【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以下技术方案实现：
[0006]一种干扰条件下基于注意力机制的HRRP增强预处理方法，所述干HRRP增强预处理方法包括：
[0007]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；
[0008]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；>[0009]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；
[0010]步骤4、对所述第二数据集进行预处理得到第三数据集；
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]在本专利技术的一个实施例中，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。
[0016]在本专利技术的一个实施例中，所述步骤4包括：
[0017]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。
[0018]在本专利技术的一个实施例中，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。
[0019]在本专利技术的一个实施例中，所述Embedding模块包括位置编码层和特征融合层；
[0020]所述特征提取模块包括输入层和第一全连接层；
[0021]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第三全连接层、第四全连接层；
[0022]所述插补模块包括第五全连接层与输出层。
[0023]在本专利技术的一个实施例中，所述步骤5包括：
[0024]步骤5.1、将所述第三数据集、所述掩码矩阵、所述位置矩阵输入到所述Embedding模块，其中，所述位置矩阵经过位置编码层，得到位置编码矩阵；
[0025]步骤5.2、将所述第三数据集、所述位置编码矩阵、所述掩码矩阵通过所述特征融合层进行拼接，得到特征融合矩阵；
[0026]步骤5.3、将所述特征融合矩阵输入到所述特征提取模块，得到第一频谱特征；
[0027]步骤5.4、将所述第一频谱特征输入到所述上下文特征提取模块，依次通过所有编码层，得到频谱上下文特征；
[0028]步骤5.5、将所述掩码矩阵中为0的元素所对应的频谱上下文特征通过所述插补模块得到缺失的频谱元素的插补值。
[0029]在本专利技术的一个实施例中，所述位置编码层的编码方法为：
[0030][0031][0032]其中，PE表示位置编码矩阵，pos表示频谱元素的序号，i表示频谱元素在位置编码矩阵中的列号，d
model
表示位置编码矩阵中行向量的维度。
[0033]在本专利技术的一个实施例中，所述步骤6包括：
[0034]利用平均绝对误差损失函数，计算所述插补值与所述真实值之间的损失值。
[0035]在本专利技术的一个实施例中，所述平均绝对误差损失函数为：
[0036][0037]其中，pred表示插补值，real表示真实值，N表示缺失值的数量。
[0038]在本专利技术的一个实施例中，所述步骤8包括：
[0039]步骤8.1、获取第一目标频谱信号；
[0040]步骤8.2、根据所述第一目标频谱信号得到所述第一目标频谱信号的掩码矩阵和位置矩阵；
[0041]步骤8.3、对所述第一目标频谱信号的幅度进行模二范数归一化处理，得到第二目标频谱信号；
[0042]步骤8.4、将所述第二目标频谱信号依次通过训练好的Transformer网络模型的
Embedding模块、特征提取模块、上下文特征提取模块和插补模块，得到缺失值的插补值，使用插补值填充对应频谱信号的缺失值以得到重构信号。
[0043]本专利技术的有益效果：
[0044]第一，由于本专利技术构造了插补缺失值的Transformer网络模型，该Transformer网络模型对频谱信号中各元素的位置序号进行编码，并将其与掩码矩阵、频谱回波进行拼接，使得模型可以利用频谱信号中各元素的位置信息辅助网络对缺失值进行插补，使插补结果更加准确。
[0045]第二，本专利技术使用Transformer网络模型提取各元素的上下文特征，相比循环神经网络，Transformer网络模型在处理当前位置元素时会关注到所有位置的元素来帮助模型提取当前位置元素的特征和当前位置数据对其他位置数据的依赖信息，克服了传统循环神经网络中前序元素信息会随着循环过程的进行而衰减和无法并行执行的问题，相比传统循环神经网络可以取得更好的插补性能。
[0046]第三，本专利技术所提供的插补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。
[0047]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0048]图1是本专利技术实施例提供的一种干扰条件下基于注意力机制的HRRP增强预处理方法的流程示意图；
[0049]图2是本专利技术实施例提供本文档来自技高网...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。