雷达信号特征提取方法和复数域卷积网络架构技术

本发明专利技术公开了一种雷达信号特征提取方法和用于雷达信号特征提取的复数域卷积网络架构，属于雷达信号处理技术领域。该特征提取方法提取雷达回波的幅值相位特征输入实数域处理分支，将雷达回波的复数信号输入复数域处理分支；两个分支对输入数据进行下采样、特征提取、上采样，并附加分支间的交叉增强融合、两分支输出结果融合，以及上采样和下采样之间的融合，实现了高分辨率特征的有效融合，大幅提升了雷达复数信号的特征提取效果。了雷达复数信号的特征提取效果。了雷达复数信号的特征提取效果。

【技术实现步骤摘要】
雷达信号特征提取方法和复数域卷积网络架构


[0001]本专利技术属于雷达信号处理
，具体涉及一种雷达信号特征提取方法和复数域卷积网络架构。

技术介绍

[0002]成像雷达利用微波进行环境感知与目标探测，不受天气、光照等条件的制约，可实现对待测目标全天时、全天候的远距离观测，在空间环境监视、军事侦察领域发挥重要作用。
[0003]高质量的提取雷达信号特征是提高目标成像效果与识别准确度，有效识别辐射源信号、实现雷达目标探测的重要保证。目前，多数雷达信号处理系统不具备根据任务需求自适应提取目标高分辨特征的能力，仍依赖专业的雷达技术人员人工设定特征。人工设计的目标特征受技术人员主观因素影响大，鲁棒性和自适应性难以满足保证较高的准确度与时效性。
[0004]在日益复杂的电磁环境下，传统的雷达信号特征提取方法适用范围越来越小。人工智能领域的卷积神经网络（Convolutional Neural Network, CNN）具有较强的数据分析与处理能力，能够有效改善人工设计特征泛化能力弱的缺点，在图像识别、信号处理领域得到广泛应用。深度学习方法利用层次化的CNN网络结构，对输入信号进行层次化特征分析。与技术人员凭经验设计的特征相比，CNN提取到的特征对目标具备更优的表征能力。因此，利用CNN处理雷达信号，可充分挖掘数据特点，自适应提取分辨率更高、鲁棒性更强的特征，可大幅改善传统雷达信号特征提取耗时、耗力等问题。
[0005]雷达信号中含有丰富的幅值与相位信息，信号通常为复数形式，复数实部与虚部包含了信号的幅度和相位信息，信息量远大于实数含有的信息量。迄今为止，多数卷积神经网络为实数卷积，适用于复数特征提取的网络架构较少。利用实数卷积神经网络处理复数雷达信号后，仅保留了幅值信息，舍弃了相位信息，然而复数信息含有更多利于提升成像与识别效果的高分辨特征，提取的数据特征越丰富，实现雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等任务时越易取得较好的处理效果。此外，与利用实数域卷积仅仅处理目标幅值信息相比，利用复数卷积提取的特征更易优化，泛化能力与鲁棒性更强。
[0006]从成像任务分析，雷达发射较大的带宽信号以获取较高的图像分辨率，若目标尺寸过大或观测时间较长，越距离单元徙动易造成散焦，影响成像效果。从信号分选与辐射源识别任务分析，准确提取目标高分辨特征是有效区分不同目标的前提，若雷达信号处理系统无法从噪声数据中提取利于区分目标的高分辨特征，将大幅影响目标探测与识别效果。为充分提取雷达复数信号中的高分辨特征，有效利用幅值与相位之间的相关性，设计适用于多类不同任务的雷达信号特征提取复数域卷积网络架构十分必要。现有复数卷积神经网络分析方法仅对点目标识别与成像任务进行优化，用于相邻散射点相关性较强的体目标，尚未取得较好的特征提取效果。
[0007]综上，现有的雷达信号特征提取方法存在不足主要有以下几点。
[0008]（1）针对辐射源识别、信号分选、散焦补偿等多类复杂任务，传统的雷达信号特征提取方法需要技术人工手动选取特征，算法效果局限于技术人员经验与能力，需要大量重复实验测定参数，难以保证较高的鲁棒性与时效性；（2）利用传统实数CNN提取特征，仅保留雷达信号中的幅度信息，丢弃了相位信息，数据特征的完整性遭到破坏；现有算法对数据特征利用不充分，难以有效融合复数中的多模态信息；若能够同时利用实数与复数卷积对雷达信号建模，将大幅提升特征维度的数据利用率，增强特征提取效果；（3）现有复数卷积神经网络特征处理方法仅对点目标成像与识别任务进行优化，用于结构特征复杂的体目标易导致特征混叠，噪声干扰严重影响特征提取效果。
[0009]分析可知，若能够利用雷达复信号特点，充分挖掘其中蕴含的高分辨特征，结合复数卷积神经网络完成参数的快速迭代寻优，实现雷达复数信号高分辨特征提取，有助于大幅提升雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务的性能。

技术实现思路

[0010]有鉴于此，本专利技术提供了一种雷达信号特征提取方法和用于雷达信号特征提取的复数域卷积网络架构，该方案能够利用雷达复信号特点，充分挖掘其中蕴含的高分辨特征，结合复数卷积神经网络完成参数的快速迭代寻优，实现雷达复数信号高分辨特征提取。
[0011]本专利技术特别适用于雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务下的雷达信号特征提取。
[0012]为了解决上述技术问题，本专利技术是这样实现的。
[0013]一种雷达信号特征提取复数域卷积网络架构，包括：实数域处理分支、复数域处理分支和融合单元；所述融合单元包括交叉增强融合模块、双模态特征融合模块、第一加权融合模块和第二加权融合模块；实数域处理分支处理雷达信号的幅值相位特征，包括针对实数的N层下采样模块SD1~SD
N
、第一语义特征提取模块和N层上采样模块SU1~SU
N
；其中，不同分辨率的下采样模块SD
n
与上采样模块SU
m
的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SU
m+1
的部分输入；n≠m；n和m的取值范围为1至N；复数域处理分支处理复数形式的雷达信号，包括针对复数的N层下采样模块FD1~FD
N
、第二语义特征提取模块和N层上采样模块FU1~FU
N
；其中，不同分辨率的下采样模块FD
n
与上采样模块FD
m
的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FU
m+1
的部分输入；交叉增强融合模块在上采样部分实现实数域处理分支与复数域处理分支所得特征图的融合，并反馈到实数域处理分支；双模态特征融合模块实现两个分支最后一级所提取特征的融合。
[0014]优选地，所述交叉增强融合模块为P个，P<N，对应最后P级连续的上采样模块；针对某一级p，将两个分支中的上采样模块SU
p
和FU
p
的输出特征图在对应的交叉增强融合模块中进行融合，融合特征与上采样模块SU
p
的输出结合后作为下一级上采样模块SU
p+1
的输入。
[0015]优选地，实数域处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6；下采样模块SD5与上采样模块SU3的输出在第一加权融合模块中进行融合，融合结果作为上采
样模块SU4的部分输入；下采样模块SD6与上采样模块SU1利用跳跃连接完成输出对应像素相加，作为上采样模块SU2的输入；复数域处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6；下采样模块FD5与上采样模块FD3的输出在第二加权融合模块中进行融合，融合结果作为上采样模块FU4的部分输入；下采样模块FD6与上采样模块FU1利用跳跃连接完成输出对应像素相加，作为上采样模块FU2的输入；所述交叉增强融合模块为4个，对应上采样模块SU2~ SU5和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达信号特征提取复数域卷积网络架构，其特征在于，包括：实数域处理分支、复数域处理分支和融合单元；所述融合单元包括交叉增强融合模块、双模态特征融合模块、第一加权融合模块和第二加权融合模块；实数域处理分支处理雷达信号的幅值相位特征，包括针对实数的N层下采样模块SD1~SD
N
、第一语义特征提取模块和N层上采样模块SU1~SU
N
；其中，不同分辨率的下采样模块SD
n
与上采样模块SU
m
的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SU
m+1
的部分输入；n≠m；n和m的取值范围为1至N；复数域处理分支处理复数形式的雷达信号，包括针对复数的N层下采样模块FD1~FD
N
、第二语义特征提取模块和N层上采样模块FU1~FU
N
；其中，不同分辨率的下采样模块FD
n
与上采样模块FD
m
的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FU
m+1
的部分输入；交叉增强融合模块在上采样部分实现实数域处理分支与复数域处理分支所得特征图的融合，并反馈到实数域处理分支；双模态特征融合模块实现两个分支最后一级所提取特征的融合。2.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，所述交叉增强融合模块为P个，P<N，对应最后P级连续的上采样模块；针对某一级p，将两个分支中的上采样模块SU
p
和FU
p
的输出特征图在对应的交叉增强融合模块中进行融合，融合特征与上采样模块SU
p
的输出结合后作为下一级上采样模块SU
p+1
的输入。3.如权利要求2所述的雷达信号特征提取复数域卷积网络架构，其特征在于，实数域处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6；下采样模块SD5与上采样模块SU3的输出在第一加权融合模块中进行融合，融合结果作为上采样模块SU4的部分输入；下采样模块SD6与上采样模块SU1利用跳跃连接完成输出对应像素相加，作为上采样模块SU2的输入；复数域处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6；下采样模块FD5与上采样模块FD3的输出在第二加权融合模块中进行融合，融合结果作为上采样模块FU4的部分输入；下采样模块FD6与上采样模块FU1利用跳跃连接完成输出对应像素相加，作为上采样模块FU2的输入；所述交叉增强融合模块为4个，对应上采样模块SU2~ SU5和FU2~ FU5。4.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，在实数域处理分支中：所述下采样模块SD1~SD
N
的下采样处理，将特征图的尺度变为原来的二分之一，通道数扩张成处理前的二倍；所述第一语义特征提取模块实现核为3的卷积、批量归一化操作与激活函数处理；所述上采样模块SU1~SU
N
采用实数卷积上采样，逐层增加特征分辨率，同时降低通道数。5.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，在复数域处理分支中：针对复数形式的雷达信号，首先经过卷积核为3，步长为1，扩充数为1的复数卷积，再经过复数归一化层与复数PRelu激活函数处理，得到复数特征图输入下采样模块FD1；所述下采样模块FD1~FD
N
的下采样处理，将输入特征图的尺度变为处理前的二分之一，
通道数扩张成处理前的二倍；所述第二语义特征提取模块实现核为3的复数卷积、复数批量归一化操作与复数激活函数处理；所述上采样模块FU1~FU
N
采用复数域卷积上采样，逐层增加特征...

【专利技术属性】
技术研发人员：朱卫纲，李晨瑄，李永刚，朱霸坤，曲卫，杨君，何永华，邱磊，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：