CN114814776A - 基于图注意力网络和迁移学习的pd雷达目标检测方法 - Google Patents

基于图注意力网络和迁移学习的pd雷达目标检测方法 Download PDF

Info

Publication number
CN114814776A
CN114814776A CN202210721266.XA CN202210721266A CN114814776A CN 114814776 A CN114814776 A CN 114814776A CN 202210721266 A CN202210721266 A CN 202210721266A CN 114814776 A CN114814776 A CN 114814776A
Authority
CN
China
Prior art keywords
graph
network
time
node
frame
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.)
Granted
Application number
CN202210721266.XA
Other languages
English (en)
Other versions
CN114814776B (zh
Inventor
杨阳
王海波
赵杨
曹东
刘林岩
卢德勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202210721266.XA priority Critical patent/CN114814776B/zh
Publication of CN114814776A publication Critical patent/CN114814776A/zh
Application granted granted Critical
Publication of CN114814776B publication Critical patent/CN114814776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G01S7/414—Discriminating targets with respect to background clutter

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于图注意力网络和迁移学习的PD雷达目标检测方法，属于雷达信号检测技术领域，包括步骤：对PD雷达获取的多帧回波数据进行图节点划分，根据图节点间时空关系构建由结构化数据向图数据的映射，基于图注意力网络实现对回波数据时空信息的联合利用和目标检测，通过迁移学习提升网络模型的时间适应性，从而有效提高雷达在强杂波环境下的目标检测能力。

Description

基于图注意力网络和迁移学习的PD雷达目标检测方法
技术领域
本发明涉及雷达信号检测技术领域，更为具体的，涉及一种基于图注意力网络和迁移学习的PD雷达目标检测方法。
背景技术
对目标检测是雷达系统的重要功能之一，广泛应用于预警、搜索和武器火控等军民用领域。杂波背景下的运动目标检测一直是雷达目标检测中的热点和难点问题。PD雷达是一种为应对机载雷达下视时强杂波对目标检测的影响，而发展起来的雷达工作体制，它通过精确的杂波和目标回波统计建模，利用相干脉冲串进行相参积累，在多普勒频域处理实现杂波与目标的分离。随着雷达精细化探测能力越来越强，对复杂杂波和目标回波进行精确建模越发困难，传统基于相参处理的目标检测类方法性能损失明显。
近年来，深度学习方法作为一种全新的技术途径，在雷达目标检测中得到了越来越多的关注。卷积神经网络、循环神经网络可对雷达时频图、雷达一维时间序列等结构化数据样式自动进行高维特征提取，并通过二元分类方法实现目标和杂波信号的辨识。然而，这类方法仅能以PD雷达单帧回波为处理对象，难以有效利用多帧回波和不同距离单元间蕴含的时空信息，因此其检测性能有进一步提升的空间。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于图注意力网络和迁移学习的PD雷达目标检测方法，以提高雷达在强杂波环境下的目标检测能力。
本发明的目的是通过以下方案实现的：
一种基于图注意力网络和迁移学习的PD雷达目标检测方法，包括步骤：对PD雷达获取的多帧回波数据进行划分，构建由结构化数据向图数据的映射，基于图注意力网络实现对回波数据时空信息的联合利用，通过迁移学习提升网络模型的时间适应性，从而有效提高雷达的目标检测能力。
进一步地，包括子步骤：
S1，利用当前接收帧回波数据和前N帧有标签信息的回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，N为正整数；
S2，对每个图节点对应的回波时间序列数据进行时频变换，利用同一帧所有距离单元回波时间序列数据时频图求取各时频点均值和标准差，进行时频图归一化；
S3，构建图节点邻接矩阵，得到由邻接矩阵和各节点特征向量集构成的信号图数据；
S4，将所述信号图数据划分为训练集、验证集和测试集，所述训练集和验证集分别 由前
Figure 258292DEST_PATH_IMAGE001
帧和后
Figure 654639DEST_PATH_IMAGE001
帧回波数据构成，所述测试集为当前待检测帧；
S5，搭建雷达目标检测图神经网络模型，利用训练集对应图节点的归一化时频图 特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件并确 定网络参数更新时间为
Figure 324654DEST_PATH_IMAGE001
帧长时间；
S6，将当前帧图数据输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
S7，接收下一帧回波数据，根据网络参数更新时间选择处理方式。
进一步地，在步骤S1中，包括子步骤：
根据雷达距离波门宽度和采样率，将雷达回波数据划分为M个距离单元；每个雷达 距离单元对应的脉冲序列采样点数为一帧回波的脉冲数L；将各帧中每一个距离单元划分 为一个图节点，图节点数为
Figure 189973DEST_PATH_IMAGE002
；M、L均为正整数。
进一步地，在步骤S2中，包括子步骤：
S21，利用时频变换计算每一帧数据中各距离单元回波时间序列时频图；
S22，利用每一帧所有距离单元时频图计算该帧各时频点均值和标准差；
S23，基于所述均值和标准差对每一帧各距离单元时频图进行归一化处理。
进一步地，在步骤S3中，包括子步骤：
S31，根据图节点对应各距离单元间的时间、距离邻近关系，确定邻接矩阵中图节点间的关联：
Figure 236427DEST_PATH_IMAGE003
其中，
Figure 752859DEST_PATH_IMAGE004
表示邻接矩阵A中节点i和节点j间的连接关系，其中节点j表示第
Figure 840114DEST_PATH_IMAGE005
个 距离单元第
Figure 441996DEST_PATH_IMAGE006
帧信号对应的节点，节点j表示第
Figure 26561DEST_PATH_IMAGE007
个距离单元第
Figure 397500DEST_PATH_IMAGE008
帧信号对应的节点，
Figure 160051DEST_PATH_IMAGE009
和
Figure 249229DEST_PATH_IMAGE010
为预先设置的阈值；
S32，根据所有节点间的连接关系构建所述邻接矩阵；
S33，根据所述邻接矩阵和节点特征向量集，得到所述信号图数据。
进一步地，在步骤S5中，包括子步骤：
S51，搭建雷达目标检测图神经网络，所述雷达目标检测图神经网络包括特征提取子网络和信号分类子网络；
所述特征提取子网络包括三个卷积层和两个池化层，网络输入为图节点归一化时频图特征，输出为图节点高层语义特征；
所述信号分类子网络包含三个图卷积层和一个LSTM聚合层，网络输入为图节点高层语义特征；各图卷积层均采用注意力机制，其中第一图卷积层和第二图卷积层采用多头注意力机制；
所述第一图卷积层和第二图卷积层输出通过跨越连接方式与第三图卷积层输出后，共同输入LSTM聚合层得到图节点二分类结果；
S52，输入训练集对应图节点的归一化时频图特征对模型进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数和网络更新时间。
进一步地，在步骤S7中，包括子步骤：
若未到网络参数更新时间，将下一帧图数据直接输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
若达到网络参数更新时间，对最近
Figure 637486DEST_PATH_IMAGE001
帧回波数据及信号分类结果进行人工抽 检，利用人工检测与网络判决不一致的错误分类样本对模型进行小样本迁移学习，即保留 特征提取网络参数不变，更新信号分类网络参数，以提高网络模型随探测时间变化的信号 分类准确性；
迁移学习完成后，将下一帧图数据输入网络，得到对应节点为目标或杂波二分类结果。
进一步地，在步骤S52中，所述对模型进行迭代优化训练包括利用反向传播算法和损失函数对模型进行迭代优化训练。
进一步地，所述人工抽检，其中目标样本抽检50%，杂波样本抽检10%。
本发明的有益效果包括：
本发明通过对PD雷达获取的多帧回波数据进行合理图节点划分，构建由结构化数据向图数据的映射，基于图注意力网络实现对回波数据时空信息的联合利用和目标检测，通过迁移学习提升网络模型的时间适应性，从而有效提高雷达在强杂波环境下的目标检测能力。
本发明提出一种基于图注意力网络和迁移学习的PD雷达目标检测方法。相比于传统深度神经网络方法，图神经网络可以对雷达获取的多帧回波数据进行联合处理。在网络的训练过程中，每个节点可传播自身信息并综合邻居节点的信息，从而更好地学习各节点间的时空信息，提高模型的泛化能力。通过引入多头注意力机制，可以自适应地提取邻居节点间的多种相关特征，增强网络的学习能力。同时，基于迁移学习的小样本训练可以较高的效率进行网络参数更新，以适应随时间变化的目标和杂波。本发明方法可提高强杂波环境下脉冲多普勒雷达目标检测能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于图注意力网络和迁移学习的PD雷达目标检测方法流程图；
图2为本发明构建的信号图数据示意图；
图3为本发明构建的雷达目标检测图神经网络示意图。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
根据本发明实施例，参见图1，提供一种基于图注意力网络和迁移学习的PD雷达目标检测方法，包括以下步骤：
（1）、利用当前接收帧回波数据和前N帧有标签信息的回波数据进行图节点划分， 每个图节点对应一帧数据中一个距离单元的回波时间序列数据。结合图2，具体的，根据雷 达距离波门宽度和采样率，将雷达回波数据划分为M个距离单元；每个雷达距离单元对应的 脉冲序列采样点数为一帧回波的脉冲数L；将各帧中每一个距离单元划分为一个图节点，图 节点总数为
Figure 862930DEST_PATH_IMAGE002
，M、N、L均为正整数。
（2）、对每个图节点对应的回波时间序列数据进行时频变换，利用同一帧所有距离单元回波时间序列数据时频图求取各时频点均值和标准差，进行时频图归一化。具体的，首先利用WVD变换求取每个图节点对应的回波脉冲序列数据的时频图：
Figure 294918DEST_PATH_IMAGE011
其中
Figure 871393DEST_PATH_IMAGE012
为二维矩阵，代表获取的一帧回波数据，每一行代表一个脉冲回 波，每一列代表一个距离单元上的时间序列，m为图节点对应的距离单元序号，
Figure 797760DEST_PATH_IMAGE013
为时频 点序号，
Figure 877712DEST_PATH_IMAGE015
为归一化多普勒频率，
Figure 247644DEST_PATH_IMAGE017
为时频变化结果。将各距离单元时频图大 小固定为
Figure 311415DEST_PATH_IMAGE019
。q为信号偏移量序号，Q为相关长度，j为
Figure 307053DEST_PATH_IMAGE021
。
然后利用同一帧所有距离单元回波时间序列数据时频图求取各时频点均值和标准差：
Figure 493708DEST_PATH_IMAGE023
其中
Figure 80547DEST_PATH_IMAGE024
和
Figure 382347DEST_PATH_IMAGE025
分别为计算得到的各时频点均值和标准差。
最后，利用
Figure 916096DEST_PATH_IMAGE024
和
Figure 236219DEST_PATH_IMAGE025
对各距离单元时频图进行归一化：
Figure 446490DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
为归一化时频图。
（3）、构建图节点邻接矩阵，得到由邻接矩阵和各节点特征向量集构成的信号图数据。具体的，根据图节点对应各距离单元间的时间、距离邻近关系，确定邻接矩阵中图节点间的关联：
Figure 32323DEST_PATH_IMAGE003
其中，
Figure 104184DEST_PATH_IMAGE004
表示邻接矩阵A中节点i和节点j间的连接关系，其中节点j表示第
Figure 278814DEST_PATH_IMAGE005
个 距离单元第
Figure 410718DEST_PATH_IMAGE006
帧信号对应的节点，节点j表示第
Figure 940573DEST_PATH_IMAGE007
个距离单元第
Figure 81704DEST_PATH_IMAGE008
帧信号对应的节点，
Figure 110840DEST_PATH_IMAGE009
和
Figure 898799DEST_PATH_IMAGE010
为预先设置的阈值，用于限定节点邻域范围。
（4）、将所述信号图数据划分为训练集、验证集和测试集，所述训练集和验证集分 别由前
Figure 911754DEST_PATH_IMAGE001
帧和后
Figure 325418DEST_PATH_IMAGE001
帧回波数据构成，所述测试集为当前待检测帧。
（5）、搭建雷达目标检测图神经网络模型，利用训练集对应图节点的归一化时频图 特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件并确 定网络参数更新时间为
Figure 458328DEST_PATH_IMAGE001
帧长时间，以适应变化了的目标和杂波。结合图3，具体的，构 建的雷达目标检测图神经网络包括特征提取子网络和信号分类子网络。
特征提取子网络输入为图节点归一化时频图特征，输出为图节点高层语义特征， 网络模型包括三个卷积层和两个池化层。前两个卷积层后紧跟两个最大池化层。前两个卷 积层卷积核大小为(3,3)，全零填充，第三个卷积层卷积核大小为(4,2)，未进行全零填充， 三个卷积层深度分别为16,32,64。池化层尺寸为2，步长为2。因此，输入归一化时频图特征 经过网络变换后，输出为
Figure 932035DEST_PATH_IMAGE028
的高层语义特征。
信号分类子网络包含三个图卷积层和一个LSTM聚合层，网络输入为图节点高层语义特征。所述各图卷积层均采用注意力机制，其中第一图卷积层和第二图卷积层采用多头注意力机制。第一图卷积层、第二图卷积层和第三图卷积层的运算为：
Figure 901128DEST_PATH_IMAGE030
其中，K为注意力多头数，对第一和第二图卷积层K=8，对第三图卷积层K=1，
Figure DEST_PATH_IMAGE031
和
Figure 400373DEST_PATH_IMAGE032
分别对应第K个注意力机制中第i个节点和第j个节点间的权重系数和图卷积核，
Figure 404101DEST_PATH_IMAGE033
为第i个节点的输出特征，
Figure 48709DEST_PATH_IMAGE034
为第j个节点的输入特征。
Figure 239519DEST_PATH_IMAGE035
为节点
Figure 247183DEST_PATH_IMAGE036
临域，
Figure 636576DEST_PATH_IMAGE037
为节 点
Figure 452085DEST_PATH_IMAGE036
临域中某一节点。权重系数
Figure 146503DEST_PATH_IMAGE038
可通过一单层全连接网络求取，并通过softmax操作 进行归一化:
Figure 705660DEST_PATH_IMAGE039
Figure 418401DEST_PATH_IMAGE040
其中
Figure DEST_PATH_IMAGE041
为未归一化权重系数，
Figure 450817DEST_PATH_IMAGE042
为节点间权重计算函数，
Figure DEST_PATH_IMAGE043
为求取第K 个权重系数时节点特征变换权重矩阵。第一图卷积层、第二图卷积层、第三图卷积层均输出
Figure DEST_PATH_IMAGE045
的特征向量。三个特征向量依次输入LSTM聚合层，得到
Figure DEST_PATH_IMAGE047
的向量，即为节点信号分 类结果。
利用构建好的训练集对所述雷达目标检测图神经网络模型进行训练，输入训练集对应图节点的归一化时频图特征，利用反向传播算法和损失函数对模型进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数和网络更新时间。
（6）、将当前帧图数据输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
（7）、接收下一帧回波数据，根据网络参数更新时间选择处理方式：若未到网络参 数更新时间，将下一帧图数据直接输入训练好的雷达目标检测图神经网络，输出对应节点 为目标或杂波二分类结果；若达到网络参数更新时间，对最近
Figure 226006DEST_PATH_IMAGE001
帧回波数据及信号分 类结果进行人工抽检，其中目标样本抽检50%，杂波样本抽检10%，利用人工检测与网络判决 不一致的错误分类样本对模型进行小样本迁移学习，即保留特征提取网络参数不变，更新 信号分类网络参数，以提高网络模型随探测时间变化的信号分类准确性。迁移学习完成后， 将下一帧图数据输入网络，得到对应节点为目标或杂波二分类结果。
实施例1
一种基于图注意力网络和迁移学习的PD雷达目标检测方法，包括步骤：对PD雷达获取的多帧回波数据进行图节点划分，根据图节点间时空关系构建由结构化数据向图数据的映射，基于图注意力网络实现对回波数据时空信息的联合利用和目标检测，通过迁移学习提升网络模型的时间适应性。
实施例2
在实施例1的基础上，包括子步骤：
S1，利用当前接收帧回波数据和前N帧有标签信息的回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，N为正整数；
S2，对每个图节点对应的回波时间序列数据进行时频变换，利用同一帧所有距离单元回波时间序列数据时频图求取各时频点均值和标准差，进行时频图归一化；
S3，构建图节点邻接矩阵，得到由邻接矩阵和各节点特征向量集构成的信号图数据；
S4，将所述信号图数据划分为训练集、验证集和测试集，所述训练集和验证集分别 由前
Figure 323275DEST_PATH_IMAGE001
帧和后
Figure 890523DEST_PATH_IMAGE001
帧回波数据构成，所述测试集为当前待检测帧；
S5，搭建雷达目标检测图神经网络模型，利用训练集对应图节点的归一化时频图 特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件并确 定网络参数更新时间为
Figure 294172DEST_PATH_IMAGE001
帧长时间；
S6，将当前帧图数据输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
S7，接收下一帧回波数据，根据网络参数更新时间选择处理方式。
实施例3
在实施例2的基础上，在步骤S1中，包括子步骤：
根据雷达距离波门宽度和采样率，将雷达回波数据划分为M个距离单元；每个雷达 距离单元对应的脉冲序列采样点数为一帧回波的脉冲数L；将各帧中每一个距离单元划分 为一个图节点，图节点数为
Figure 478029DEST_PATH_IMAGE002
；M、L均为正整数。
实施例4
在实施例2的基础上，在步骤S2中，包括子步骤：
S21，利用时频变换计算每一帧数据中各距离单元回波时间序列时频图；
S22，利用每一帧所有距离单元时频图计算该帧各时频点均值和标准差；
S23，基于所述均值和标准差对每一帧各距离单元时频图进行归一化处理。
实施例5
在实施例2的基础上，在步骤S3中，包括子步骤：
S31，根据图节点对应各距离单元间的时间、距离邻近关系，确定邻接矩阵中图节点间的关联：
Figure 113410DEST_PATH_IMAGE003
其中，
Figure 551475DEST_PATH_IMAGE004
表示邻接矩阵A中节点i和节点j间的连接关系，其中节点j表示第
Figure 879689DEST_PATH_IMAGE005
个 距离单元第
Figure 19683DEST_PATH_IMAGE006
帧信号对应的节点，节点j表示第
Figure 724334DEST_PATH_IMAGE007
个距离单元第
Figure 515441DEST_PATH_IMAGE008
帧信号对应的节点，
Figure 14556DEST_PATH_IMAGE009
和
Figure 641846DEST_PATH_IMAGE010
为预先设置的阈值；
S32，根据所有节点间的连接关系构建所述邻接矩阵；
S33，根据所述邻接矩阵和节点特征向量集，得到所述信号图数据。
实施例6
在实施例2的基础上，在步骤S5中，包括子步骤：
S51，搭建雷达目标检测图神经网络，所述雷达目标检测图神经网络包括特征提取子网络和信号分类子网络；
所述特征提取子网络包括三个卷积层和两个池化层，网络输入为图节点归一化时频图特征，输出为图节点高层语义特征；
所述信号分类子网络包含三个图卷积层和一个LSTM聚合层，网络输入为图节点高层语义特征；各图卷积层均采用注意力机制，其中第一图卷积层和第二图卷积层采用多头注意力机制；
所述第一图卷积层和第二图卷积层输出通过跨越连接方式与第三图卷积层输出后，共同输入LSTM聚合层得到图节点二分类结果；
S52，输入训练集对应图节点的归一化时频图特征对模型进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数和网络更新时间。
实施例7
在实施例2的基础上，在步骤S7中，包括子步骤：
若未到网络参数更新时间，将下一帧图数据直接输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
若达到网络参数更新时间，对最近
Figure 884609DEST_PATH_IMAGE001
帧回波数据及信号分类结果进行人工抽 检，利用人工检测与网络判决不一致的错误分类样本对模型进行小样本迁移学习，即保留 特征提取网络参数不变，更新信号分类网络参数，以提高网络模型随探测时间变化的信号 分类准确性；
迁移学习完成后，将下一帧图数据输入网络，得到对应节点为目标或杂波二分类结果。
实施例8
在实施例6的基础上，在步骤S52中，所述对模型进行迭代优化训练包括利用反向传播算法和损失函数对模型进行迭代优化训练。
实施例9
在实施例7的基础上，所述人工抽检，其中目标样本抽检50%，杂波样本抽检10%。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，包括步骤：对PD雷达获取的多帧回波数据进行图节点划分，根据图节点间时空关系构建由结构化数据向图数据的映射，基于图注意力网络实现对回波数据时空信息的联合利用和目标检测，通过迁移学习提升网络模型的时间适应性。
2.根据权利要求1所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，包括子步骤：
S1，利用当前接收帧回波数据和前N帧有标签信息的回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，N为正整数；
S2，对每个图节点对应的回波时间序列数据进行时频变换，利用同一帧所有距离单元回波时间序列数据时频图求取各时频点均值和标准差，进行时频图归一化；
S3，构建图节点邻接矩阵，得到由邻接矩阵和各节点特征向量集构成的信号图数据；
S4，将所述信号图数据划分为训练集、验证集和测试集，所述训练集和验证集分别由前
Figure 836209DEST_PATH_IMAGE002
帧和后
Figure DEST_PATH_IMAGE003
帧回波数据构成，所述测试集为当前待检测帧；
S5，搭建雷达目标检测图神经网络模型，利用训练集对应图节点的归一化时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件并确定网络参数更新时间为
Figure 284507DEST_PATH_IMAGE002
帧长时间；
S6，将当前帧图数据输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
S7，接收下一帧回波数据，根据网络参数更新时间选择处理方式。
3.根据权利要求2所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S1中，包括子步骤：
根据雷达距离波门宽度和采样率，将雷达回波数据划分为M个距离单元；每个雷达距离单元对应的脉冲序列采样点数为一帧回波的脉冲数L；将各帧中每一个距离单元划分为一个图节点，图节点数为
Figure 126561DEST_PATH_IMAGE005
；M、L均为正整数。
4.根据权利要求2所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S2中，包括子步骤：
S21，利用时频变换计算每一帧数据中各距离单元回波时间序列时频图；
S22，利用每一帧所有距离单元时频图计算该帧各时频点均值和标准差；
S23，基于所述均值和标准差对每一帧各距离单元时频图进行归一化处理。
5.根据权利要求2所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S3中，包括子步骤：
S31，根据图节点对应各距离单元间的时间、距离邻近关系，确定邻接矩阵中图节点间的关联：
Figure DEST_PATH_IMAGE007
其中，
Figure 646405DEST_PATH_IMAGE009
表示邻接矩阵A中节点i和节点j间的连接关系，其中节点j表示第
Figure 57182DEST_PATH_IMAGE011
个距离单元第
Figure 410803DEST_PATH_IMAGE013
帧信号对应的节点，节点j表示第
Figure 395945DEST_PATH_IMAGE015
个距离单元第
Figure 657162DEST_PATH_IMAGE017
帧信号对应的节点，
Figure 529303DEST_PATH_IMAGE019
和
Figure 584984DEST_PATH_IMAGE021
为预先设置的阈值；
S32，根据所有节点间的连接关系构建所述邻接矩阵；
S33，根据所述邻接矩阵和节点特征向量集，得到所述信号图数据。
6.根据权利要求2所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S5中，包括子步骤：
S51，搭建雷达目标检测图神经网络，所述雷达目标检测图神经网络包括特征提取子网络和信号分类子网络；
所述特征提取子网络包括三个卷积层和两个池化层，网络输入为图节点归一化时频图特征，输出为图节点高层语义特征；
所述信号分类子网络包含三个图卷积层和一个LSTM聚合层，网络输入为图节点高层语义特征；各图卷积层均采用注意力机制，其中第一图卷积层和第二图卷积层采用多头注意力机制；
所述第一图卷积层和第二图卷积层输出通过跨越连接方式与第三图卷积层输出后，共同输入LSTM聚合层得到图节点二分类结果；
S52，输入训练集对应图节点的归一化时频图特征对模型进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数和网络更新时间。
7.根据权利要求2所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S7中，包括子步骤：
若未到网络参数更新时间，将下一帧图数据直接输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波二分类结果；
若达到网络参数更新时间，对最近
Figure DEST_PATH_IMAGE022
帧回波数据及信号分类结果进行人工抽检，利用人工检测与网络判决不一致的错误分类样本对模型进行小样本迁移学习，即保留特征提取网络参数不变，更新信号分类网络参数，以提高网络模型随探测时间变化的信号分类准确性；
迁移学习完成后，将下一帧图数据输入网络，得到对应节点为目标或杂波二分类结果。
8.根据权利要求6所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，在步骤S52中，所述对模型进行迭代优化训练包括利用反向传播算法和损失函数对模型进行迭代优化训练。
9.根据权利要求7所述的基于图注意力网络和迁移学习的PD雷达目标检测方法，其特征在于，所述人工抽检，其中目标样本抽检50%，杂波样本抽检10%。
CN202210721266.XA 2022-06-24 2022-06-24 基于图注意力网络和迁移学习的pd雷达目标检测方法 Active CN114814776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721266.XA CN114814776B (zh) 2022-06-24 2022-06-24 基于图注意力网络和迁移学习的pd雷达目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721266.XA CN114814776B (zh) 2022-06-24 2022-06-24 基于图注意力网络和迁移学习的pd雷达目标检测方法

Publications (2)

Publication Number Publication Date
CN114814776A true CN114814776A (zh) 2022-07-29
CN114814776B CN114814776B (zh) 2022-10-14

Family

ID=82520708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721266.XA Active CN114814776B (zh) 2022-06-24 2022-06-24 基于图注意力网络和迁移学习的pd雷达目标检测方法

Country Status (1)

Country Link
CN (1) CN114814776B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233725A (zh) * 2023-11-15 2023-12-15 中国空气动力研究与发展中心计算空气动力研究所 基于图神经网络多特征融合的相干雷达目标检测方法

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
US20200017117A1 (en) * 2018-07-14 2020-01-16 Stephen Milton Vehicle-data analytics
CN110991532A (zh) * 2019-12-03 2020-04-10 西安电子科技大学 基于关系视觉注意机制的场景图产生方法
CN111123257A (zh) * 2019-12-30 2020-05-08 西安电子科技大学 基于图时空网络的雷达动目标多帧联合检测方法
CN111538868A (zh) * 2020-04-28 2020-08-14 中国科学技术大学 知识追踪方法及习题推荐方法
CN111814977A (zh) * 2020-08-28 2020-10-23 支付宝(杭州)信息技术有限公司 训练事件预测模型的方法及装置
US20210073291A1 (en) * 2019-09-06 2021-03-11 Digital Asset Capital, Inc. Adaptive parameter transfer for learning models
CN112711032A (zh) * 2020-12-07 2021-04-27 中国人民解放军海军航空大学 一种基于图数据和gcn的雷达目标检测方法及系统
CN112731330A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于迁移学习的雷达载频参数变化稳健目标识别方法
CN112801059A (zh) * 2021-04-07 2021-05-14 广东众聚人工智能科技有限公司 图卷积网络系统和基于图卷积网络系统的3d物体检测方法
CN112926696A (zh) * 2021-04-20 2021-06-08 江苏大学 一种基于注意力图的可解释局部迁移互学习方法
CN113011282A (zh) * 2021-02-26 2021-06-22 腾讯科技（深圳）有限公司 图数据处理方法、装置、电子设备及计算机存储介质
US20210225511A1 (en) * 2018-06-18 2021-07-22 Google Llc Method and system for improving cancer detection using deep learning
CN113156376A (zh) * 2021-04-15 2021-07-23 中国人民解放军空军航空大学 基于sacnn的雷达辐射源信号识别方法
CN113192571A (zh) * 2021-04-29 2021-07-30 南京邮电大学 一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置
CN113408549A (zh) * 2021-07-14 2021-09-17 西安电子科技大学 基于模板匹配和注意力机制的少样本弱小目标检测方法
CN113657473A (zh) * 2021-08-04 2021-11-16 北京航空航天大学 一种基于迁移学习的Web服务分类方法
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质
CN113835077A (zh) * 2021-11-23 2021-12-24 中国空气动力研究与发展中心计算空气动力研究所 基于变脉冲重复频率的搜索雷达目标检测方法及系统
CN113961759A (zh) * 2021-10-22 2022-01-21 北京工业大学 基于属性图表示学习的异常检测方法
CN114067160A (zh) * 2021-11-22 2022-02-18 重庆邮电大学 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法
CN114241413A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 基于注意力机制与特征平衡性的变电站多目标检测方法
CN114488069A (zh) * 2022-03-10 2022-05-13 杭州电子科技大学 基于图神经网络的雷达高分辨率距离像识别方法
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210225511A1 (en) * 2018-06-18 2021-07-22 Google Llc Method and system for improving cancer detection using deep learning
US20200017117A1 (en) * 2018-07-14 2020-01-16 Stephen Milton Vehicle-data analytics
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
US20210073291A1 (en) * 2019-09-06 2021-03-11 Digital Asset Capital, Inc. Adaptive parameter transfer for learning models
CN110991532A (zh) * 2019-12-03 2020-04-10 西安电子科技大学 基于关系视觉注意机制的场景图产生方法
CN111123257A (zh) * 2019-12-30 2020-05-08 西安电子科技大学 基于图时空网络的雷达动目标多帧联合检测方法
CN111538868A (zh) * 2020-04-28 2020-08-14 中国科学技术大学 知识追踪方法及习题推荐方法
CN111814977A (zh) * 2020-08-28 2020-10-23 支付宝(杭州)信息技术有限公司 训练事件预测模型的方法及装置
CN112711032A (zh) * 2020-12-07 2021-04-27 中国人民解放军海军航空大学 一种基于图数据和gcn的雷达目标检测方法及系统
CN112731330A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于迁移学习的雷达载频参数变化稳健目标识别方法
CN113011282A (zh) * 2021-02-26 2021-06-22 腾讯科技（深圳）有限公司 图数据处理方法、装置、电子设备及计算机存储介质
CN112801059A (zh) * 2021-04-07 2021-05-14 广东众聚人工智能科技有限公司 图卷积网络系统和基于图卷积网络系统的3d物体检测方法
CN113156376A (zh) * 2021-04-15 2021-07-23 中国人民解放军空军航空大学 基于sacnn的雷达辐射源信号识别方法
CN112926696A (zh) * 2021-04-20 2021-06-08 江苏大学 一种基于注意力图的可解释局部迁移互学习方法
CN113192571A (zh) * 2021-04-29 2021-07-30 南京邮电大学 一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置
CN113408549A (zh) * 2021-07-14 2021-09-17 西安电子科技大学 基于模板匹配和注意力机制的少样本弱小目标检测方法
CN113657473A (zh) * 2021-08-04 2021-11-16 北京航空航天大学 一种基于迁移学习的Web服务分类方法
CN113961759A (zh) * 2021-10-22 2022-01-21 北京工业大学 基于属性图表示学习的异常检测方法
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质
CN114067160A (zh) * 2021-11-22 2022-02-18 重庆邮电大学 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法
CN113835077A (zh) * 2021-11-23 2021-12-24 中国空气动力研究与发展中心计算空气动力研究所 基于变脉冲重复频率的搜索雷达目标检测方法及系统
CN114241413A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 基于注意力机制与特征平衡性的变电站多目标检测方法
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN114488069A (zh) * 2022-03-10 2022-05-13 杭州电子科技大学 基于图神经网络的雷达高分辨率距离像识别方法

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
MINJIA YANG等: "Mixed Loss Graph Attention Network for Few-Shot SAR Target Classification", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
何峰等: "曲线合成孔径雷达三维成像研究进展与展望", 《雷达学报》 *
刘鲲: "智能视频监控中事件理解的关键技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
孙闽红等: "融合注意力机制的雷达欺骗干扰域适应识别方法", 《电子与信息学报》 *
王国帅: "基于迁移学习的雷达目标识别", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
胡钢: "基于深度学习的水下目标识别和运动行为分析技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
胡锦林等: "基于时空图卷积网络的学生在线课堂行为识别", 《光电子·激光》 *
郑瀚: "基于深度迁移学习的雷达高分辨距离像识别研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
金秋园: "小样本雷达工作模式的识别研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
阮晨等: "复杂背景下SAR近岸舰船检测", 《中国图象图形学报》 *
韦玉潭: "基于图卷积网络的遥感影像小样本舰船目标识别", 《中国优秀硕士学位论文全文数据库 (工程科技II辑)》 *
黄恒华: "小样本环境下的SAR图像目标检测", 《万方数据》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233725A (zh) * 2023-11-15 2023-12-15 中国空气动力研究与发展中心计算空气动力研究所 基于图神经网络多特征融合的相干雷达目标检测方法
CN117233725B (zh) * 2023-11-15 2024-01-23 中国空气动力研究与发展中心计算空气动力研究所 基于图神经网络多特征融合的相干雷达目标检测方法

Also Published As

Publication number Publication date
CN114814776B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN110109059B (zh) 一种基于深度学习网络的雷达辐射源信号识别方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN111709315A (zh) 一种基于领域适配的水声目标辐射噪声识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
Jing et al. AENN: A generative adversarial neural network for weather radar echo extrapolation
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN112884742A (zh) 一种基于多算法融合的多目标实时检测、识别及跟踪方法
CN113759323B (zh) 基于改进K-Means联合卷积自编码器的信号分选方法及装置
CN112733447A (zh) 一种基于域自适应网络的水下声源定位方法及系统
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN112711032B (zh) 一种基于图数据和gcn的雷达目标检测方法及系统
Ayub et al. Multiple acoustic source localization using deep data association
CN117241215A (zh) 一种基于图神经网络的无线传感器网络分布式节点协作定位方法
CN115598714B (zh) 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法
CN113066537B (zh) 基于图神经网络的化合物分类方法
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
CN112001432B (zh) 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法
CN112666528B (zh) 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法
CN114998731A (zh) 智能终端导航场景感知识别的方法
CN112946567A (zh) 基于域对抗神经网络的运动目标指纹室内定位方法
CN117669008B (zh) 一种基于深度学习的地基沉降预测方法及系统
CN115510597B (zh) Gnn框架下基于广义s维分配的多传感器数据互联方法

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