CN114814776B - 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
CN114814776B
CN114814776B CN202210721266.XA CN202210721266A CN114814776B CN 114814776 B CN114814776 B CN 114814776B CN 202210721266 A CN202210721266 A CN 202210721266A CN 114814776 B CN114814776 B CN 114814776B
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.)
Active
Application number
CN202210721266.XA
Other languages
English (en)
Other versions
CN114814776A (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 597515DEST_PATH_IMAGE001
帧和后
Figure 717918DEST_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 232076DEST_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 830548DEST_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 379341DEST_PATH_IMAGE003
其中，
Figure 906530DEST_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i表示第
Figure 642405DEST_PATH_IMAGE005
帧信 号第
Figure 310147DEST_PATH_IMAGE006
个距离单元对应的节点，节点j表示第
Figure 447867DEST_PATH_IMAGE007
帧信号第
Figure 175652DEST_PATH_IMAGE008
个距离单元对应的节点，
Figure 398823DEST_PATH_IMAGE009
和
Figure 604676DEST_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参数更新时间。
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 596903DEST_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 994124DEST_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 704591DEST_PATH_IMAGE011
其中
Figure 448556DEST_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 560868DEST_PATH_IMAGE013
为时频点序 号，
Figure 364876DEST_PATH_IMAGE014
为归一化多普勒频率，
Figure 562640DEST_PATH_IMAGE015
为时频变化结果。将各距离单元时频图大小固定 为
Figure 110296DEST_PATH_IMAGE016
。q为信号偏移量序号，Q为相关长度，j为
Figure 342694DEST_PATH_IMAGE017
。
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 807349DEST_PATH_IMAGE018
其中
Figure 492408DEST_PATH_IMAGE019
和
Figure 843755DEST_PATH_IMAGE020
分别为计算得到的各时频点均值和标准差。
最后，利用
Figure 665081DEST_PATH_IMAGE019
和
Figure 76470DEST_PATH_IMAGE020
对各距离单元时频图进行归一化：
Figure 983247DEST_PATH_IMAGE021
Figure 872705DEST_PATH_IMAGE022
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 814116DEST_PATH_IMAGE003
其中，
Figure 894943DEST_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i表示第
Figure 289015DEST_PATH_IMAGE005
帧信 号第
Figure 247744DEST_PATH_IMAGE006
个距离单元对应的节点，节点j表示第
Figure 512503DEST_PATH_IMAGE007
帧信号第
Figure 531274DEST_PATH_IMAGE008
个距离单元对应的节点，
Figure 147064DEST_PATH_IMAGE009
和
Figure 909483DEST_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 294328DEST_PATH_IMAGE001
帧和后
Figure 218422DEST_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 822972DEST_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 857924DEST_PATH_IMAGE023
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 628434DEST_PATH_IMAGE024
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 723429DEST_PATH_IMAGE025
和
Figure 579389DEST_PATH_IMAGE026
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 418032DEST_PATH_IMAGE027
为 第i个节点的输出特征，
Figure 777470DEST_PATH_IMAGE028
为第j个节点的输入特征。
Figure 43366DEST_PATH_IMAGE029
为节点
Figure 619578DEST_PATH_IMAGE030
临域，
Figure 261912DEST_PATH_IMAGE031
为节点
Figure 7014DEST_PATH_IMAGE030
临 域中某一节点。权重系数
Figure 178233DEST_PATH_IMAGE032
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 8786DEST_PATH_IMAGE033
Figure 189231DEST_PATH_IMAGE034
其中
Figure 523261DEST_PATH_IMAGE035
为未归一化权重系数，
Figure 130959DEST_PATH_IMAGE036
为节点间权重计算函数，
Figure 684694DEST_PATH_IMAGE037
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 403251DEST_PATH_IMAGE038
的特征向量。三个特征向量依次输入LSTM聚合层，得到
Figure 857366DEST_PATH_IMAGE039
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 635966DEST_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 175532DEST_PATH_IMAGE001
帧和后
Figure 697780DEST_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 6402DEST_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 955903DEST_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 982765DEST_PATH_IMAGE003
其中，
Figure 541660DEST_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i表示第
Figure 970368DEST_PATH_IMAGE005
帧信 号第
Figure 825191DEST_PATH_IMAGE006
个距离单元对应的节点，节点j表示第
Figure 604928DEST_PATH_IMAGE007
帧信号第
Figure 203400DEST_PATH_IMAGE008
个距离单元对应的节点，
Figure 486614DEST_PATH_IMAGE009
和
Figure 43497DEST_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 779372DEST_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 (5)

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；具体包括子步骤：
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 DEST_PATH_IMAGE001
帧和后
Figure DEST_PATH_IMAGE002
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 309277DEST_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；
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 DEST_PATH_IMAGE003
；M、L均为正整数；
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参数更新时间；
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_IMAGE004
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。
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，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。
3.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，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_IMAGE005
其中，
Figure DEST_PATH_IMAGE006
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i表示第
Figure DEST_PATH_IMAGE007
帧信号第
Figure DEST_PATH_IMAGE008
个距离单元对应的节点，节点j表示第
Figure DEST_PATH_IMAGE009
帧信号第
Figure DEST_PATH_IMAGE010
个距离单元对应的节点，
Figure DEST_PATH_IMAGE011
和
Figure DEST_PATH_IMAGE012
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。
4.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，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。
5.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，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 CN114814776A (zh) 2022-07-29
CN114814776B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (21)

* 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
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
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7069359B2 (ja) * 2018-06-18 2022-05-17 グーグル エルエルシー 深層学習を使用して癌検出を改善するための方法およびシステム
WO2020018394A1 (en) * 2018-07-14 2020-01-23 Moove.Ai Vehicle-data analytics
US10831452B1 (en) * 2019-09-06 2020-11-10 Digital Asset Capital, Inc. Modification of in-execution smart contract programs

Patent Citations (21)

* 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
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 (11)

* Cited by examiner, † Cited by third party
Title
Mixed Loss Graph Attention Network for Few-Shot SAR Target Classification;Minjia Yang等;《IEEE Transactions on Geoscience and Remote Sensing》;20211029;1-13 *
基于图卷积网络的遥感影像小样本舰船目标识别;韦玉潭;《中国优秀硕士学位论文全文数据库 (工程科技II辑)》;20220315(第03期);C028-225 *
基于时空图卷积网络的学生在线课堂行为识别;胡锦林等;《光电子·激光》;20220228;第33卷(第02期);149-156 *
基于深度学习的水下目标识别和运动行为分析技术研究;胡钢;《中国博士学位论文全文数据库 (信息科技辑)》;20220515(第5期);I138-17 *
基于深度迁移学习的雷达高分辨距离像识别研究;郑瀚;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190715(第7期);I136-386 *
基于迁移学习的雷达目标识别;王国帅;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20220315(第3期);I136-1652 *
复杂背景下SAR近岸舰船检测;阮晨等;《中国图象图形学报》;20210630;第26卷(第05期);1058-1066 *
小样本环境下的SAR图像目标检测;黄恒华;《万方数据》;20210906;全文 *
智能视频监控中事件理解的关键技术研究;刘鲲;《中国博士学位论文全文数据库 (信息科技辑)》;20220615(第6期);I136-47 *
曲线合成孔径雷达三维成像研究进展与展望;何峰等;《雷达学报》;20150430;第4卷(第02期);130-135 *
融合注意力机制的雷达欺骗干扰域适应识别方法;孙闽红等;《电子与信息学报》;20220427;1-9 *

Also Published As

Publication number Publication date
CN114814776A (zh) 2022-07-29

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
CN110807365B (zh) 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN111123257B (zh) 基于图时空网络的雷达动目标多帧联合检测方法
CN110109059B (zh) 一种基于深度学习网络的雷达辐射源信号识别方法
CN112258554B (zh) 基于注意力机制的双流层次孪生网络目标跟踪方法
CN111709315A (zh) 一种基于领域适配的水声目标辐射噪声识别方法
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
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
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
CN112733447A (zh) 一种基于域自适应网络的水下声源定位方法及系统
CN112036239A (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
CN110223342B (zh) 一种基于深度神经网络的空间目标尺寸估计方法
CN112711032B (zh) 一种基于图数据和gcn的雷达目标检测方法及系统
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
Ayub et al. Multiple acoustic source localization using deep data association
CN115357862B (zh) 一种狭长空间中的定位方法
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
CN111368653A (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
CN110766696A (zh) 一种基于改进的粗糙集聚类算法的卫星图像分割方法
CN114492583B (zh) 一种基于lstm的雷达搜索模式识别方法
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
CN114998731A (zh) 智能终端导航场景感知识别的方法

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