CN113486898B - 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 - Google Patents
一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 Download PDFInfo
- Publication number
- CN113486898B CN113486898B CN202110774967.5A CN202110774967A CN113486898B CN 113486898 B CN113486898 B CN 113486898B CN 202110774967 A CN202110774967 A CN 202110774967A CN 113486898 B CN113486898 B CN 113486898B
- Authority
- CN
- China
- Prior art keywords
- shufflenet
- attention
- training
- radar signal
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006872 improvement Effects 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000007430 reference method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统,构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数;利用训练样本对注意力增强的ShuffleNet识别模型进行训练;将测试样本输入训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。本发明引入注意力增强模块,从通道信息交互层面来加强特征通道间的交互,提高特征的判别性,从而提升干扰下图像雷达信号RD图像识别精度。
Description
技术领域
本发明属于雷达信号技术领域,具体涉及一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统。
背景技术
雷达信号的RD图像干扰辨识旨在对受干扰雷达信号进行干扰类型识别。传统的干扰辨识方法包括基于极大似然准则的干扰识别算法以及基于特征提取的干扰识别算法,这些方法需要人工分析和提取特征且极大程度上依赖于领域先验和专家经验,不仅处理流程僵化,而且自动化与智能化水平均较低,泛化能力弱,难以适应瞬息万变的复杂对抗环境。
近年来,雷达信号干扰辨识普遍采用基于深度学习的方法,深度卷积网络因其结构具有深度非线性,且获取深层信息的能力和建模非线性的能力而备受推崇。基于深度学习的干扰辨识方法无需手工设计特征,对雷达信号RD图像数据自行进行特征提取,性能表现超过传统算法。其中ShuffleNet模型提出了通道混洗操作,增强了卷积网络中的通道信息交流,具有速度快、参数量小、精度高等优点。然而,由于ShuffleNet模型中的通道混洗、通道信息交互方式都是人工设定的,具有一定的局限性,从而导致复杂环境下雷达信号干扰识别的性能不佳。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统,提高雷达信号RD图像干扰辨识的准确度。
本发明采用以下技术方案:
一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,包括以下步骤:
S1、构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;
S2、构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;
S3、利用步骤S1划分的训练样本对步骤S2构建的注意力增强的ShuffleNet识别模型进行训练;
S4、将步骤S1中的测试样本输入到步骤S3训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
具体的,步骤S1中,将雷达信号RD图像数据集中的50%作为训练样本,剩余的50%作为测试样本。
具体的,步骤S2具体为:
S201、构建包括二十二个卷积层、五个通道混洗模块、一个池化层和两个全连接层的ShuffleNet识别网络;
S202、从ShuffleNet识别模型的通道混洗模块中获得一系列特征图Fshuffle;
S203、构建注意力增强模块,包括一个池化层、两个全连接层、ReLU激活层、Sigmoid激活层,其结构关系为:池化层→第一全连接层→ReLU激活层→第二全连接层→Sigmoid激活层,之后将Sigmoid激活层的输出结果与注意力增强模块的输入相乘并作为结果Fatt输出;
S204、将通道混洗模块中获得的特征图Fshuffle作为注意力增强模块的输入,得到注意力增强的特征图Fatt;
S205、将注意力增强模块中获得的特征图Fatt作为分类层的输入,得到识别结果。
进一步的,步骤S203中,注意力增强模块包括一个池化层、两个全连接层、ReLU激活层、Sigmoid激活层,其结构关系为:池化层→第一全连接层→ReLU激活层→第二全连接层→Sigmoid激活层,之后将Sigmoid激活层的输出结果与注意力增强模块的输入相乘并作为结果Fatt输出。
具体的,步骤S2中,损失函数Lcls为:
其中,p(xi)样本对应的真实标签,样本属于真实类别的分类概率,N为样本总数。
具体的,步骤S3具体为:
设置训练参数;将步骤S1中获得的训练样本输入到注意力增强的ShuffleNet识别模型中,使用优化器SGD优化步骤S2中的损失函数Lcls,更新权重参数,当训练轮数达到设定值时,得到训练好的注意力增强的ShuffleNet识别模型。
进一步的,训练参数具体为:
学习率为0.001,批训练数据大小设置为64,注意力增强的ShuffleNet识别模型的初始化参数采用均值为M、标准差为S的正态分布随机初始化,0<M<1,1<S<10。
进一步的,训练轮数为E,E>40。
进一步的,优化器使用SGD。
本发明的另一技术方案是,一种基于改进ShuffleNet的雷达信号RD图像干扰辨识系统,包括:
样本模块,构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;
模型模块,构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;
训练模块,利用样本模块划分的训练样本对模型模块构建的注意力增强的ShuffleNet识别模型进行训练;
识别模块,将样本模块中的测试样本输入到训练模块训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,通过引入注意力增强模块,使得通道混洗模块之后的特征通道间能够自适应地建立起最佳的关联,从而提升雷达信号RD图像干扰辨识精度;同时,本发明利用了深度卷积神经网络的可塑性,所提出的注意力增强模块是参数化可学习的、数据驱动的模块,使得网络在学习过程中自适应地增强有用特征,抑制无用特征噪声,从而进一步提高对雷达信号RD图像干扰辨识精度;
进一步的,为了充分验证本发明所提出模型的识别性能,仅选取了50%的数据用来训练,并选取了大量的样本作为测试集,从而充分验证本发明所提出模型的识别能力与泛化能力;
进一步的,本发明构建了轻量级深度卷积神经网络ShuffleNet,利用深度卷积神经网络出色的特征提取能力,对雷达信号RD图像进行特征提取与分类,从而在较少参数的情况下使得模型具有优异的识别能力;
进一步的,由于ShuffleNet的通道混洗模块中的通道信息交互方式是由人工设定的,会导致特征交互的局限性,且不同的特征通道中分别包含着有用的判别信息或无用的噪声信息,本发明通过构建注意力增强模块使得通道混洗模块之后的特征通道间能够自适应地建立起最佳的关联,同时使得网络在学习过程中自适应地增强有用通道的特征,抑制无用的噪声特征,从而提高对雷达信号RD图像干扰辨识精度;
进一步的,为了利用深度卷积神经网络的可塑性,对所构建的干扰辨识模型进行有监督的训练,本发明采用交叉熵损失函数作为模型的监督,通过交叉熵损失的监督使得网络对不同干扰类别的信号具有判别能力;
进一步的,本发明采用随机梯度下降算法SGD对构建好的模型进行训练优化,通过SGD与反向传播算法更新模型参数;
进一步的,为了避免模型陷入局部最优,本发明设定批训练数据大小为64,通过较大的批训练数据大小避免局部最优问题。
进一步的,为了确保模型在训练数据集上训练至收敛,本发明设定最少训练轮数为40;
进一步的,为了减少计算、存储成本,本发明采用SGD优化器,能够在较低的计算成本下优化模型;
综上所述,针对现有的ShuffleNet雷达信号RD图像干扰辨识方法中未考虑到ShuffleNet通道混洗模块中的通道信息交互方式是由人工设定的,从而会导致特征交互的局限性,本发明提出了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,通过引入注意力增强模块,使得通道混洗模块之后的特征通道间能够自适应地建立起最佳的关联,从而提升雷达信号RD图像干扰辨识精度;同时,本发明利用了深度卷积神经网络的可塑性,所提出的注意力增强模块是参数化可学习的、数据驱动的模块,使得网络在学习过程中自适应地增强有用特征,抑制无用特征噪声,从而进一步提高对雷达信号RD图像干扰辨识精度。另一方面,本发明仅选取了50%的数据作为训练数据,并利用SGD优化器与交叉熵损失函数对模型进行优化,最后于测试集数据上充分验证了本发明所提出模型的识别能力与泛化能力。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图;
图2为仿真使用的雷达信号的RD图;
图3为用本发明和基准方法对图2进行识别的仿真结果图,其中,(a)为现有技术仿真结果,(b)为本发明仿真结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,在干扰条件下的雷达信号RD图像干扰辨识数据集中获取训练样本和测试样本;构建注意力增强的ShuffleNet干扰辨识模型,设定注意力增强的ShuffleNet识别模型的分类任务损失函数。将训练样本输入到构建的网络模型中进行训练,得到训练好的干扰辨识模型;将测试样本输入训练好的干扰辨识模型中,预测输出测试样本类别及置信度分数。本发明考虑到了ShuffleNet通道混洗模块中通道信息的交互方式是由人工设定的,从而导致特征交互的局限性,引入注意力增强模块,使得混洗之后的特征通道间能够自适应地建立起最佳的关联,从而提升雷达信号RD图像干扰辨识精度,可用于复杂环境下的雷达抗干扰,解决现有受干扰雷达信号RD图像地干扰类型识别准确率低的问题。
请参阅图1,本发明一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,在ShuffleNet中的通道混洗模块后引入注意力机制,注意力增强的ShuffleNet干扰辨识模型。首先从ShuffleNet干扰辨识模型的通道混洗模块获取通道混洗操作后的特征图;接着对通道混洗操作后的特征图引入注意力增强模块,获取包含注意力关系的权值向量;随后,将包含注意力增强的关系向量与通道混洗操作后的特征图进行相乘融合;最后将融合后的特征图输入干扰辨识模型的分类层,将Cross Entropy设定为注意力增强的ShuffleNet分类模型的分类任务的损失函数,通过模型训练学习实现多种干扰类型的类别识别。具体实现步骤如下:
S1、构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集中的50%作为训练样本,剩余的50%作为测试样本;
采用matlab程序仿真生成干扰信号数据集,该数据集包括六种不同干扰类型下共29700张幅宽为256~256像素大小的RD图像,以及RD图像中干扰类别的真实标签。本实例根据干扰信号机理仿真生成了密集假目标、组合切片、噪声调幅、噪声调频、噪声卷积以及SMSP六种干扰类型下的信号RD图像,每类干扰类型RD图像4950张,以构成RD图像干扰辨识数据集,并将14850张样本图像作为训练样本,剩余14850张样本图像作为测试样本。
S2、构建注意力增强的ShuffleNet识别模型;
S201、构建包括二十二个卷积层、五个通道混洗模块、一个池化层和两个全连接层的ShuffleNet识别网络;
结构关系为:第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第一通道混洗模块→第六卷积层→第七卷积层→第八卷积层→第九卷积层→第二通道混洗模块→第十卷积层→第十一卷积层→第十二卷积层→第十三卷积层→第三通道混洗模块→第十四卷积层→第十五卷积层→第十六卷积层→第十七卷积层→第四通道混洗模块→第十八卷积层→第十九卷积层→第二十卷积层→第二十一卷积层→第五通道混洗模块→第二十二卷积层→第一池化层→第一全连接层→第二全连接层。
具体参数为:
第一卷积层的卷积核大小均为3×3,卷积核数量均为16;
第二、三、四卷积层的卷积核大小为3×3,卷积核数量为36;
第五卷积层的卷积核大小为5×5,卷积核数量为36;
第六、七卷积层的卷积核大小为5×5,卷积核数量为104;
第八、九卷积层的卷积核大小为3×3,卷积核数量为104;
第十卷积层的卷积核大小为7×7,卷积核数量为208;
第十一卷积层的卷积核大小为3×3,卷积核数量为208;
第十二卷积层的卷积核大小为7×7,卷积核数量为208;
第十三卷积层的卷积核大小为5×5,卷积核数量为208;
第十四卷积层的卷积核大小为5×5,卷积核数量为208;
第十五卷积层的卷积核大小为3×3,卷积核数量为208;
第十六卷积层的卷积核大小为7×7,卷积核数量为208;
第十七卷积层的卷积核大小为3×3,卷积核数量为208;
第十八卷积层的卷积核大小为7×7,卷积核数量为416;
第十九卷积层的卷积核大小为5×5,卷积核数量为416;
第二十卷积层的卷积核大小为3×3,卷积核数量为416;
第二十一卷积层的卷积核大小为7×7,卷积核数量为416;
第二十二卷积层的卷积核大小为1×1,卷积核数量为1280;
第一全局池化层是平均池化层,大小为7×7;
第一全连接层大小为1280×1280;
第二全连接层大小为1280×7。
S202、从ShuffleNet识别模型的通道混洗模块中获得一系列特征图Fshuffle;
S203、构建注意力增强模块;
包括一个池化层、两个全连接层、ReLU激活层、Sigmoid激活层,其结构关系为:池化层→第一全连接层→ReLU激活层→第二全连接层→Sigmoid激活层,之后将Sigmoid激活层的输出结果与注意力增强模块的输入相乘并作为结果Fatt输出,其中具体参数为:
池化层为平均池化层,大小均为Winput×Hinput;
第一全连接层的大小为Ndiminput×Ndiminput/2;
第二全连接层的大小为Ndiminput/2×Ndiminput;
其中,Winput、Hinput、Ndiminput分别表示输入注意力增强模块的特征图的宽度、高度以及深度;
S204、将通道混洗模块中获得的特征图Fshuffle作为注意力增强模块的输入,得到注意力增强的特征图Fatt;
将包含注意力关系的特征向量与通道混洗模块特征图Fshuffle进行通道维度的特征相乘融合,得到注意力增强的特征图Fatt。
S205、将注意力增强模块中获得的特征图Fatt作为分类层的输入,得到识别结果。
设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;
将现有Cross Entropy函数设定为注意力增强的ShuffleNet分类模型中分类任务的损失函数,用Lcls表示如下:
其中,p(xi)样本对应的真实标签,样本属于真实类别的分类概率,N为样本个数。
S3、利用步骤S1划分的训练样本对步骤S2构建的注意力增强的ShuffleNet识别模型进行训练;
S301、设置训练参数;
设学习率为0.001,优化器使用SGD,批训练数据大小设置为64,训练轮数设为40,注意力增强的ShuffleNet识别模型的初始化参数采用均值为0、标准差为1的正态分布随机初始化;
S302、将步骤S1中获得的训练样本输入到注意力增强的ShuffleNet识别模型中,使用优化器SGD优化步骤S2中的损失函数Lcls,更新权重参数,当训练轮数达到40时,得到训练好的注意力增强的ShuffleNet识别模型。
S4、将步骤S1中的测试样本输入到步骤S3训练完包含权重参数的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
本发明再一个实施例中,提供一种基于改进ShuffleNet的雷达信号RD图像干扰辨识系统,该系统能够用于实现上述基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,具体的,该基于改进ShuffleNet的雷达信号RD图像干扰辨识系统包括样本模块、模型模块、训练模块以及识别模块。
其中,样本模块,构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;
模型模块,构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;
训练模块,利用样本模块划分的训练样本对模型模块构建的注意力增强的ShuffleNet识别模型进行训练;
识别模块,将样本模块中的测试样本输入到训练模块训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于改进ShuffleNet的雷达信号RD图像干扰辨识方法的操作,包括:
构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;利用训练样本对注意力增强的ShuffleNet识别模型进行训练;将测试样本输入训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于改进ShuffleNet的雷达信号RD图像干扰辨识方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;利用训练样本对注意力增强的ShuffleNet识别模型进行训练;将测试样本输入训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的效果可通过以下仿真实验进一步说明
仿真条件
仿真基于采用matlab程序仿真生成干扰信号数据集构建了六种不同干扰类型下的雷达信号RD图像干扰辨识数据集,并对注意力增强的ShuffleNet干扰辨识模型进行训练和测试,所用的基准方法为ShuffleNet干扰辨识模型。
仿真所用的处理器为 Xeon(R)CPU E5-2630 v4@2.20GHz×40,内存为64.00GB,GPU为8G的GeForce GTX1080,仿真平台为Ubuntu16.04操作系统,使用Pytorch深度学习框架,采用Python语言实现。
仿真内容及分析
分别利用本发明和基准方法(ShuffleNet干扰辨识模型),对图2进行干扰辨识算法仿真,仿真结果如图3所示,其中图3(a)为用现有技术仿真结果图,图3(b)为本发明仿真结果图。
从图3(a)的结果看出,基准方法的仿真结果中存在误识现象,将无干扰信号检测为噪声调幅干扰类型,从图3(b),本发明能够提升基准干扰辨识模型的识别能力,准确地识别出受干扰信号的干扰类型。
仿真实验结果对比及分析
为验证本发明的有效性,使用本发明和基准模型在仿真干扰信号数据集上的信号RD图像进行识别仿真,对其识别的评价指标数值结果作对比,如表1所示。
表1本发明和基准模型检测的评价指标数值结果对比
根据表1本发明和基准模型的评价指标数值结果对比中,可以看出本发明的准确度由92.7921%提高到99.5622%。
综上所述,本发明一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统,在现有ShuffleNet干扰辨识模型的基础上,引入注意力增强模块,从通道信息交互层面来加强特征通道间的交互,提高特征的判别性,从而提升干扰下图像雷达信号RD图像识别精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法,其特征在于,包括以下步骤:
S1、构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;
S2、构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls,步骤S2具体为:
S201、构建包括二十二个卷积层、五个通道混洗模块、一个池化层和两个全连接层的ShuffleNet识别网络;
S202、从ShuffleNet识别模型的通道混洗模块中获得一系列特征图Fshuffle;
S203、构建注意力增强模块,包括一个池化层、两个全连接层、ReLU激活层、Sigmoid激活层,其结构关系为:池化层→第一全连接层→ReLU激活层→第二全连接层→Sigmoid激活层,之后将Sigmoid激活层的输出结果与注意力增强模块的输入相乘并作为结果Fatt输出;
S204、将通道混洗模块中获得的特征图Fshuffle作为注意力增强模块的输入,得到注意力增强的特征图Fatt;
S205、将注意力增强模块中获得的特征图Fatt作为分类层的输入,得到识别结果,
损失函数Lcls为:
其中,p(xi)样本对应的真实标签,样本属于真实类别的分类概率,N为样本总数;
S3、利用步骤S1划分的训练样本对步骤S2构建的注意力增强的ShuffleNet识别模型进行训练,步骤S3具体为:
设置训练参数;将步骤S1中获得的训练样本输入到注意力增强的ShuffleNet识别模型中,使用优化器SGD优化步骤S2中的损失函数Lcls,更新权重参数,当训练轮数达到设定值时,得到训练好的注意力增强的ShuffleNet识别模型;
S4、将步骤S1中的测试样本输入到步骤S3训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,将雷达信号RD图像数据集中的50%作为训练样本,剩余的50%作为测试样本。
3.根据权利要求1所述的方法,其特征在于,步骤S3中,训练参数具体为:
学习率为0.001,批训练数据大小设置为64,注意力增强的ShuffleNet识别模型的初始化参数采用均值为M、标准差为S的正态分布随机初始化,0<M<1,1<S<10。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,训练轮数为E,E>40。
5.一种基于改进ShuffleNet的雷达信号RD图像干扰辨识系统,其特征在于,基于权利要求1所述的方法,包括:
样本模块,构建干扰条件下的雷达信号RD图像数据集,将雷达信号RD图像数据集划分为训练样本和测试样本;
模型模块,构建注意力增强的ShuffleNet识别模型,设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls;
训练模块,利用样本模块划分的训练样本对模型模块构建的注意力增强的ShuffleNet识别模型进行训练;
识别模块,将样本模块中的测试样本输入到训练模块训练完的注意力增强ShuffleNet识别模型中,预测输出测试样本类别及置信度分数,完成雷达信号RD图像干扰辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774967.5A CN113486898B (zh) | 2021-07-08 | 2021-07-08 | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774967.5A CN113486898B (zh) | 2021-07-08 | 2021-07-08 | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486898A CN113486898A (zh) | 2021-10-08 |
CN113486898B true CN113486898B (zh) | 2024-05-31 |
Family
ID=77938147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774967.5A Active CN113486898B (zh) | 2021-07-08 | 2021-07-08 | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486898B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419725A (zh) * | 2021-11-30 | 2022-04-29 | 西安交通大学 | 一种基于无线射频信号的行为检测方法及系统 |
CN114818828B (zh) * | 2022-05-18 | 2024-04-05 | 电子科技大学 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6073101A (en) * | 1996-02-02 | 2000-06-06 | International Business Machines Corporation | Text independent speaker recognition for transparent command ambiguity resolution and continuous access control |
CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
CN110490813A (zh) * | 2019-07-05 | 2019-11-22 | 特斯联(北京)科技有限公司 | 卷积神经网络的特征图增强方法、装置、设备及介质 |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN111126404A (zh) * | 2019-12-11 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进YOLO v3的古文字及字体识别方法 |
CN111190156A (zh) * | 2020-01-08 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 基于雷达和光电的低慢小目标与海面小目标识别方法 |
WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
CN112307982A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于交错增强注意力网络的人体行为识别方法 |
CN112633086A (zh) * | 2020-12-09 | 2021-04-09 | 西安电子科技大学 | 基于多任务EfficientDet的近红外行人监测方法、系统、介质、设备 |
CN112668481A (zh) * | 2020-12-29 | 2021-04-16 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像语义抽取方法 |
CN112766087A (zh) * | 2021-01-04 | 2021-05-07 | 武汉大学 | 一种基于知识蒸馏的光学遥感图像舰船检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875633B (zh) * | 2018-06-19 | 2022-02-08 | 北京旷视科技有限公司 | 表情检测与表情驱动方法、装置和系统及存储介质 |
CN109325491B (zh) * | 2018-08-16 | 2023-01-03 | 腾讯科技(深圳)有限公司 | 识别码识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-08 CN CN202110774967.5A patent/CN113486898B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6073101A (en) * | 1996-02-02 | 2000-06-06 | International Business Machines Corporation | Text independent speaker recognition for transparent command ambiguity resolution and continuous access control |
CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
CN110490813A (zh) * | 2019-07-05 | 2019-11-22 | 特斯联(北京)科技有限公司 | 卷积神经网络的特征图增强方法、装置、设备及介质 |
WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
CN111126404A (zh) * | 2019-12-11 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进YOLO v3的古文字及字体识别方法 |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN111190156A (zh) * | 2020-01-08 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 基于雷达和光电的低慢小目标与海面小目标识别方法 |
CN112307982A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于交错增强注意力网络的人体行为识别方法 |
CN112633086A (zh) * | 2020-12-09 | 2021-04-09 | 西安电子科技大学 | 基于多任务EfficientDet的近红外行人监测方法、系统、介质、设备 |
CN112668481A (zh) * | 2020-12-29 | 2021-04-16 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像语义抽取方法 |
CN112766087A (zh) * | 2021-01-04 | 2021-05-07 | 武汉大学 | 一种基于知识蒸馏的光学遥感图像舰船检测方法 |
Non-Patent Citations (1)
Title |
---|
一种改进的稀疏保持投影算法在高光谱数据降维中的应用;陈璞花;火控雷达技术;20160331;第45卷(第1期);7-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486898A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486898B (zh) | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 | |
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
EP3620988B1 (en) | Method, device for optimizing simulation data, and computer-readable storage medium | |
Xia et al. | Fully dynamic inference with deep neural networks | |
CN106250931A (zh) | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 | |
CN113822209B (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
CN112070729A (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及系统 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN110163813A (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
Jeon et al. | Target capacity filter pruning method for optimized inference time based on YOLOv5 in embedded systems | |
CN116883726B (zh) | 基于多分支与改进的Dense2Net的高光谱图像分类方法及系统 | |
CN117456391A (zh) | 一种无人机对地军事目标及其关键部位的联合检测方法 | |
CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
CN116340869A (zh) | 基于红狐优化算法的分布式CatB肌体检测方法及设备 | |
CN116301022A (zh) | 基于深度强化学习的无人机集群任务规划方法和装置 | |
CN112861977B (zh) | 迁移学习数据处理方法、系统、介质、设备、终端及应用 | |
CN116777814A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
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 |