【技术实现步骤摘要】
一种基于轻量化Transformer的HRRP序列识别方法
[0001]本专利技术涉及雷达
,具体是指一种基于轻量化Transformer的HRRP序列识别方法。
技术介绍
[0002]雷达自动目标识别在军事和民用领域均具有广泛的应用。当前,高分辨距离像(HRRP)因为具有易于获取,便于处理和存储空间小的优势,被广泛应用于雷达自动目标识别。HRRP是目标回波沿雷达视线方向的矢量和,包含丰富的目标结构和散射点分布信息,对目标识别具有重要的应用价值,已经广泛用于飞机、舰船、弹道导弹、地面目标的识别。
[0003]雷达在探测运动目标时与目标发生相对运动,可以获得多个方位角的回波信息,连续方位角的HRRP即构成HRRP序列,通过对HRRP序列之间的相关性进行建模,能够有效提取目标的动态时间特征,进行高效地目标识别。HRRP序列是一种是特殊的多变量时间序列,因HRRP特征维度较大,且在真实场景中包含大量噪声信息,当前的方法HRRP识别方法对全局信息的感知能力受限,对目标信息的表示能力不强。所以,对全局信息进行特征增强和特征提取是进一步提高HRRP序列识别性能的关键问题。
[0004]传统的HRRP序列识别方法,依赖于人工提取可分辨性高的特征。例如,Timothy等人提出一种基于隐马尔可夫模型(HMM)的识别方法,从高分辨率(HRR)雷达信号幅度与目标距离剖面中提取了六个功率谱特征,使用HMM进行识别。Du等人提出一种基于双分布复合统计模型的识别方法,根据散射中心模型的距离单元中优势散射点的数量,将距离单元 ...
【技术保护点】
【技术特征摘要】
1.一种基于轻量化Transformer的HRRP序列识别方法,其特征在于,包括以下步骤:S1、采用旋转位置编码为HRRP序列嵌入位置信息;旋转位置编码是一种乘性编码,通过绝对位置编码的方式实现相对位置编码,旋转位置编码的计算如下:假设HRRP序列为X=[x1,x2,...,x
N
],其中N表示序列长度,传统的绝对位置编码在嵌入层之后增加位置信息,绝对位置编码嵌入位置信息的计算方式为f(x
i
,i)=W(x
i
+p
i
)(1)其中i为x
i
的位置,是一个可训练的d维的位置向量,d取决于x
i
,相对位置编码是在自注意力机制中增加相对位置信息,嵌入相对位置的计算方式为其中是可训练的相对位置矩阵,c=clip(m
‑
n,r
min
,r
max
)表示位置m和n的相对位置,随着相对位置之间距离的增加,数据之间的相关性减弱,故c设置了限制范围r
max
,超过限制范围则认为相关性一致;增加位置矩阵后,绝对位置矩阵在自注意力机制计算注意力权值过程为相对位置编码的核心思想是将第三项和第四项中嵌入的绝对位置向量p
n
替换为相对位置向量p
m
‑
n
,并将第三项和第四项中的替换为两个可训练的向量u
T
和v
T
,为了区分内容和位置,参数矩阵分别用W
k
和W
k
′
,所以在相对位置编码中自注意力机制计算权值方式变为旋转位置编码对相对位置编码进行改进,其计算为其中旋转矩阵为其中旋转位置编码在自注意力机制计算注意力权值时,可以得到
S2、提出一种局部聚合注意力单元(LAU),利用分组线性变换能够有效地聚合和提取局部特征,利用自注意力机制实现对全局信息地感知和增强;LAU包括分组线性变换、非线性激活、层归一化、自注意力机制和残差连接,通过局部特征聚合和全局感知有效地进行特征增强,将经过编码的向量I=g(X)作为LAU的输入,经过LAU进行局部特征聚合和全局特征增强,输出增强后的特征F,在局部特征聚合阶段,假设共有L层分组线性变换,在前层做升维操作,剩余的层进行降维,计算各层分组线性变换的分组数量具体的过程为式中n
l
为第l层分组线性变换的组的数量,n
max
为分组线性变换的组的数量的最大值,各层分组线性变换的计算为式中,M(
·
)表示进行残差拼接、非线性激活函数GELU和层归一化操作,局部特征聚合对局部特征通过先升维再降维的方式得到深层的局部特征,且在每一层分组线性变换中均采用残差拼接操作,避免模型加深丢失原始信息,低维的聚合特征更加易...
【专利技术属性】
技术研发人员:王鹏,王晓丹,宋亚飞,向前,李京泰,
申请(专利权)人:中国人民解放军空军工程大学,
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。