一种基于载频辅助注意力网络的雷达目标稳健识别方法技术

本发明专利技术公开了一种基于载频辅助注意力网络的雷达目标稳健识别方法，包括：生成由多个载频的雷达高分辨距离像数据组成的训练数据集以及由对应载频组成的辅助信息数据集；构建载频辅助注意力网络，该载频辅助注意力网络包括嵌入层生成子网络和ViT子网络，其中，嵌入层生成子网络用于对输入雷达高分辨距离像数据的载频信息进行编码，ViT子网络用于对输入雷达高分辨距离像数据进行识别；利用辅助信息数据集和训练数据集对载频辅助注意力网络进行训练；利用预先训练完成的载频辅助注意力网络对高分辨距离像数据进行识别。本发明专利技术将载频信息加入网络的训练过程，使得网络能学习出当前载频下最具可分性的特征，提高网络对不同载频数据的识别能力。数据的识别能力。数据的识别能力。

【技术实现步骤摘要】
一种基于载频辅助注意力网络的雷达目标稳健识别方法


[0001]本专利技术属于雷达目标识别
，具体涉及一种基于载频辅助注意力网络的雷达目标稳健识别方法。

技术介绍

[0002]雷达高分辨距离像是用宽带雷达信号获取的目标散射点子回波在雷达视线方向上投影的向量和，反映了目标散射点沿距离维的分布情况，是目标重要的结构特征，可用于目标识别。根据散射点模型可知，载频变化会影响高分辨距离像的幅度值，对回波影响很大。通常情况下，雷达是在某一特定载频下建立数据库的，然而在实际工作过程中，为了抗干扰，雷达需要对载频进行调整，这就导致训练集与测试集之间的分布失配，模型的识别性能将会下降甚至失去识别的能力。注意力机制网络模型因其具有强大的特征提取能力，已经被广泛应用于图像识别领域。类似地，也可将其应用到雷达高分辨距离像的识别中。
[0003]专利文献“基于一维卷积神经网络的雷达高分辨距离像目标识别方法”(申请号：201710838721.3)提出了一种基于一维卷积神经网络的雷达高分辨距离像目标识别方法，当雷达载频改变后，该方法的识别能力将会下降。针对载频变化的场景，此方法需要建立所有载频的数据库，并对模型进行重新训练，然而建立规模如此庞大的数据库并且重新训练模型所需的成本是非常高的。
[0004]专利文献“针对雷达载频变换的高分辨距离像目标稳健识别方法”(申请号：202110490722.X)提出了一种基于迁移学习的雷达载频变化的稳健目标识别方法。该方法对每个新载频的识别任务，都需要重新利用新载频的数据对原载频的模型进行微调，无法利用同一个模型来对不同载频的样本进行识别，而且当原载频的样本规模较小时，该方法的性能将会下降。

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基于载频辅助注意力网络的雷达目标稳健识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种基于载频辅助注意力网络的雷达目标稳健识别方法，包括：
[0007]步骤1：生成由多个载频的雷达高分辨距离像数据组成的训练数据集以及由对应载频组成的辅助信息数据集；
[0008]步骤2：构建载频辅助注意力网络，所述载频辅助注意力网络包括嵌入层生成子网络和ViT子网络，其中，所述嵌入层生成子网络用于对输入雷达高分辨距离像数据的载频信息进行编码，获得辅助权重信息，所述ViT子网络用于对输入雷达高分辨距离像数据进行识别；
[0009]步骤3：利用所述辅助信息数据集和所述训练数据集对所述载频辅助注意力网络进行训练；
[0010]步骤4：利用预先训练完成的载频辅助注意力网络对原始高分辨距离像数据进行
目标识别。
[0011]在本专利技术的一个实施例中，所述步骤1包括：
[0012]步骤1.1：获取包含K个载频下的M类目标的雷达高分辨距离像回波数据组成训练回波数据集，K≥6，M≥5；
[0013]步骤1.2：对所述训练回波数据集进行滑窗处理，得到序列长度为N的训练数据集，其中，所述训练数据集的序列长度N由高分辨距离像回波数据的维度决定；
[0014]步骤1.3：对所有K个载频下的M类目标的训练数据集设置类别标签，标签值为：0,1，...，M
‑
1；
[0015]步骤1.4：将所述训练数据集中每个数据的载频单独记录作为当前数据的辅助信息，所有样本的载频信息组成辅助信息数据集。
[0016]在本专利技术的一个实施例中，所述嵌入层生成子网络包括依次连接的第一全连接层、第二全连接层和第三全连接层。
[0017]在本专利技术的一个实施例中，所述第一全连接层、所述第二全连接层和所述第三全连接层的权重维度大小分别设置为1
×
8、8
×
32和32
×
2560，每个全连阶层的激活函数均为ReLU激活函数。
[0018]在本专利技术的一个实施例中，所述ViT子网络包括依次连接的嵌入层、位置编码模块、两个Transformer编码层和分类头，其中，
[0019]所述嵌入层用于对雷达高分辨距离像滑窗生成的数据进行编码，得到嵌入特征其中，E为嵌入层的权重参数；
[0020]所述位置编码模块用于将所述嵌入特征与分类标志x
class
进行拼接，得到拼接后的嵌入特征并将拼接后的嵌入特征与位置编码E
pos
进行相加，得到位置编码后的特征
[0021]所述两个Transformer编码层用于对位置编码后的特征进行特征提取；
[0022]所述分类头用于根据提取的特征对目标进行分类。
[0023]在本专利技术的一个实施例中，所述S3包括：
[0024]步骤3.1：对所述载频辅助注意力网络的权重进行高斯初始化；
[0025]步骤3.2：将所述训练数据集对应的辅助信息数据集输入至所述嵌入层生成子网络中，生成辅助信息权重；
[0026]步骤3.3：将步骤3.2得到的辅助信息权重作为ViT子网络中嵌入层的权重，并将训练数据集中的训练数据输入至所述ViT子网络，获得预测分类标签。
[0027]在本专利技术的一个实施例中，所述S3还包括：
[0028]将所述训练数据集对应的辅助信息数据集中相同载频数据打包成一个载频小批次，再将每个载频对应的小批次训练数据依次输入所述载频辅助注意力网络中；
[0029]在所有载频小批次的训练数据输入至所述载频辅助注意力网络后，利用反向传播算法对一次混合训练所有载频总的损失函数进行优化，迭代更新所述载频辅助注意力网络的各层参数，直至网络收敛或达到最大设置的训练轮次，最终得到训练完成的载频辅助注
意力网络。
[0030]在本专利技术的一个实施例中，一次混合训练所有载频总的损失函数为：
[0031][0032]其中，K表示训练数据集中包含的载频总数，B表示切分后每个载频小批次的样本数，H表示交叉熵损失函数，loss
k
表示第k个载频小批次的损失函数，表示第k个载频小批次中第i个训练样本的标签值，表示第k个载频小批次中第i个训练样本的预测分类标签，Σ
·
表示求和操作。
[0033]与现有技术相比，本专利技术的有益效果有：
[0034]1、本专利技术的雷达目标稳健识别方法将载频辅助信息加入到网络的训练过程，提高了网络对不同载频数据的识别能力，并加速了网络的收敛。利用注意力机制ViT网络对高分辨距离像进行识别，进一步提升了网络的识别性能。
[0035]2、本专利技术的雷达目标稳健识别方法对不同载频数据的识别问题，不需要采集多个载频下完整的数据集，大大降低了建库成本，且只需对网络进行一次训练，降低了训练网络所需的时间成本。
[0036]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
[0037]图1是本专利技术实施例提供的一种基于载频辅助注意力网络的雷达目标稳健识别方法的流程图；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于载频辅助注意力网络的雷达目标稳健识别方法，其特征在于，包括：步骤1：生成由多个载频的雷达高分辨距离像数据组成的训练数据集以及由对应载频组成的辅助信息数据集；步骤2：构建载频辅助注意力网络，所述载频辅助注意力网络包括嵌入层生成子网络和ViT子网络，其中，所述嵌入层生成子网络用于对输入雷达高分辨距离像数据的载频信息进行编码，获得辅助权重信息，所述ViT子网络用于对输入雷达高分辨距离像数据进行识别；步骤3：利用所述辅助信息数据集和所述训练数据集对所述载频辅助注意力网络进行训练；步骤4：利用预先训练完成的载频辅助注意力网络对原始高分辨距离像数据进行目标识别。2.根据权利要求1所述的基于载频辅助注意力网络的雷达目标稳健识别方法，其特征在于，所述步骤1包括：步骤1.1：获取包含K个载频下的M类目标的雷达高分辨距离像回波数据，组成训练回波数据集，K≥6，M≥5；步骤1.2：对所述训练回波数据集进行滑窗处理，得到序列长度为N的训练数据集，其中，所述训练数据集的序列长度N由高分辨距离像回波数据的维度决定；步骤1.3：对所有K个载频下的M类目标的训练数据集设置类别标签，标签值为：0,1，...，M
‑
1；步骤1.4：将所述训练数据集中每个数据的载频单独记录作为当前数据的辅助信息，所有样本的载频信息组成辅助信息数据集。3.根据权利要求1所述的基于载频辅助注意力网络的雷达目标稳健识别方法，其特征在于，所述嵌入层生成子网络包括依次连接的第一全连接层、第二全连接层和第三全连接层。4.根据权利要求3所述的基于载频辅助注意力网络的雷达目标稳健识别方法，其特征在于，所述第一全连接层、所述第二全连接层和所述第三全连接层的权重维度大小分别设置为1
×
8、8
×
32和32
×
2560，每个全连阶层的激活函数均为ReLU激活函数。5.根据权利要求3所述的基于载频辅助注意力网络的雷达目标稳健识别方法，其特征在于，所述ViT子网络包括依次连接的嵌入层、位置编码模块、两个Trans...

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