，得到信息完整的高分辨性特征图；根据所述信息完整的高分辨性特征图，采用多种卷积核进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征。2.根据权利要求1所述的方法，其特征在于，所述第一激活函数为ReLU函数，所述第二激活函数为sigmoid函数；根据所述第一通道权重系数、所述第二通道权重系数、第一激活函数、第二激活函数以及所述多脉冲雷达信号特征图，得到多脉冲雷达信号的通道权重特征图，包括：将所述第一通道权重系数和所述第二通道权重系数使用ReLU函数激活后相加，得到一维通道权重矢量；将所述一维通道权重矢量使用sigmoid函数激活得到的输出值与所述多脉冲雷达信号特征图相乘，得到多脉冲雷达信号的通道权重特征图。3.根据权利要求1所述的方法，其特征在于，根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵，得到通道数为2的特征图；根据所述通道数为2的特征图及所述通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图，包括：将所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵按通道维度拼接在一起，得到通道数为2的特征图；将所述通道数为2的特征图使用卷积核7*7进行卷积运算得到的值采用sigmoid函数激活，得到综合空间权重特征矩阵；将所述综合空间权重特征矩阵与所述通道权重特征图相乘，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。4.根据权利要求1所述的方法，其特征在于，根据所述高分辨性特征图，采用多种卷积核进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征，包括：将所述高分辨性特征图分别采用卷积核7*7、卷积核5*5、卷积核3*3及卷积核1*1进行多尺度融合提取，得到多脉冲雷达信号的高分辨性特征。5.一种多脉冲雷达信号的识别方法，其特征在于，所述方法包括：获取多脉冲雷达信号；对所述多脉冲雷达...

【专利技术属性】
技术研发人员：李骥，张会强，王威，王新，欧建平，李刚，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：