干扰条件下基于注意力机制的HRRP增强预处理方法技术

本发明专利技术公开了一种干扰条件下基于注意力机制的HRRP增强预处理方法，包括：生成第一数据集；将频谱信号中的若干位置的数据设置为0，得到第二数据集；根据第二数据集得到辅助数据集；对第二数据集进行预处理得到第三数据集；基于Transformer网络模型，根据第三数据集、掩码矩阵和位置矩阵得到插补值；利用损失函数计算插补值与真实值之间的损失值；基于损失值，利用反向传播算法迭代更新Transformer网络模型的参数，直到损失值收敛为止，得到训练好的Transformer网络模型；基于训练好的Transformer网络模型，根据目标频谱信号得到重构结果。本发明专利技术所提供的重构方法主要用于解决现有技术中循环神经网络对高分辨距离像频谱信号利用不充分，前序数据的信息存在缺失的问题。问题。问题。

【技术实现步骤摘要】
干扰条件下基于注意力机制的HRRP增强预处理方法


[0001]本专利技术属于雷达
，具体涉及一种干扰条件下基于注意力机制的HRRP增强预处理方法。

技术介绍

[0002]高分辨距离像是用宽带雷达获取的目标散射点子回波在雷达射线上投影的向量和，它提供了目标散射点沿距离方向的分布情况，是目标重要的结构特征，对于目标识别很有价值。但当环境中存在窄带干扰时，会导致宽带雷达成像、识别性能严重下降甚至失效。考虑到窄带干扰具有能量强、易检测的特点，可在频域剔除干扰分量并对频谱进行插补重构后完成成像、识别任务，其关键在于如何对频谱的缺失值进行插补。
[0003]目前常用的方法是使用循环神经网络对缺失值进行插补。
[0004]然而，基于循环神经网络不能并行计算，运行时间较长，另外循环神经网络中前序数据信息会随着循环过程的进行而衰减，所以其插补性能仍会受到一定的限制。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种干扰条件下基于注意力机制的HRRP增强预处理方法。本专利技术要解决的技术问题通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干扰条件下基于注意力机制的HRRP增强预处理方法，其特征在于，所述HRRP增强预处理方法包括：步骤1、生成第一数据集，所述第一数据集包括M个类别目标的一维高分辨距离像频谱信号，每个所述频谱信号的维度为K
×
2；步骤2、将所述频谱信号中的若干位置的数据设置为0，得到第二数据集；步骤3、根据所述第二数据集得到辅助数据集，所述辅助数据集包括所述频谱信号的掩码矩阵和位置矩阵；步骤4、对所述第二数据集进行预处理得到第三数据集；步骤5、基于Transformer网络模型，根据所述第三数据集、所述掩码矩阵和所述位置矩阵，得到缺失的频谱元素的插补值；步骤6、利用损失函数，计算所述插补值与真实值之间的损失值；步骤7、基于所述损失值，利用反向传播算法迭代更新所述Transformer网络模型的参数，直到所述损失值收敛为止，得到训练好的Transformer网络模型；步骤8、基于训练好的Transformer网络模型，根据目标频谱信号得到插补值，使用插补值填充对应频谱信号的缺失值以得到重构信号。2.根据权利要求1所述的HRRP增强预处理方法，其特征在于，所述掩码矩阵中元素为0的位置表示元素缺失，所述掩码矩阵中元素为1的位置表示元素未缺失，所述位置矩阵中每个元素的数值表示对应频谱信号元素的序号。3.根据权利要求1所述的HRRP增强预处理方法，其特征在于，所述步骤4包括：对所述第二数据集中的每个频谱信号的幅度进行模二范数归一化处理，得到所述第三数据集。4.根据权利要求1所述的HRRP增强预处理方法，其特征在于，所述Transformer网络模型包括Embedding模块、特征提取模块、上下文特征提取模块和插补模块。5.根据权利要求4所述的HRRP增强预处理方法，其特征在于，所述Embedding模块包括位置编码层和特征融合层；所述特征提取模块包括输入层和第一全连接层；所述上下文特征提取模块包括若干编码层，所述编码层包括自注意力层和前馈神经网络，所述自注意力层包括多头自注意力层和第二全连接层，所述前馈神经网络包括...

【专利技术属性】
技术研发人员：王鹏辉，朱政，刘宏伟，丁军，陈渤，纠博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：