CN112084906A - 雷达脉冲信号分类方法、装置、计算机设备和存储介质 - Google Patents
雷达脉冲信号分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112084906A CN112084906A CN202010876960.XA CN202010876960A CN112084906A CN 112084906 A CN112084906 A CN 112084906A CN 202010876960 A CN202010876960 A CN 202010876960A CN 112084906 A CN112084906 A CN 112084906A
- Authority
- CN
- China
- Prior art keywords
- radar pulse
- signal
- pulse signal
- pulse signals
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000012360 testing method Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及计算机技术领域，特别是涉及一种雷达脉冲信号分类方法、装置、计算机设备和存储介质。所述方法包括：获取待分类脉冲信号；对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据；通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。采用本方法能够提升分类准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种雷达脉冲信号分类方法、装置、计算机设备和存储介质。
背景技术
在复杂电磁环境下，侦察情报具有大数据、小样本和不完备特性。随着雷达辐射源数量和种类的急剧增加，时域、频域以及空域电磁环境日益复杂，侦察情报数据呈指数增加，使得情报处理工作量急剧增加。
对侦察情报数据通常是区分雷达发射的电磁波形的样式，以确定雷达工作的探测目的，比如，扫描、跟踪、测距以及测速等。
传统方式中，是基于数据驱动的分类算法对雷达脉冲信号进行分类处理。但是基于数据驱动的分类算法需要大量已标注数据进行模型训练，难以应对现阶段复杂电磁环境下侦察数据的大数据、小样本和不完备特性，从而，使得雷达脉冲信号的分类准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升分类准确性的雷达脉冲信号分类方法、装置、计算机设备和存储介质。
一种雷达脉冲信号分类方法，所述方法包括：
获取待分类脉冲信号；
对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据；
通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
在其中一个实施例中，对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，包括：
按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号；
基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数；
根据第一图像通道参数、第二图像通道参数以及第三图像通道参数，生成对应待分类脉冲信号数据的图像数据。
在其中一个实施例中，按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，还包括：
从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号；
基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数，包括：
基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类目标信号参数，确定对应各雷达脉冲信号的各类目标信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在其中一个实施例中，第一图像通道参数的生成方式包括：
基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值；
根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差；
根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
在其中一个实施例中，根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数，包括；
判断当前类信号参数的组内最值差是否小于或等于预设阈值；
当当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数；
当当前类信号参数的组内最值差大于预设阈值时，则根据当前脉冲信号的当前类信号参数、当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的组内最大值以及组内最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
在其中一个实施例中，第二图像通道参数的生成方式包括：
根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值；
根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
在其中一个实施例中，雷达脉冲信号分类网络的训练方式包括：
获取备选集数据，并对备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据；
对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据；
将各分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据；
从多个分类中确定第一预设数量的多个目标分类，并从各目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据；
根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在其中一个实施例中，根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络，包括：
将确定的第三数量的图像数据分为训练集图像数据以及测试集图像数据；
基于预设的训练参数，通过训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练；
根据测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果；
基于测试结果，确定初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数；
重新从多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试。
一种雷达脉冲信号分类装置，所述装置包括：
待分类脉冲信号获取模块，用于获取待分类脉冲信号；
转换模块，用于对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据；
分类处理模块，用于通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述雷达脉冲信号分类方法、装置、计算机设备和存储介质，通过获取待分类脉冲信号，然后对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，进一步通过雷达脉冲信号分类网络对图像进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络基于小样本分类训练方式训练生成。从而，通过将待分类脉冲信号转换为图像数据，使得转换后的数据保留了原始数据的数据特征，在通过雷达脉冲信号分类网络进行分类的时候，可以提升分类的准确性。并且，由于雷达脉冲信号分类网络通过小样本分类训练方式进行训练，可以减少训练数据，节约训练时间，提升网络的训练效率。
附图说明
图1为一个实施例中雷达脉冲信号分类方法的应用场景图；
图2为一个实施例中雷达脉冲信号分类方法的流程示意图；
图3为一个实施例中待处理脉冲信号分组步骤的示意图；
图4为一个实施例中图像转换步骤的示意图；
图5为一个实施例中信号参数筛选步骤的示意图；
图6为一个实施例中雷达脉冲信号分类网络训练的流程示意图；
图7为一个实施例中雷达脉冲信号分类装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的雷达脉冲信号分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102采集待分类脉冲信号，并发送至服务器104。服务器104在接收到待分类脉冲信号后，可以对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据。进一步，服务器104通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。其中，终端102可以但不限于是各种可以采集雷达脉冲信号的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种雷达脉冲信号分类方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取待分类脉冲信号。
其中，待分类脉冲信号是指在复杂电磁环境下所获取到的雷达脉冲信号数据。待分类脉冲信号中可以包括多个雷达脉冲信号，各雷达脉冲信号可以确定雷达工作中不同的探测目的，比如，扫描、跟踪、测距以及测速等。
在本实施例中，待分类脉冲信号可以是对终端采集的初始脉冲信号进行信号分选后的信号，例如，通过信号分选确定的对应各雷达辐射源的信号，即对应各雷达的信号。
在本实施例中，各雷达脉冲信号可以包括多类信号参数，可以包括但不限于脉冲信号的到达时间(TOA，time-of-arrival)、载频(RF，radio frequency)、脉宽(PW，PulseWidth)、脉幅(PA，pulse amplitude)、到达方位(DOA，direction-of-arrival)、脉冲重复间隔(PRI，Pulse Repetition Interval)、脉冲ID号(Identity document)等。
步骤S204，对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据。
在本实施例中，服务器可以基于待分类脉冲信号中各雷达脉冲信号的各类信号参数，对待分类脉冲信号进行图像转换，转换为图像数据。
具体地，服务器可以将各信号参数转换为对应的图像通道参数，以得到对应的图像数据。
步骤S206，通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
其中，雷达脉冲信号分类网络用于对转换后的图像数据进行识别分类处理，以基于转换后的图像数据确定待分类脉冲信号中各雷达脉冲信号的分类，确定对应的分类结果，即确定各雷达脉冲信号的探测目的为扫描、跟踪、测距以及测速等。
在本实施例中，雷达脉冲信号分类网络可以是图神经网络模型，雷达脉冲信号分类网络可以对图像数据进行特征提取，并基于提取的特征对各雷达脉冲信号进行分类。
在本实施例中，雷达脉冲信号分类网络可以是预先训练并测试完成的网络，雷达脉冲信号识别网络可以通过小样本分类训练方式训练生成。
具体地，服务器在每次进行训练的时候，通过N-way-K-shot的方式获取训练数据，并进行模型的训练。即每次训练的时候，从数据集里抽取N类的数据，每一类数据由K个样本构成，这样就形成了一个小型分类任务的数据集。
上述雷达脉冲信号分类方法中，通过获取待分类脉冲信号，然后对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，进一步通过雷达脉冲信号分类网络对图像进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络基于小样本分类训练方式训练生成。从而，通过将待分类脉冲信号转换为图像数据，使得转换后的数据保留了原始数据的数据特征，在通过雷达脉冲信号分类网络进行分类的时候，可以提升分类的准确性。并且，由于雷达脉冲信号分类网络通过小样本分类训练方式进行训练，可以减少训练数据，节约训练时间，提升网络的训练效率。
在其中一个实施例中，对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，可以包括：按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号；基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数；根据第一图像通道参数、第二图像通道参数以及第三图像通道参数，生成对应待分类脉冲信号数据的图像数据。
其中，预设分组条件是指预先定义好的分组条件，例如，预先设定随机均分为10组。
第一图像通道参数、第二图像通道参数以及第三图像通道参数是指组成图像数据的图像通道的参数，例如，对于RGB彩色图像数据，第一图像通道参数、第二图像通道参数以及第三图像通道参数分别对应于图像数据的R通道、G通道以及B通道的参数。
在本实施例中，服务器按照预先设定的分组条件，将待分类脉冲信号中的雷达脉冲信号分为多组雷达脉冲信号，各组雷达脉冲信号中信号的数量均衡相等。
进一步，服务器根据各组雷达脉冲信号中各雷达脉冲信号的信号参数，对雷达脉冲信号的各信号参数进行转换，生成对应各参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在本实施例中，服务器通过遍历各组雷达脉冲信号的各雷达脉冲信号的各脉冲参数，以生成对应待分类脉冲信号数据的图像数据。
上述实施例中，通过对待分类脉冲信号进行分组并进行通道参数的确定，然后根据确定的通道参数生成对应的图像数据，从而使得可以将雷达脉冲信号转换为图像数据，便于后续通过模型对各雷达脉冲信号进行分类。
在其中一个实施例中，按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，还可以包括：从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号。
如前所述，各雷达脉冲信号可以包括多类信号参数，可以包括但不限于脉冲信号的到达时间TOA、载频RF、脉宽PW、脉幅PA、到达方位DOA、脉冲重复间隔PRI、脉冲ID号等。
经典的雷达辐射源样式识别算法是基于载频RF、脉宽PW、脉幅PA到达方位DOA、脉冲重复间隔PRI这五个参数进行的。有些技术为提高识别准确率，可能会将雷达脉冲信号中频率信息也考虑在内。
基于几个脉冲参数对待分类脉冲信号进行识别，按技术路线的不同可以分为四大类，即基于时域特征的分类(瞬时幅度、瞬时相位)、基于频域特征的分类(傅里叶频谱、双谱等)、基于时频域特征的分类以及基于数据驱动的技术。
其中，基于数据驱动的技术则直接利用有监督的深度学习或机器学习方法，先对数据进行训练，而后用得到的分类器对辐射源样式数据进行识别，在网络设计方面朝着将特征提取、距离计算、类别划分等具备不同功能的部分进行组合这种方式演进。
但是，基于数据驱动的分类算法需要大量已标注数据进行模型训练，难以应对现阶段复杂电磁环境下待分类脉冲信号的大数据、小样本和不完备特性，即雷达脉冲信号虽多，但有标签、高质量的数据少，且不能完全覆盖所有的雷达的工作样式。
其中，组待转换雷达脉冲信号中待转换脉冲信号的数量与组雷达脉冲信号中雷达脉冲信号的数量相等，各待转换脉冲信号仅包括对应的各脉冲信号的部分脉冲参数。
在本实施例中，参考图3(c)，服务器得到各组雷达脉冲信号后，可以根据各组雷达脉冲信号中的各雷达脉冲信号的各参数，生成对应的脉冲矩阵。矩阵的横向方向为同一雷达脉冲信号的多个脉冲参数，即分别对应为到达时间TOA、载频RF、脉宽PW、脉幅PA、到达方位DOA、脉冲重复间隔PRI、脉冲ID号的参数，矩阵的纵向方向为同一组雷达脉冲信号中的多个雷达脉冲信号。
在本实施例中，服务器可以中脉冲矩阵中选取满足预设条件的多类目标信号参数，例如，服务器根据预设条件，选择载频RF、脉宽PW以及脉冲重复间隔PRI三类脉冲参数，以生成对应的待转换雷达脉冲矩阵，即得到各组待转换雷达脉冲信号，如图4(a)所示。
具体地，参考图5，服务器可以根据参数变化数学模型以及工作模式变化专家知识库从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号。
在本实施例中，基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数，可以包括：基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类目标信号参数，确定对应各雷达脉冲信号的各类目标信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在本实施例中，服务器可以根据各组待转换雷达脉冲信号种各雷达脉冲信号的各类目标信号参数，确定对应各雷达脉冲信号的各类目标信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数
在其中一个实施例中，第一图像通道参数的生成方式可以包括：基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值；根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差；根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
如前所述，多类信号参数可以包括到达时间TOA、载频RF、脉宽PW、脉幅PA、到达方位DOA、脉冲重复间隔PRI以及脉冲ID号。
在本实施例中，对于同一组雷达脉冲信号中的多个雷达脉冲信号，其同一类信号参数，例如，载频RF，服务器可以确定同一组雷达脉冲信号中多个雷达脉冲信号的载频RF的最大值以及最小值，即组内最大值r_max以及组内最小值r_min。同理，服务器也可以确定脉宽PW的组内最大值和组内最小值，以及脉冲重复间隔PRI的组内最大值和组内最小值。
在本实施例中，服务器在确定各类信号参数的组内最大值r_max以及组内最小值r_min之后，可以将各类信号参数的组内最大值r_max与组内最小值r_min相减，以得到对应的信号参数的组内最值差r_max-r_min。
在本实施例中，服务器遍历各组雷达脉冲信号以及各组雷达脉冲信号的各类信号参数，可以得到对应各组雷达脉冲信号的各类信号参数的组内最值差r_max-r_min，即对应第一组雷达脉冲信号中信号参数载频RF的组内最值差、第一组雷达脉冲信号中信号参数脉宽PW的组内最值差、第一组雷达脉冲信号中信号参数脉冲重复间隔PRI的组内最值差，以及对应第二组雷达脉冲信号、第三组雷达脉冲信号…第N组雷达脉冲信号的各类信号参数的组内最值差等。
在本实施例中，服务器在确定对应各类信号参数对应的各组内最值差之后，可以根据各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各组雷达脉冲信号中各雷达脉冲信号的各类信号参数的第一图像通道参数，即分别确定各雷达脉冲信号的载频RF对应的第一图像通道参数、脉宽PW对应的第一图像通道参数以及脉冲重复间隔PRI对应的第一图像通道参数等。
上述实施例中，通过基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值，然后根据组内最值差确定对应的信号参数的第一图像通道参数，从而使得图像转换保留了雷达脉冲信号中的数值特征，提升转换的准确性，进而提升分类的准确性。
在其中一个实施例中，根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数，可以包括；判断当前类信号参数的组内最值差是否小于或等于预设阈值；当当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数；当当前类信号参数的组内最值差大于预设阈值时，则根据当前脉冲信号的当前类信号参数、当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的组内最大值以及组内最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
在本实施例中，服务器在确定各类信号参数对应的各组内最值差之后，可以根据预设阈值，例如，预设阈值为255，对各类信号参数对应的各组内最值差进行判定。
在本实施例中，当服务器确定当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值r_min，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。例如，对于载频RF，当服务器确定其对应的组内最值差r_max-r_min小于或等于255时，则服务器可以根据该组雷达脉冲信号中各雷达脉冲信号的载频RF的值matrix_R，以及该组雷达脉冲信号中载频RF的组内最小值r_min，得到各雷达脉冲信号的载频差，即matrix_R-r_min，并将该载频差作为当前脉冲信号的载频RF对应的第一图像通道参数。
在本实施例中，当服务器确定当前类信号参数的组内最值差大于预设阈值时，服务器可以通过公式(1)确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
同理，服务器可以基于上述方案得到对应各当前脉冲信号的其他信号参数的第一图像通道参数。
上述实施例中，通过信号参数的组内最值差分情况对各类信号参数对应的第一图像通道参数进行求解，使得第一图像通道参数基于雷达脉冲信号的实际变化规律确定，从而可以提升图像转换的准确性，进而可以提升分类的准确性。
在其中一个实施例中，第二图像通道参数的生成方式可以包括：根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值；根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
其中，组间最大值以及组间最小值是指在多组雷达脉冲信号中各信号参数的最大值以及最小值，即在待分类脉冲信号的所有雷达脉冲信号中各信号参数的最值。组间最大值表示为all_max，组间最小值表示为all_min。
在本实施例中，服务器可以通过公式(2)确定各当前脉冲信号的各信号参数对应的第二图像通道参数，即G通道参数。
在其中一个实施例中，服务器可以根据预设的第三图像通道参数的预设条件，确定对应各当前脉冲信号的各类信号参数的第三图像通道参数。例如，服务器确定各当前脉冲信号的各类信号参数的第三图像通道参数为1～254之间的任意数值，即得到B通道参数。
在其中一个实施例中，雷达脉冲信号分类网络的训练方式可以包括：获取备选集数据，并对备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据；对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据；将各分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据；从多个分类中确定第一预设数量的多个目标分类，并从各目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据；根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在本实施例中，服务器可以将获取的备选集数据划分为多个分类，例如，148个分类，每个分类表示雷达信号的一种探测目的。每个分类单独建立一个文件并给定一个文件名，如图3(a)。
进一步，服务器可以将各个分类中的雷达脉冲信号分为多个样本，例如，每个分类中包括10个样本，每个样式样本保存为txt格式，如图3(b)。每个txt文件包含7列，分别代表到达时间TOA、载频RF、载频RF、脉幅PA、到达方位DOA、脉冲重复间隔PRI以及脉冲ID号等信号参数，如图3(c)。
在本实施例中，10个txt分别是不同时间段的10段脉冲信号样本，都至少包含该样式的一个完整变化周期，即雷达探测完整的之间周期。
在本实施例中，服务器可以从样本txt文件中筛选出载频RF、载频RF以及脉冲重复间隔PRI等3列，即筛选出载频RF、载频RF以及脉冲重复间隔PRI三类信号参数，得到各分组样本数据，如图4(a)所示。
在本实施例中，服务器在得到各分组样本数据后，可以通过前文所述图像转换方式，对各分组样本数据进行图像转换，得到对应的图像数据，如图4(b)。
进一步，参考图6，服务器通过N-way-K-shot的方式从多个分类中获取图像数据，并进行模型的训练，即每次训练的时候，服务器从多个分类中确定第一预设数量的多个目标分类，例如，5个分类，并从各目标分类中确定第二预设数量的图像数据，例如，每个分类抽取5个样本，以得到第三数量的图像数据，然后根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在其中一个实施例中，根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络，可以包括：将确定的第三数量的图像数据分为训练集图像数据以及测试集图像数据；基于预设的训练参数，通过训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练；根据测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果；基于测试结果确定初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数；重新从多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试。
具体地，服务器在确定第三数量的图像数据，可以将获取的图像数据分为训练集图像数据S以及测试集图像数据B。
进一步，服务器初始化模型参数，并基于预设的训练参数，对通过训练集图像数据S对构建的初始雷达脉冲信号分类网络进行训练，得到训练结果，训练结果经判别器判别后输出。例如，训练的batchsize＝2，epoch＝10。
进一步，服务器在完成训练后，通过测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，以得到对应的测试。
具体地，服务器可以根据预先设置的测试参数以及测试集图像数据，对训练后的初始雷达脉冲信号分类网络进行测试，经判别器判别后，输出对应的测试结构，即输出类别标签。其中，预先设置的测试参数batchsize＝1，epoch＝1。
在本实施例中，服务器可以基于测试结果以及测试集图像数据，计算初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数。
进一步，服务器重新从多个分类中确定第一预设数量的目标分类，例如，确定5个分类，并从各目标分类中确定第二预设数量的图像数据，例如，从各分类中获取5各样本数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试，直至模型训练完成。
上述实施例中，通过使用小样本训练算法的方式进行网络的迭代训练，使得网络可以逐步学习类间差异，提升模型学习准确性，进而可以提升模型的识别准确性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种雷达脉冲信号分类装置，包括：待分类脉冲信号获取模块100、转换模块200和分类处理模块300，其中：
待分类脉冲信号获取模块100，用于获取待分类脉冲信号。
转换模块200，用于对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据。
分类处理模块300，用于通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
在其中一个实施例中，转换模块200可以包括：
分组子模块，用于按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号。
图像通道参数确认子模块，用于基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
图像数据生成子模块，用于根据第一图像通道参数、第二图像通道参数以及第三图像通道参数，生成对应待分类脉冲信号数据的图像数据。
在其中一个实施例中，上述装置还可以包括：
筛选模块，用于分组子模块按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号。
在本实施例中，图像通道参数确认子模块用于基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在其中一个实施例中，图像通道参数确认子模块可以包括：
第一图像通道参数生成单元，用于生成第一图像通道参数。
在本实施例中，第一图像通道参数生成单元可以包括：
组内最值确定子单元，用于基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值。
组内最值差确定子单元，用于根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差。
第一图像通道参数确定子单元，用于根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
在其中一个实施例中，第一图像通道参数确定子单元用于判断当前类信号参数的组内最值差是否小于或等于预设阈值；当当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数；当当前类信号参数的组内最值差大于预设阈值时，则根据当前脉冲信号的当前类信号参数、当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的组内最大值以及组内最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
在其中一个实施例中，图像通道参数确认子模块可以包括：
第二图像通道参数生成单元，用于生成第二图像通道参数。
在本实施例中，第二图像通道参数生成单元可以包括：
组间确定子单元，用于根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值。
第二图像通道参数确定子单元，用于根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
在其中一个实施例中，上述装置还可以包括：
模型训练模块，用于训练雷达脉冲信号分类网络。
在本实施例中，模型训练模块可以包括：
备选集数据获取子模块，用于获取备选集数据，并对备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据。
备选样本数据分组子模块，用于对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据。
图像转换子模块，用于将各分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据。
训练数据获取子模块，用于从多个分类中确定第一预设数量的多个目标分类，并从各目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据。
模型训练子模块，用于根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在其中一个实施例中，模型训练子模块可以包括：
训练集与测试集分类单元，用于将确定的第三数量的图像数据分为训练集图像数据以及测试集图像数据。
训练单元，用于基于预设的训练参数，通过训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练。
测试单元，用于根据测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果。
损失计算单元，用于根据测试结果，确定初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数。
迭代训练单元，用于重新从多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练。
测试单元，用于通过测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，以验证雷达脉冲信号分类网络是否训练完成。
关于雷达脉冲信号分类装置的具体限定可以参见上文中对于雷达脉冲信号分类方法的限定，在此不再赘述。上述雷达脉冲信号分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待分类脉冲信号、图像数据以及分类结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种雷达脉冲信号分类方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待分类脉冲信号；对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据；通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
在其中一个实施例中，处理器执行计算机程序时实现对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，可以包括：按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号；基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数；根据第一图像通道参数、第二图像通道参数以及第三图像通道参数，生成对应待分类脉冲信号数据的图像数据。
在其中一个实施例中，处理器执行计算机程序时实现按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，还可以实现以下步骤：从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号。
在本实施例中，处理器执行计算机程序时实现基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数，可以包括：基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在其中一个实施例中，处理器执行计算机程序时实现第一图像通道参数的生成方式可以包括：基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值；根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差；根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
在其中一个实施例中，处理器执行计算机程序时实现根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数，可以包括；判断当前类信号参数的组内最值差是否小于或等于预设阈值；当当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数；当当前类信号参数的组内最值差大于预设阈值时，则根据当前脉冲信号的当前类信号参数、当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的组内最大值以及组内最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
在其中一个实施例中，处理器执行计算机程序时实现第二图像通道参数的生成方式可以包括：根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值；根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
在其中一个实施例中，处理器执行计算机程序时实现雷达脉冲信号分类网络的训练方式可以包括：获取备选集数据，并对备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据；对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据；将各分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据；从多个分类中确定第一预设数量的多个目标分类，并从各目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据；根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在其中一个实施例中，处理器执行计算机程序时实现根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络，可以包括：将确定的第三数量的图像数据分为训练集图像数据以及测试集图像数据；基于预设的训练参数，通过训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练；根据测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果；基于测试结果确定初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数；重新从多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待分类脉冲信号；对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据；通过雷达脉冲信号分类网络对图像数据进行分类处理，得到待分类脉冲信号中各雷达脉冲信号的分类结果，雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
在其中一个实施例中，计算机程序被处理器执行时实现对待分类脉冲信号进行转换，得到对应待分类脉冲信号的图像数据，可以包括：按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号；基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数；根据第一图像通道参数、第二图像通道参数以及第三图像通道参数，生成对应待分类脉冲信号数据的图像数据。
在其中一个实施例中，计算机程序被处理器执行时实现按照预设分组条件对待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，还可以实现以下步骤：从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号。
在本实施例中，计算机程序被处理器执行时实现基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数，可以包括：基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
在其中一个实施例中，计算机程序被处理器执行时实现第一图像通道参数的生成方式可以包括：基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值；根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差；根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
在其中一个实施例中，计算机程序被处理器执行时实现根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数，可以包括；判断当前类信号参数的组内最值差是否小于或等于预设阈值；当当前类信号参数的组内最值差小于或等于预设阈值时，则根据当前脉冲信号的当前类信号参数以及当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数；当当前类信号参数的组内最值差大于预设阈值时，则根据当前脉冲信号的当前类信号参数、当前脉冲信号所在的组雷达脉冲信号数据中当前类信号参数的组内最大值以及组内最小值，确定对应当前脉冲信号的当前类信号参数的第一图像通道参数。
在其中一个实施例中，计算机程序被处理器执行时实现第二图像通道参数的生成方式可以包括：根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值；根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
在其中一个实施例中，计算机程序被处理器执行时实现雷达脉冲信号分类网络的训练方式可以包括：获取备选集数据，并对备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据；对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据；将各分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据；从多个分类中确定第一预设数量的多个目标分类，并从各目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据；根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
在其中一个实施例中，计算机程序被处理器执行时实现根据第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络，可以包括：将确定的第三数量的图像数据分为训练集图像数据以及测试集图像数据；基于预设的训练参数，通过训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练；根据测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果；基于测试结果确定初始雷达脉冲信号分类网络的损失值，并基于损失值更新初始雷达脉冲信号分类网络的网络参数；重新从多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种雷达脉冲信号分类方法，其特征在于，所述方法包括：
获取待分类脉冲信号；
对所述待分类脉冲信号进行转换，得到对应所述待分类脉冲信号的图像数据；
通过雷达脉冲信号分类网络对所述图像数据进行分类处理，得到所述待分类脉冲信号中各雷达脉冲信号的分类结果，所述雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
2.根据权利要求1所述的方法，其特征在于，所述对所述待分类脉冲信号进行转换，得到对应所述待分类脉冲信号的图像数据，包括：
按照预设分组条件对所述待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号；
基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数；
根据所述第一图像通道参数、所述第二图像通道参数以及所述第三图像通道参数，生成对应所述待分类脉冲信号数据的图像数据。
3.根据权利要求2所述的方法，其特征在于，所述按照预设分组条件对所述待分类脉冲信号的各雷达脉冲信号进行分组，得到多组雷达脉冲信号之后，还包括：
从各组雷达脉冲信号中筛选出满足预设条件的多类目标信号参数，并得到对应各组雷达脉冲信号的各组待转换雷达脉冲信号；
所述基于各组雷达脉冲信号中各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数，包括：
基于各组待转换雷达脉冲信号中各雷达脉冲信号的各类目标信号参数，确定对应各雷达脉冲信号的各类目标信号参数的第一图像通道参数、第二图像通道参数以及第三图像通道参数。
4.根据权利要求2或3所述的方法，其特征在于，所述第一图像通道参数的生成方式包括：
基于各组雷达脉冲信号中的多个雷达脉冲信号，确定各组雷达脉冲信号中各类信号参数的组内最大值和组内最小值；
根据各类信号参数的组内最大值和组内最小值，确定与各类信号参数对应的各组内最值差；
根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数。
5.根据权利要求4所述的方法，其特征在于，所述根据各类信号参数对应的各组内最值差以及各雷达脉冲信号的各类信号参数，确定对应各雷达脉冲信号的各类信号参数的第一图像通道参数，包括；
判断当前类信号参数的组内最值差是否小于或等于预设阈值；
当所述当前类信号参数的组内最值差小于或等于所述预设阈值时，则根据当前脉冲信号的当前类信号参数以及所述当前脉冲信号所在的组雷达脉冲信号数据中所述当前类信号参数的最小值，确定对应所述当前脉冲信号的当前类信号参数的第一图像通道参数；
当所述当前类信号参数的组内最值差大于所述预设阈值时，则根据所述当前脉冲信号的当前类信号参数、所述当前脉冲信号所在的组雷达脉冲信号数据中所述当前类信号参数的组内最大值以及组内最小值，确定对应所述当前脉冲信号的当前类信号参数的第一图像通道参数。
6.根据权利要求2或3所述的方法，其特征在于，所述第二图像通道参数的生成方式包括：
根据多组雷达脉冲信号的各雷达脉冲信号的各类信号参数，确定所述多组雷达脉冲信号中各类信号参数的组间最大值和组间最小值；
根据各类信号参数的组间最大值和组间最小值，以及当前脉冲信号的各类信号参数，确定对应当前脉冲信号的各类信号参数的第二图像通道参数。
7.根据权利要求1所述的方法，其特征在于，所述雷达脉冲信号分类网络的训练方式包括：
获取备选集数据，并对所述备选集数据进行分类处理，得到第一数量的多个分类的备选样本数据；
对各分类的备选样本数据进行分组，得到对应各分类的第二数量的多个分组样本数据；
将各所述分组样本数据进行图像转换，得到对应各分组样本数据的各图像数据；
从所述多个分类中确定第一预设数量的多个目标分类，并从各所述目标分类中确定第二预设数量的图像数据，得到第三数量的图像数据；
根据所述第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第三数量的图像数据对构建的初始雷达脉冲信号分类网络进行训练，得到训练完成的雷达脉冲信号分类网络，包括：
将确定的所述第三数量的图像数据分为训练集图像数据以及测试集图像数据；
基于预设的训练参数，通过所述训练集图像数据对构建的初始雷达脉冲信号分类网络进行训练；
根据所述测试集图像数据对训练后的初始雷达脉冲信号分类网络进行测试，得到测试结果；
基于所述测试结果确定所述初始雷达脉冲信号分类网络的损失值，并基于所述损失值更新所述初始雷达脉冲信号分类网络的网络参数；
重新从所述多个分类中确定第一预设数量的目标分类，并从各目标分类中确定第二预设数量的图像数据，以对网络参数更新后的初始雷达脉冲信号分类网络进行迭代训练与测试。
9.一种雷达脉冲信号分类装置，其特征在于，所述装置包括：
待分类脉冲信号获取模块，用于获取待分类脉冲信号；
转换模块，用于对所述待分类脉冲信号进行转换，得到对应所述待分类脉冲信号的图像数据；
分类处理模块，用于通过雷达脉冲信号分类网络对所述图像数据进行分类处理，得到所述待分类脉冲信号中各雷达脉冲信号的分类结果，所述雷达脉冲信号识别网络是基于小样本分类训练方式训练生成的。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876960.XA CN112084906A (zh) | 2020-08-27 | 2020-08-27 | 雷达脉冲信号分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876960.XA CN112084906A (zh) | 2020-08-27 | 2020-08-27 | 雷达脉冲信号分类方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112084906A true CN112084906A (zh) | 2020-12-15 |
Family
ID=73728733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010876960.XA Pending CN112084906A (zh) | 2020-08-27 | 2020-08-27 | 雷达脉冲信号分类方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084906A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
| CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
| CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
| CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
| CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
| CN111126226A (zh) * | 2019-12-17 | 2020-05-08 | 杭州电子科技大学 | 一种基于小样本学习和特征增强的辐射源个体识别方法 |
| CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
-
2020
- 2020-08-27 CN CN202010876960.XA patent/CN112084906A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
| CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
| CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
| CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
| CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
| CN111126226A (zh) * | 2019-12-17 | 2020-05-08 | 杭州电子科技大学 | 一种基于小样本学习和特征增强的辐射源个体识别方法 |
| CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
| US10896351B2 (en) | Active machine learning for training an event classification | |
| Dudczyk | A method of feature selection in the aspect of specific identification of radar signals | |
| CN110717540A (zh) | 一种对雷达新辐射源个体的识别方法及装置 | |
| CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
| Safaei et al. | Open-set automatic target recognition | |
| CN116664989B (zh) | 基于环境要素智能识别监测系统的数据分析方法及系统 | |
| CN112529112B (zh) | 一种矿物识别的方法和装置 | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
| CN112084906A (zh) | 雷达脉冲信号分类方法、装置、计算机设备和存储介质 | |
| CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
| Gupta et al. | Deep learning for morphological identification of extended radio galaxies using weak labels | |
| Yao et al. | Pulsar candidate selection by assembling positive sample emphasized classifiers | |
| RU2692420C2 (ru) | Способ идентификации и классификации объектов | |
| CN112232380B (zh) | 一种神经网络鲁棒性检测方法和装置 | |
| Ko et al. | Deep-learning-based precipitation nowcasting with ground weather station data and radar data | |
| Karanikolas et al. | Multi-kernel change detection for dynamic functional connectivity graphs | |
| CN108429589B (zh) | 基于光谱分析的光网络的光源及光路径识别方法 | |
| Dos Santos et al. | Performance comparison of convolutional neural network models for object detection in tethered balloon imagery | |
| CN115185814B (zh) | 一种基于二维程序频谱的多缺陷定位方法、系统及设备 | |
| Iliashov | Synthesis of algorithms for recognition of vulnerabilities in web resources using signatures of fuzzy linguistic features | |
| US20210134399A1 (en) | Calcium analysis | |
| Heide et al. | A step towards explainable artificial neural networks in image processing by dataset assessment | |
| JP2020181265A (ja) | 情報処理装置、システム、情報処理方法及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |