CN113311406B - 基于多通道注意力网络的飞机时频域旋翼参数估计方法 - Google Patents
基于多通道注意力网络的飞机时频域旋翼参数估计方法 Download PDFInfo
- Publication number
- CN113311406B CN113311406B CN202110588568.XA CN202110588568A CN113311406B CN 113311406 B CN113311406 B CN 113311406B CN 202110588568 A CN202110588568 A CN 202110588568A CN 113311406 B CN113311406 B CN 113311406B
- Authority
- CN
- China
- Prior art keywords
- layer
- multichannel
- frequency domain
- time
- rotor
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多通道注意力网络的飞机时频域旋翼参数估计方法,旨在解决传统飞机目标旋翼参数估计方法速度慢及旋翼参数估计不具有独立性的问题。本发明主要包括以下步骤:(1)生成训练集;(2)构建多通道注意力卷积网络;(3)训练多通道注意力卷积网络;(4)获得待估计的时频域信号矩阵对应的旋翼参数。本发明具有更好地快速且独立的提取飞机目标每个旋翼参数的优点。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及雷达目标识别技术领域中的一种基于多通道注意力网络的飞机时频域旋翼参数估计方法。本发明可用于对直升飞机和螺旋桨飞机等具有旋翼部件的飞机目标进行旋翼部件的物理参数和运动参数估计,所估计的旋翼部件的物理参数和运动参数可用于飞机目标的识别。
背景技术
利用飞机目标旋翼的时频信号矩阵,可实现对飞机目标旋翼的物理参数以及运动参数的估计。在保证参数估计精度的前提下,可以将估计得到的参数与典型飞机目标型号的旋翼部件参数进行比对,从而达到对飞机目标准确识别的目的。目前飞机目标在时频域的旋翼参数的估计常用方法有霍夫变换、逆拉东变换、短时傅里叶变换等。使用以上方法进行参数估计各有优劣,且针对估计的参数不同需选择不同的算法和阈值配合完成参数估计。
西安电子科技大学在其申请的专利文献“基于旋翼物理参数估计实现飞机目标分类的方法”(申请号201410662970.8,申请公布号CN 104330784 B)中公开了一种基于旋翼物理参数估计实现飞机目标分类的方法。该方法的具体步骤如下:从飞机雷达回波信号中分离旋翼回波信号,并从旋翼回波信号时频域中估计旋翼转速;在旋翼回波信号的时频域中对旋翼回波信号进行旋翼二维成像;对旋翼二维成像结果预处理;从预处理后的旋翼二维成像结果中估计旋翼长度和螺旋桨叶片数;将估计出的旋翼转速ω、旋翼长度L和螺旋桨叶片数N这三个旋翼参数与飞机类型标准库中飞机旋翼参数比对,判断出飞机目标的类型。该方法存在的不足之处是:使用上述方法对参数进行估计时,利用霍夫变换搜索曲线的过程耗时长,无法快速识别飞机目标。
电子科技大学在其申请的专利文献“一种直升机旋翼物理参数提取方法”(申请号201910519253.2,申请公布号CN 110133600 A)中公开了一种基于时频谱图像处理的直升机旋翼物理参数提取方法。该方法的具体步骤如下:首先对直升机的窄带RCS序列时频谱进行滤波和分割,降低时频谱图的背景噪声,提高图像清晰度,以准确提取时频信号线;再利用最小二乘法估计出直升机旋翼的旋转周期,并通过统计单个旋转周期中最大频宽线的个数,估计出旋翼的桨叶个数;最后通过频谱宽度与桨叶长度的关系,估算出桨叶的长度。该方法存在的不足之处是:使用上述方法对参数进行估计时需要逐个进行,旋翼参数之间具有依赖关系,无法对依赖其他参数的旋翼参数进行独立的估计。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于多通道注意力网络的飞机时频域旋翼参数估计方法,旨在解决现有技术的飞机时频域旋翼参数估计方法估计速度慢以及旋翼参数估计不具有独立性的问题。
实现本发明目的的思路是:通过多通道注意力网络良好的非线性映射能力,能够快速估计旋翼参数,通过多通道非共享模块之间的非共享性和注意力机制,能够在不依赖其他非共享模块的情况下更好的独立的估计对应的旋翼参数。构建由共享模块、两个注意力模块和三个多通道非共享模块组成的多通道注意力网络,以满足对飞机目标旋翼参数快速估计的目的。同时,利用多通道注意力网络中每个通道的非共享性以及注意力模块,独立估计与该通道对应的旋翼参数,以满足旋翼参数估计的独立性。以注意力机制以及总损失值的收敛来保证三个参数可以同时估计并具有一定的精度。
实现本发明目的的具体步骤如下:
(1)生成训练集:
(1a)选取至少1000个时频域信号矩阵组成的样本集,样本集中至少包含3种不同飞机目标的旋翼对应的时频域信号矩阵,其中每种飞机目标的旋翼叶片数不同;
(1b)利用飞机目标旋翼的俯仰角,计算每个时频域信号矩阵对应飞机目标旋翼叶片在雷达视线上的投影长度,得到该时频域信号矩阵对应的叶片投影长度,将飞机目标旋翼的叶片转速、叶片投影长度以及叶片数分别作为该时频域信号矩阵对应的三个旋翼参数的目标值;
(1c)将每个时频域信号矩阵对应的三个旋翼参数的目标值作为该时频域信号矩阵的标签;
(1d)将所有时频域信号矩阵与对应的标签组成训练集;
(2)构建多通道注意力网络:
(2a)搭建一个9层的多通道共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第二池化层,第三卷积层,ReLU激活层,第三池化层;将第一至第三层的卷积核个数依次设置为16、32和64,卷积核大小均设置为5*5,第一至第三池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2;
(2b)搭建第一个由单层SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4;
(2c)搭建第一个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第二池化层,全连接层;将第一至第三层的卷积核个数依次设置为128、64和32,卷积核大小均设置为5*5,第一和第二池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2,全连接层的输出维数为1;
(2d)搭建第二个由单个SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4;
(2e)搭建第二个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第四卷积层,ReLU激活层,全连接层;将第一至第四层的卷积核个数依次设置为128、64、32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1;
(2f)搭建第三个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第二卷积层,ReLU激活层,池化层,全连接层;将第一至第二层的卷积核个数依次设置为32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1;
(2g)将多通道共享模块、第一个注意力模块与第一个多通道非共享模块依次相连,作为多通道注意力网络的第一个通道;将多通道共享模块、第二个注意力模块与第二个多通道非共享模块依次相连,作为多通道注意力网络的第二个通道;将多通道共享模块与第三个多通道非共享模块依次相连,作为多通道注意力网络的第三个通道;将三个通道组成多通道注意力网络;
(3)训练多通道注意力网络:
将训练集中所有时频域信号矩阵输入到多通道注意力网络中,利用反向传播梯度下降法,迭代更新多通道注意力网络的各层参数,直到多通道注意力网络的总损失值收敛为止,得到训练好的多通道注意力网络;
(4)获得待估计的时频域信号矩阵对应的旋翼参数:
(4a)将每个待估计的时频域信号矩阵输入到训练好的多通道注意力网络中,第一个多通道非共享模块输出叶片转速估计值,第二个多通道非共享模块输出叶片投影长度估计值,第三个多通道非共享模块输出叶片数估计值;
(4b)将叶片投影长度估计值结合飞机目标旋翼的俯仰角,计算叶片真实长度估计值,同时对叶片数估计值进行四舍五入取整处理,得到叶片数整数估计值;
(4c)将叶片转速估计值、叶片真实长度估计值和叶片数整数估计值作为估计的该时频域信号矩阵对应的每个旋翼参数。
本发明与现有技术相比,具有以下优点:
第一,由于本发明构建了一个多通道注意力网络,利用其非线性映射的能力快速估计飞机目标旋翼参数,克服了现有技术在估计飞机目标旋翼参数时需要对多组旋翼参数进行搜索或曲线拟合,导致飞机目标旋翼参数估计速度慢的问题,使得本发明具有更好地快速估计飞机目标旋翼参数的优点。
第二,由于本发明构建的多通道注意力网络中包含三个通道,并采用总损失值作为多通道注意力网络的损失函数,能够同时独立的估计飞机目标旋翼部件的三个参数,克服了现有技术在估计飞机目标旋翼参数时旋翼参数之间具有依赖关系的问题,使得本发明在快速估计的前提下具有能够独立估计飞机目标每个旋翼参数的优点。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图1,对本发明的具体步骤做进一步的描述。
步骤1.生成训练集。
选取至少1000个时频域信号矩阵组成的样本集,样本集中至少包含3种不同飞机目标的旋翼对应的时频域信号矩阵,其中每种飞机目标的旋翼叶片数不同。
利用飞机目标旋翼的俯仰角,计算每个时频域信号矩阵对应飞机目标旋翼叶片在雷达视线上的投影长度,得到该时频域信号矩阵对应的叶片投影长度,将飞机目标旋翼的叶片转速、叶片投影长度以及叶片数分别作为该时频域信号矩阵对应的三个旋翼参数的目标值。
所述每个时频域信号矩阵对应飞机目标旋翼叶片在雷达视线上的投影长度计算公式如下:
Di=Licosβi
其中,Di表示第i个时频域信号矩阵对应旋翼叶片长度Li在雷达视线上的叶片投影长度,i=1,2…N,N表示样本集中时频域信号矩阵总数,N≥1000,cos表示求余弦操作,βi表示第i个时频域信号矩阵对应的飞机目标旋翼相对于雷达的俯仰角。
将每个时频域信号矩阵对应的三个旋翼参数的目标值作为该时频域信号矩阵的标签。
将所有时频域信号矩阵与对应的标签组成训练集。
步骤2.构建多通道注意力网络。
搭建一个9层的多通道共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第二池化层,第三卷积层,ReLU激活层,第三池化层;将第一至第三层的卷积核个数依次设置为16、32和64,卷积核大小均设置为5*5,第一至第三池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2。
搭建第一个由单层SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4。
搭建第一个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第二池化层,全连接层;将第一至第三层的卷积核个数依次设置为128、64和32,卷积核大小均设置为5*5,第一和第二池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2,全连接层的输出维数为1。
搭建第二个由单个SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4。
搭建第二个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第四卷积层,ReLU激活层,全连接层;将第一至第四层的卷积核个数依次设置为128、64、32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1。
搭建第三个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第二卷积层,ReLU激活层,池化层,全连接层;将第一至第二层的卷积核个数依次设置为32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1。
将多通道共享模块、第一个注意力模块与第一个多通道非共享模块依次相连,作为多通道注意力网络的第一个通道;将多通道共享模块、第二个注意力模块与第二个多通道非共享模块依次相连,作为多通道注意力网络的第二个通道;将多通道共享模块与第三个多通道非共享模块依次相连,作为多通道注意力网络的第三个通道;将三个通道组成多通道注意力网络。
步骤3.训练多通道注意力网络。
将训练集中所有时频域信号矩阵输入到多通道注意力网络中,利用反向传播梯度下降法,迭代更新多通道注意力网络的各层参数,直到多通道注意力网络的总损失值收敛为止,得到训练好的多通道注意力网络。
所述多通道注意力网络的总损失值计算公式如下:
其中,Loss表示多通道注意力网络的损失值,∑·表示求和操作,k表示多通道注意力网络中多通道非共享模块的序号,k=1,2,3,Wk表示根据经验设置的第k个模块估计参数的均方误差加权权重,yk,i表示训练集中第i个时频域信号矩阵对应旋翼参数的目标值,该目标值对应的估计值由第k个模块估计,y'k,i表示第i个时频域信号矩阵对应旋翼参数的估计值,该估计值由第k个模块估计。
步骤4.获得待估计的时频域信号矩阵对应的旋翼参数。
将每个待估计的时频域信号矩阵输入到训练好的多通道注意力网络中,第一个多通道非共享模块输出叶片转速估计值,第二个多通道非共享模块输出叶片投影长度估计值,第三个多通道非共享模块输出叶片数估计值。
将叶片投影长度估计值结合飞机目标旋翼的俯仰角,计算叶片真实长度估计值,同时对叶片数估计值进行四舍五入取整处理,得到叶片数整数估计值。
所述的叶片真实长度估计值计算公式如下:
其中,Fp表示估计的第p个时频域信号矩阵对应的叶片真实长度估计值,p=1,2…P,P表示需估计旋翼参数的时频域信号矩阵总数,Hp表示多通道注意力网络对第p个时频域信号矩阵对应的叶片投影长度的估计值,cos表示求余弦操作,βp表示第p个时频域信号矩阵对应的飞机目标旋翼相对于雷达的俯仰角。
将叶片转速估计值、叶片真实长度估计值和叶片数整数估计值作为估计的该时频域信号矩阵对应的每个旋翼参数。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel i7 8700k CPU,主频为3.2GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和python 3.6。
本发明仿真实验所使用的训练集和测试集是基于雷达回波参数模型所生成的仿真数据处理后的时频信号矩阵,仿真参数设置为:雷达载频设置为1GHz,驻留时间设置为0.2s,脉冲重复频率设置为6000Hz,信噪比设置为10dB。在不考虑桨叶角的情况下,设置直升机旋翼转速为200转/分钟~400转/分钟,间隔10转/分钟,设置旋翼叶片数量为2片,3片,4片,5片或6片,叶片长度为5.64米~9.14米,间隔0.5米,俯仰角为5°~45°,间隔5°,方位角在0~360°之间随机生成,叶片初始相位均为45°。雷达与目标初始距离为30004m。
训练集中包含216000个时频信号矩阵和对应的旋翼参数目标值,第一个测试集包含216000个时频信号矩阵和对应的旋翼参数目标值,其中,每种旋翼叶片数类型包含43200个时频信号矩阵和对应的旋翼参数目标值。第二个测试集包含100个飞机目标的时频信号矩阵和对应的旋翼参数目标值,其中,每种旋翼叶片数类型包含20个时频信号矩阵和对应的旋翼参数目标值。利用第一个测试集对本发明的旋翼参数估计能力进行评价,利用第二个测试集对本发明的参数估计耗时进行评价。
本发明仿真实验多通道注意力网络配置参数为:训练批大小设置为200,训练总轮数为1000,分别记录使用训练集训练200轮、400轮、600轮、800轮和1000轮的多通道注意力网络的网络参数。其中,多通道注意力网络的总损失值中,根据经验设置第一个多通道非共享模块的参数估计均方误差加权权重为0.53,第二个多通道非共享模块的参数估计均方误差加权权重为0.4,第三个多通道非共享模块的参数估计均方误差加权权重为0.07。
2.仿真内容及其结果分析:
本发明仿真实验是采用本发明的方法对第一个测试集中216000个时频信号矩阵对应的旋翼参数进行估计,获得本发明估计旋翼参数的性能。同时采用本发明和现有技术中SRDI估计方法分别对第二个测试集中100个时频信号矩阵对应的旋翼参数进行估计,获得旋翼参数估计时间。
在仿真实验中,采用的现有技术SRDI估计方法是指:
邓衍顺在其发表的论文“基于物理驱动与数据驱动特征的飞机目标分类方法研究”(西安电子科技大学,硕士学位论文,2019年)中提出的一种基于短时稀疏性的低重频条件下飞机目标旋翼参数估计方法,简称短时旋翼参数估计方法。
对本发明的旋翼参数估计能力评价如下:
采用本发明的方法估计第一个测试集中每个时频信号矩阵对应的三个旋翼参数。三个旋翼参数分别为每个时频信号矩阵对应的叶片转速、叶片长度与叶片数。多通道注意力网络中第一个多通道非共享模块估计每个时频信号矩阵对应的叶片转速,第二个多通道非共享模块估计每个时频信号矩阵对应的叶片长度,第三个多通道非共享模块估计每个时频信号矩阵对应的叶片数。
当本发明对测试集中每个时频信号矩阵估计的旋翼参数与时频信号矩阵对应飞机目标旋翼的真实旋翼参数之间的相对误差在误差范围内时,认为成功估计了该时频信号矩阵对应的飞机目标旋翼参数,本发明的仿真实验选定成功估计旋翼参数的误差范围为5%。分别使用训练了200轮、400轮、600轮、800轮和1000轮的多通道注意力网络测试第一个测试集,将第一个测试集中所有成功估计旋翼参数对应的时频信号矩阵与第一个测试集中时频信号矩阵总数相除,得到旋翼参数估计成功的占比结果组成表1如下:
表1旋翼参数估计成功的占比结果表(单位:百分比)
训练轮数 | 200轮 | 400轮 | 600轮 | 800轮 | 1000轮 |
转速 | 96.96 | 98.73 | 98.91 | 98.95 | 98.96 |
叶片长度 | 95.86 | 98.60 | 98.84 | 98.88 | 98.93 |
叶片数量 | 99.93 | 99.48 | 99.82 | 99.86 | 99.96 |
同时估计三个参数 | 94.58 | 97.83 | 98.48 | 98.55 | 98.72 |
由表1可以看出,多通道注意力网络训练1000轮时,本发明的方法同时估计第一个测试集中每个时频信号矩阵对应的三个旋翼参数,三个旋翼参数同时成功估计占第一个测试集的比重为98.72%,证明本发明估计旋翼参数结果较为准确。
对本发明的参数估计耗时评价如下:
分别采用本发明方法和短时旋翼参数估计方法对第二个测试集中的每个时频信号矩阵估计三个旋翼参数,并依据平均耗时对本发明的参数估计耗时进行评价。本发明对第二个测试集中每个时频信号矩阵估计旋翼参数的平均耗时为17毫秒,短时旋翼参数估计方法对第二个测试集中每个时频信号矩阵估计参数的平均耗时为16659毫秒:根据旋翼参数估计平均耗时可以看出,本发明方法估计旋翼参数所需时间更短,在提前加载网络模型的情况下仅需毫秒级。证明本发明方法的估计速度较快。
Claims (4)
1.一种基于多通道注意力网络的飞机时频域旋翼参数估计方法,其特征在于,构建多通道注意力网络,在训练该网络时使用总损失值作为多通道注意力网络的收敛条件;该方法的步骤包括如下:
(1)生成训练集:
(1a)选取至少1000个时频域信号矩阵组成的样本集,样本集中至少包含3种不同飞机目标的旋翼对应的时频域信号矩阵,其中每种飞机目标的旋翼叶片数不同;
(1b)利用飞机目标旋翼的俯仰角,计算每个时频域信号矩阵对应飞机目标旋翼叶片在雷达视线上的投影长度,得到该时频域信号矩阵对应的叶片投影长度,将飞机目标旋翼的叶片转速、叶片投影长度以及叶片数分别作为该时频域信号矩阵对应的三个旋翼参数的目标值;
(1c)将每个时频域信号矩阵对应的三个旋翼参数的目标值作为该时频域信号矩阵的标签;
(1d)将所有时频域信号矩阵与对应的标签组成训练集;
(2)构建多通道注意力网络:
(2a)搭建一个9层的多通道共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第二池化层,第三卷积层,ReLU激活层,第三池化层;将第一至第三层的卷积核个数依次设置为16、32和64,卷积核大小均设置为5*5,第一至第三池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2;
(2b)搭建第一个由单层SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4;
(2c)搭建第一个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第一池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第二池化层,全连接层;将第一至第三层的卷积核个数依次设置为128、64和32,卷积核大小均设置为5*5,第一和第二池化层均采用最大池化方式,池化核大小均设置为2*2,池化步长均设置为2,全连接层的输出维数为1;
(2d)搭建第二个由单个SKNet构成的注意力模块,将SKNet的分支数设置为2,卷积组数设置为2,缩放因子设置为4;
(2e)搭建第二个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,池化层,第二卷积层,ReLU激活层,第三卷积层,ReLU激活层,第四卷积层,ReLU激活层,全连接层;将第一至第四层的卷积核个数依次设置为128、64、32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1;
(2f)搭建第三个多通道非共享模块,其结构依次为:第一卷积层,ReLU激活层,第二卷积层,ReLU激活层,池化层,全连接层;将第一至第二层的卷积核个数依次设置为32和16,卷积核大小均设置为5*5,池化层采用最大池化方式,池化核大小设置为2*2,池化步长设置为2,全连接层的输出维数为1;
(2g)将多通道共享模块、第一个注意力模块与第一个多通道非共享模块依次相连,作为多通道注意力网络的第一个通道;将多通道共享模块、第二个注意力模块与第二个多通道非共享模块依次相连,作为多通道注意力网络的第二个通道;将多通道共享模块与第三个多通道非共享模块依次相连,作为多通道注意力网络的第三个通道;将三个通道组成多通道注意力网络;
(3)训练多通道注意力网络:
将训练集中所有时频域信号矩阵输入到多通道注意力网络中,利用反向传播梯度下降法,迭代更新多通道注意力网络的各层参数,直到多通道注意力网络的总损失值收敛为止,得到训练好的多通道注意力网络;
(4)获得待估计的时频域信号矩阵对应的旋翼参数:
(4a)将每个待估计的时频域信号矩阵输入到训练好的多通道注意力网络中,第一个多通道非共享模块输出叶片转速估计值,第二个多通道非共享模块输出叶片投影长度估计值,第三个多通道非共享模块输出叶片数估计值;
(4b)将叶片投影长度估计值结合飞机目标旋翼的俯仰角,计算叶片真实长度估计值,同时对叶片数估计值进行四舍五入取整处理,得到叶片数整数估计值;
(4c)将叶片转速估计值、叶片真实长度估计值和叶片数整数估计值作为估计的该时频域信号矩阵对应的每个旋翼参数。
2.根据权利要求1所述的基于多通道注意力网络的飞机时频域旋翼参数估计方法,其特征在于:步骤(1b)中所述计算每个时频域信号矩阵对应飞机目标旋翼叶片在雷达视线上的投影长度是由下式得到的:
Di=Licosβi
其中,Di表示第i个时频域信号矩阵对应旋翼叶片长度Li在雷达视线上的叶片投影长度,i=1,2…N,N表示样本集中时频域信号矩阵总数,N≥1000,cos表示求余弦操作,βi表示第i个时频域信号矩阵对应的飞机目标旋翼相对于雷达的俯仰角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588568.XA CN113311406B (zh) | 2021-05-28 | 2021-05-28 | 基于多通道注意力网络的飞机时频域旋翼参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588568.XA CN113311406B (zh) | 2021-05-28 | 2021-05-28 | 基于多通道注意力网络的飞机时频域旋翼参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311406A CN113311406A (zh) | 2021-08-27 |
CN113311406B true CN113311406B (zh) | 2023-06-30 |
Family
ID=77375738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588568.XA Active CN113311406B (zh) | 2021-05-28 | 2021-05-28 | 基于多通道注意力网络的飞机时频域旋翼参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311406B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020140633A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 文本主题提取方法、装置、电子设备及存储介质 |
WO2020170237A1 (en) * | 2019-02-19 | 2020-08-27 | Edgy Bees Ltd. | Estimating real-time delay of a video data stream |
CN112784916A (zh) * | 2021-01-29 | 2021-05-11 | 西安电子科技大学 | 基于多任务卷积网络的空中目标微动参数实时提取方法 |
-
2021
- 2021-05-28 CN CN202110588568.XA patent/CN113311406B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020140633A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 文本主题提取方法、装置、电子设备及存储介质 |
WO2020170237A1 (en) * | 2019-02-19 | 2020-08-27 | Edgy Bees Ltd. | Estimating real-time delay of a video data stream |
CN112784916A (zh) * | 2021-01-29 | 2021-05-11 | 西安电子科技大学 | 基于多任务卷积网络的空中目标微动参数实时提取方法 |
Non-Patent Citations (1)
Title |
---|
基于窄带雷达回波的飞机旋翼参数估计;赵新燕;曹文杰;;舰船电子对抗(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113311406A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
CN107728143B (zh) | 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 | |
CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN104330784B (zh) | 基于旋翼物理参数估计实现飞机目标分类的方法 | |
CN111273285B (zh) | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 | |
CN104077787A (zh) | 一种基于时域和多普勒域的飞机目标分类方法 | |
CN110244303A (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN104331583A (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN110098882A (zh) | 基于压缩感知与熵的多天线宽带频谱检测方法 | |
CN107390193A (zh) | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 | |
CN112835003B (zh) | 基于重采样预处理的雷达重频变化稳健目标识别方法 | |
CN114118142A (zh) | 一种雷达脉内调制类型的识别方法 | |
CN112882011A (zh) | 基于频域相关性特征的雷达载频变化稳健目标识别方法 | |
CN112784916B (zh) | 基于多任务卷积网络的空中目标微动参数实时提取方法 | |
CN113311406B (zh) | 基于多通道注意力网络的飞机时频域旋翼参数估计方法 | |
CN104535982B (zh) | 一种基于角域划分的飞机目标分类方法 | |
CN111458688A (zh) | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 | |
CN116660851A (zh) | 低信噪比情况下鸟与旋翼无人机目标的辨别方法及系统 | |
CN113866739A (zh) | 基于glct-gptf的多旋翼目标参数估计方法 | |
CN115616503A (zh) | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 | |
CN113281714A (zh) | 基于雷达微多普勒特征增强的鸟类目标探测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |