【技术实现步骤摘要】
本专利技术涉及一种雷达微动特征深度学习时频表示方法，属于雷达信号处理。
技术介绍
1、无人机和飞鸟是典型的“低慢小”目标，具有飞行高度低、机动性强、雷达散射截面积小等低可观测性质，使得雷达对其进行探测识别变得困难。近年来，随着无人机的发展，各种黑飞事件也是层出不穷，严重影响飞行安全，因此对“低慢小”目标的检测与识别意义重大。
2、微多普勒效应是雷达照射到运动目标时，除了目标整体的平动外，可能还存在旋转、振动等微小运动形式，在多普勒频谱上形成额外边带的现象。微动特性分析与提取已经成为雷达目标分类、检测和识别的重要研究方面。对目标的微多普勒特性分析时，通常将信号变换到时频域，微动目标信号具有非平稳、时变等特点，在时频域内分析，能够很好的揭示信号中包含的频率分量和瞬时变化特性。目标的微动雷达回波通常为多分量信号，并且信号成分相对主体回波强度较弱，因此，研究高时频分辨率的时频分布来表征目标微动特征显得格外重要。
3、近年来，不少学者提出了通过基于传统的时频分析方法获取目标信号微动特征，但是当前大多学者提出的分析微动特征的...
【技术保护点】
1.一种雷达微动特征深度学习时频表示方法，其特征在于包括以下步骤：
2.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于所述信号输入模块，对输入的一维复值信号进行归一化处理，表示为：
3.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于步骤2中所述基函数选择模块由卷积神经网络中的卷积模块的卷积层实现，没有偏置项的卷积层的卷积过程由下列公式表示：
4.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于步骤2中所述特征聚集模块，引入注意力机制中的通道和空间注意力来提升模型微动特征...
【技术特征摘要】
1.一种雷达微动特征深度学习时频表示方法，其特征在于包括以下步骤：
2.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于所述信号输入模块，对输入的一维复值信号进行归一化处理，表示为：
3.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于步骤2中所述基函数选择模块由卷积神经网络中的卷积模块的卷积层实现，没有偏置项的卷积层的卷积过程由下列公式表示：
4.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于步骤2中所述特征聚集模块，引入注意力机制中的通道和空间注意力来提升模型微动特征的表示能力，通道注意力机制为：
5.按照权利要求1所述的一种雷达微动特征深度学习时频表示方法，其特征在于步骤2中所述能量集中模块，使用残差连接的卷积自编码器对集中时频特征聚集后的特征图实现高聚集性，得到高聚集性的时频图；能量集中模块中，有20层编码器和20层解码器通过残差结构连接，每个编码器由一个二维卷积层和一个relu层组成，每个解...
【专利技术属性】
技术研发人员：陈小龙，王金豪，关键，苏宁远，刘珮，薛永华，王洪永，赵志坚，
申请(专利权)人：中国人民解放军海军航空大学，
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。