一种基于Transformer的认知雷达联合调制识别与参数估计方法技术

本发明专利技术公开了一种基于Transformer的认知雷达联合调制识别与参数估计方法，可以对各个控制参数的不同调制类型和调制参数组合定义的雷达工作模式同时进行自动调制类型识别和可变结构的调制参数估计，以实现认知雷达工作模式的识别；该方法基于多输出多结构学习的思想，结合递归神经网络和Transformer结构，利用深度网络的自动特征学习表征能力，能够有效提取脉冲间的时序特征；通过专门的标签序列设计，可以同时实现标量及矢量结构的调制参数估计任务，并可以充分利用调制类型标签与调制参数标签间的关联关系，提升识别性能；通过Transformer递归输出标签序列，可以实现标签序列的变长输出。序列的变长输出。序列的变长输出。

【技术实现步骤摘要】
一种基于Transformer的认知雷达联合调制识别与参数估计方法


[0001]本专利技术涉及雷达电子侦察
，具体涉及一种基于Transformer的认知雷达联合调制识别与参数估计方法。

技术介绍

[0002]认知雷达是具有多种动态变化工作模式的复杂传感器，可以根据环境和目标的变化，实时地调整其发射和接收环路，实现灵活的工作模式，从而充分发挥雷达的性能潜力，以满足预定的雷达性能指标。认知雷达的工作模式可以定义为一个有限长的雷达脉冲序列，其中每个脉冲包含多个控制参数，如脉冲重复间隔(Pulse repetition interval,PRI)、射频(Radio frequency,RF),脉冲宽度(Pulse width,PW)和脉内波形(Modulation on pulse,MOP)，每个控制参数都具有相应的调制类型，同时每种调制类型都有特定的参数空间，从中可以选取特定的调制参数值,不同调制参数和调制类型组合定义不同的雷达工作模式。通过连续感知环境，认知雷达可以优化预先设定的目标函数，对各个控制参数可以实现不同调制类型的灵活切换，以实现调制类型级雷达工作状态；更进一步的，对于特定的调制类型，认知雷达可以在特定的参数空间内优化具体的调制参数取值，以实现具有相同调制类型不同调制参数的调制参数级雷达工作状态。为了实现认知雷达工作状态的有效识别，既要实现对控制参数的不同调制类型的识别，还要实现对同一调制类型调制参数的估计。这种包含“类型级
‑
参数级”两层的雷达工作状态灵活切换给认知雷达工作状态识别任务带来了巨大挑战。
[0003]在传统雷达工作状态识别中，传统方法往往将调制参数识别和调制参数估计作为两个不相关的任务分别进行。早期的自动调制类型识别常使用数理统计的方法，依据先验知识设计手工特征，对截获到的脉冲序列进行特征提取后进行分类。然而，传统方法往往会带来较大的计算复杂度，无法满足实际应用对信息处理时效性的需求；并且不同类型的信号类型往往需要设计不同的特征，无法适应复杂多变的电磁环境。另一方面，传统方法所用模型都假设数据比较理想，而真实系统接收到的脉冲序列往往会受到参数测量误差、脉冲信号缺失、虚假脉冲干扰等三种典型非理想因素的影响，使得传统方法对认知雷达工作状态的识别能力降低。调制参数估计研究方面，传统方法往往只能从统计角度确定各个状态定义参数的离散数值，而无法给出与每个状态定义参数调制类型对应的调制控制参数。
[0004]对于传统方法，虽然可以在两个任务中取得不错的性能，但是难以挖掘利用其中的关联信息。深度学习模型是一种拥有多个非线性映射层的神经网络模型，能够对输入序列进行逐层抽象并提取特征，挖掘出更深层次的潜在规律，且对噪声，虚假脉冲，缺失脉冲等非理想情况有很强的鲁棒性。在深度学习中，多输出多结构学习(Multi
‑
output Multi
‑
structure Learning)深度神经网络具有同时解决多个任务的能力，且输出可以具有可变结构，在许多领域得到了广泛的应用。该类网络一方面多输出学习可以同时完成多个任务，且多个任务之间可以实现信息的共享以实现网络性能的提升；另一方面，多输出学习可以
实现可变结构输出，以适应雷达工作状态实际脉冲序列中不同调制类型的调制参数的数目可变和灵活多变的变量结构。

技术实现思路

[0005]本专利技术提出一种基于Transformer的认知雷达联合调制识别与参数估计方法，可以对接收到的具有多个控制参数、丰富调制类型、灵活参数取值的认知雷达脉冲信号同时实现自动调制类型识别和可变结构的调制参数估计，完成不同调制类型和调制参数组合定义的工作状态的识别。
[0006]一种基于Transformer的认知雷达联合调制识别与参数估计方法，包括如下步骤：
[0007]S1、构建用于训练的数据集：
[0008]S11、当用于训练的输入信号为脉内波形信号时，从固定数目的调制类型集合中选取脉内调制类型，并选取相应的调制参数，获得一个波形信号的样本，由调制类型和其相应的调制参数组合描述；获得多个具有不同调制类型和调制参数组合的波形信号的样本，并对描述该信号的调制类型和调制参数进行打标签，构成用于训练的数据集；
[0009]S12、当用于训练的输入信号为PDW信号时，每个PDW信号由定义参数描述，则PDW信号中每个脉冲由一个M维的矢量描述，该向量描述该脉冲对应的M维定义参数的具体取值，M表示定义参数数目；每种定义参数从固定数目的调制类型集合中选取各自对应的调制类型，并对应的参数空间中选取相应的调制参数，则一个PDW信号的样本由各个定义参数对应的调制类型和调制参数组合描述；获得多个具有不同调制类型及调制参数组合的PDW信号的样本，并对描述该信号的定义参数、调制类型及调制参数组合进行打标签，构成用于训练的数据集；
[0010]S2、构建多输出多结构的标签集合：
[0011]S21、对信号进行标签设计。在对信号进行打标签时，对于脉内波形信号，将该信号的调制类型和调制参数标签表征为序列的形式，依次排列，调制类型排列在前，调制参数排列在后，并设置标志符对标签序列中各个标签间的关系进行表征，得到脉内波形信号的标签序列；对于PDW信号，将该信号的多个定义参数对应的调制类型和调制参数标签表征为序列的形式，依次排列，同一定义参数对应的调制类型和调制参数标签排列在相邻位置，调制类型排列在前，调制参数排列在后，并设置标志符对标签序列中各个标签间的关系进行表征，得到PDW信号的标签序列；
[0012]S22、对得到的标签序列进行量化编码：在对信号进行量化编码时，对于标签序列中的调制参数标签，连续数值以一定的量化间隔被编码为离散的数值；对于标签序列中的调制类型标签和标志符，则直接编码为指定的离散数值；量化编码后得到离散数值表征的标签序列；
[0013]S3、构建深度多输出多结构神经网络JMRPE
‑
MOMS，JMRPE
‑
MOMS包括数据映射模块和深度特征提取模块，其中：
[0014]S31、数据映射模块包括对信号的数据映射和对标签的数据映射，具体为：
[0015]对信号的数据映射基于LSTM层实现，得到映射后的特征向量X
project
；
[0016]对标签的数据映射由嵌入层和位置编码层实现，标签序列通过嵌入层被映射到低维特征空间，然后通过位置编码层对嵌入后的标签序列添加时序位置信息，完成标签的数
据映射，得到标签的映射结果Y
project
；
[0017]S32、深度特征提取模块使用Transformer结构，依托于编码器
‑
解码器框架，具体包括：
[0018]X
project
首先进入编码器，在编码器中进行特征提取，依次经过自注意力self
‑
attention层、前馈层、残差连接和归一化层，具体为：
[0019]X
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer的认知雷达联合调制识别与参数估计方法，其特征在于，包括如下步骤：S1、构建用于训练的数据集：S11、当用于训练的输入信号为脉内波形信号时，从固定数目的调制类型集合中选取脉内调制类型，并选取相应的调制参数，获得一个波形信号的样本，由调制类型和其相应的调制参数组合描述；获得多个具有不同调制类型和调制参数组合的波形信号的样本，并对描述该信号的调制类型和调制参数进行打标签，构成用于训练的数据集；S12、当用于训练的输入信号为PDW信号时，每个PDW信号由定义参数描述，则PDW信号中每个脉冲由一个M维的矢量描述，该向量描述该脉冲对应的M维定义参数的具体取值，M表示定义参数数目；每种定义参数从固定数目的调制类型集合中选取各自对应的调制类型，并对应的参数空间中选取相应的调制参数，则一个PDW信号的样本由各个定义参数对应的调制类型和调制参数组合描述；获得多个具有不同调制类型及调制参数组合的PDW信号的样本，并对描述该信号的定义参数、调制类型及调制参数组合进行打标签，构成用于训练的数据集；S2、构建多输出多结构的标签集合：S21、对信号进行标签设计。在对信号进行打标签时，对于脉内波形信号，将该信号的调制类型和调制参数标签表征为序列的形式，依次排列，调制类型排列在前，调制参数排列在后，并设置标志符对标签序列中各个标签间的关系进行表征，得到脉内波形信号的标签序列；对于PDW信号，将该信号的多个定义参数对应的调制类型和调制参数标签表征为序列的形式，依次排列，同一定义参数对应的调制类型和调制参数标签排列在相邻位置，调制类型排列在前，调制参数排列在后，并设置标志符对标签序列中各个标签间的关系进行表征，得到PDW信号的标签序列；S22、对得到的标签序列进行量化编码：在对信号进行量化编码时，对于标签序列中的调制参数标签，连续数值以一定的量化间隔被编码为离散的数值；对于标签序列中的调制类型标签和标志符，则直接编码为指定的离散数值；量化编码后得到离散数值表征的标签序列；S3、构建深度多输出多结构神经网络JMRPE
‑
MOMS，JMRPE
‑
MOMS包括数据映射模块和深度特征提取模块，其中：S31、数据映射模块包括对信号的数据映射和对标签的数据映射，具体为：对信号的数据映射基于LSTM层实现，得到映射后的特征向量X
project
；对标签的数据映射由嵌入层和位置编码层实现，标签序列通过嵌入层被映射到低维特征空间，然后通过位置编码层对嵌入后的标签序列添加时序位置信息，完成标签的数据映射，得到标签的映射结果Y
project
；S32、深度特征提取模块使用Transformer结构，依托于编码器
‑
解码器框架，具体包括：X
project
首先进入编码器，在编码器中进行特征提取，依次经过自注意力self
‑
attention层、前馈层、残差连接和归一化层，具体为：X
project
输入自注意力层，计算自注意力特征的第一步是从每个编码器的输入向量中生成三个向量，分别为查询向量q、键向量k和值向量v；计算自注意力的第二步是计算得分，即表示对当前时间步i进行编码时，要对其他时间
步的关注程度，分数是通过当前时间步的查询向量和其他时间步j的键向量做点积得到的：其中，q
i
表示当前时间步i的查询向量；k
j
表示其它时间步j的键向量；计算自注意力的第三步是将得分除以键向量维度的平方根并通过softmax层，使所有单词的分数归一化，得到的分数都是正值且和为1；计算自注意力的第四步是每个值向量乘以softmax后得到的分数，并将其求和：其中，v
i
表示当前时间步i的值向量；然后，Z被送入特征提取的前馈层中，其中包括两个线性变换层，使用ReLU激活函数，得到前馈层输出结果；然后，对前馈层的输出结果进行残差连接和归一化操作，得到第一个编码器的输出Z
*

【专利技术属性】
技术研发人员：朱梦韬，张紫薇，李云杰，廖萌萌，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：