CN116047418A - 基于小样本的多模态雷达有源欺骗干扰识别方法 - Google Patents
基于小样本的多模态雷达有源欺骗干扰识别方法 Download PDFInfo
- Publication number
- CN116047418A CN116047418A CN202310004984.XA CN202310004984A CN116047418A CN 116047418 A CN116047418 A CN 116047418A CN 202310004984 A CN202310004984 A CN 202310004984A CN 116047418 A CN116047418 A CN 116047418A
- Authority
- CN
- China
- Prior art keywords
- time
- mode
- data set
- prototype
- frequency image
- 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 29
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小样本的多模态雷达有源欺骗干扰识别方法,属于雷达有源欺骗干扰识别技术领域。本发明包括:对获取到的雷达有源欺骗干扰信号进行信号处理,以提取特征参数模态数据集和时频图像数据集,对前者进行高斯随机化扩充,对后者利用手写字符数据集Omniglot数据集进行扩充,再将其划分为支撑集和查询集;搭建基于多模态融合的原型网络,根据支撑集分别计算特征参数模态和时频图像模态的原型,对特征参数模态和时频图像模态的原型进行特征融合,获取多模态融合原型;根据多模态融合原型对查询集的样本进行分类,以得到雷达有源欺骗干扰的识别模型。本发明能够在小样本的条件下获取到足够的干扰特征,达到良好的雷达有源欺骗干扰识别效果。
Description
技术领域
本发明涉及雷达有源欺骗干扰识别技术领域,尤其涉及一种基于小样本的多模态雷达有源欺骗干扰识别方法。
背景技术
雷达欺骗干扰识别是雷达抗干扰核心技术之一,雷达在区分干扰种类后,可以采取相应的抗干扰措施抑制此类干扰,以达到更好的抗干扰效果。传统的干扰识别大多只针对单一干扰模式,进行某一维度的特征提取以进行干扰识别,但干扰信号特征提取往往依赖研究者主观设计,且对深层的抽象特征难以进行设计提取,从而影响干扰识别性能。
近年来,由于机器学习极佳的自动学习及深度挖掘数据特征的能力,不少学者将其应用于雷达欺骗干扰识别领域,利用神经网络(Neural Networks,NN)、卷积神经网络(Convolutional Neural Network,CNN)、孪生网络(Siamese Network)等进行干扰识别,在分类精度及普适性识别方面取得了良好的性能。但是,基于机器学习或深度学习的识别方法受训练样本数量影响较大,需要完备的训练集及足够的样本支撑网络的训练,在训练样本有限的条件下,无法捕捉到数据特征,很难达到期望的识别效果。而在实际的应用场景中,捕获敌方干扰信息,构建完备的训练集均存在着极大的困难,现有的方法难以完成小样本下的雷达有源欺骗干扰的识别。
发明内容
本发明针对现有技术的不足,提出了一种基于小样本的多模态雷达有源欺骗干扰识别方法,以有效提升小样本条件下的雷达有源欺骗干扰识别效果。
本发明采用的技术方案为:
基于小样本的多模态雷达有源欺骗干扰识别方法,包括以下步骤:
步骤S1、对获取到的雷达有源欺骗干扰信号进行信号处理,提取时域、频域及时频域的特征参数模态信息,得到特征参数模态数据集;并利用短时傅里叶变换(Short-timeFourier Transfer,STFT)提取雷达有源欺骗干扰信号的时频图像模态信息,得到时频图像数据集;
步骤S2、对步骤S1中获取到的时频图像数据集进行图像增强及形态学闭运算降噪处理;
步骤S3、使用高斯随机化的方式扩充步骤S1得到的特征参数模态数据集,并利用手写字符数据集Omniglot数据集扩充步骤S1得到的时频图像数据集;
步骤S4、将步骤S3扩充后的特征参数模态数据集划分为支撑集和查询集;
步骤S5、搭建基于多模态融合的原型网络,根据支撑集分别计算特征参数模态和时频图像模态的原型,并进行特征层融合,获得多模态融合原型;
步骤S6、根据步骤S5中得到的多模态融合原型对查询集的样本进行分类,计算损失,优化原型网络,最终得到雷达有源欺骗干扰的识别模型,以获取目标对象的雷达有源欺骗干扰信号的识别结果。
具体的,所述步骤S1包括以下子步骤:
步骤S11、根据雷达有源欺骗干扰的特点利用干扰信号提取时域矩偏度、时域矩峰度、时域包络起伏度、归一化幅度标准差、频域矩偏度、频域矩峰度、频域包络起伏度、归一化幅度频谱最大值、尺度重心九种共十个特征进行干扰识别。
步骤S12、利用STFT变换获取雷达欺骗干扰信号的时频图像,并对图像进行归一化灰度处理;
具体的,所述步骤S2包括以下子步骤:
步骤S21、对步骤S1中获取到的时频图像进行图像增强处理。为了便于后期图像去噪处理,先对图像进行线性灰度变换使噪声和信号之间的灰度值拉大来实现灰度图像增强。假设一幅图像f(x,y)的原始灰度范围在[a,b]之间,经过线性变换后的图像g(x,y)的灰度范围在[c,d]之间,则图像f(x,y)中任意像素点的灰度值k,变换后得到图像g(x,y)中对于像素点灰度值l可表示为:
其中,μ为增强系数。
步骤S22、对步骤S21中得到的时频图像进行形态学闭运算降噪。
具体的,所述步骤S3还包括以下子步骤:
步骤S31、扩充步骤S11得到的特征参数。为配合后续的图像特征的数量,需要对特征参数进行扩充训练,扩充方式为高斯随机化样本扩充,即,对每个知识向量重复多次加入均值为0、方差为σc 2的独立同分布高斯噪声,得到特征参数的训练样本。需要指出的是,高斯随机化过程在扩充训练样本空间、防止中心网络过拟合的同时,可以提高鲁棒性。
步骤S32、扩充步骤S2得到的时频图像样本集。对于图像样本的扩充,不能采取一维数据的简单高斯扩充方式,主要是因为高斯随机化扩充虽然能够扩充样本增强鲁棒性,但是对于二维数据来说,其特征本质上的变化很小,加噪之后基本无变化。故此,对于时频图像部分的扩充,这里选择借助Omniglot数据集与时频图像一起训练。
Omniglot数据集由来自50种不同语言的1,623个手写字符构成的,每个字符都有20个不同的笔迹,这就构成了一个样本类别极多(1623种),但每种类别的样本数量极少(20个)的小样本手写字符数据集。字符数据集的识别主要依靠简单的线条特征,与雷达有源欺骗干扰的时频图像有着相似之处,借助该数据集可以达到很好的训练效果。
具体的,所述步骤S4包括以下子步骤:
将步骤S3中扩充的数据集中的每个类别,分别取Ns个样本作为支持集,从剩余样本中选取Nq个作为查询集,训练时取Ns:Nq=1。
具体的,所述步骤S5还包括:
搭建基于多模态融合的原型网络,特征参数集和时频图像集分别通过两个卷积神经网络(第一特征提取网络和第二特征提取网络)进行特征向量提取和融合以获得多模态下的原型;
第一特征提取网络用于提取时频图像模态的特征向量,其包括六层二维的卷积层,并将六层二维卷积层提取的特征图转换为一维向量,得到时频图像模态的原型并输出;第二特征提取网络用于提取特征参数模态的特征向量,其包括四层二维的卷积层并将六层二维卷积层提取的特征图转换为一维向量后,得到特征参数模态的的原型并输出;再通过拼接层对时频图像模态的原型和特征参数模态的的原型进行拼接,得到各样本的融合特征向量,以获取同信号类型的样本的多模态融合原型。
设S为一组小规模的有标签支持数据集,表示为:
其中,x1是D1维的特征参数集输入数据,x2是D2维的图像集输入数据,y表示数据的标签即x所对应的类别。用Sk表示类别为k的数据集合,总类别数记为K。
网络f作为映射函数将原本D维的特征映射到P维的空间上。
选取Sk集合,对于其中所有的P维向量求其平均值,就得到了k类别的多模态融合原型ck:
具体的,所述步骤S6还包括:
得到每个类的原型之后,再用查询集计算每个样本对应每个类的概率:
其中,d(·)表示加权平方欧氏距离,其表达式为:
之后便可以通过一般的分类问题损失函数计算损失,对参数进行优化。训练过程中的主要优化目标就是找到合适的映射函数fφ,即合适的f1和f2,使得原型Ck能够更好地表现出每个类别图片的特征。假设样本对应的真实类别为k',那么就可以定义损失函数为:
J(φ)=-log(pφ(y=k'|x))
其中,log表示对数运算。
本发明提供的技术方案至少带来如下有益效果:
本发明通过对时频图像的降噪处理及利用Omniglot数据集扩充原始数据集,并采用原型网络和多模态融合的方式进行雷达有源欺骗干扰的识别,能够在小样本的条件下获取到足够的干扰特征,达到小样本条件下良好的雷达有源欺骗干扰识别效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的基于小样本的多模态雷达有源欺骗干扰识别方法的处理流程图。
图2为本发明的基于小样本的多模态识别网络的网络结构示意图。
图3为本发明实施例中采用的混淆矩阵图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供的基于小样本的多模态雷达有源欺骗干扰识别方法,具体包括下列步骤:
步骤S1、对获取到的雷达有源欺骗干扰信号进行处理,得到时域、频域及时频域的特征参数模态信息,并利用短时傅里叶变换(Short-time Fourier Transfer,STFT)获取信号的时频图像模态信息;
作为一种可能的实现方式,步骤S1具体包括下列步骤:
步骤S11、根据雷达有源欺骗干扰的特点利用干扰信号提取时域矩偏度、时域矩峰度、时域包络起伏度、归一化幅度标准差、频域矩偏度、频域矩峰度、频域包络起伏度、归一化幅度频谱最大值、尺度重心九种共十个特征进行干扰识别。
1)时域矩偏度:
其中,信号幅度向量用X表示,X=[x(1),x(2),...,x(N)],x(i)为i(i=1,2,…,N)时刻的信号幅度,N表示采样点数,即信号长度,μ、σ分别为X的均值和标准差,E(·)表示一阶矩的计算。时域矩偏度表示信号在时域分布的不对称程度。
2)时域矩峰度:
时域矩峰度表示信号时域分布的陡峭程度。
3)时域包络起伏度:
包络起伏度表征信号包络的变化程度。
4)归一化幅度标准偏差:
其中,NL表示信号长度,xcn为零中心归一化幅度,x(i)为信号幅度,进行零中心归一化处理可以消除信号增益对特征参数的影响,提取出的特征参数更能反映信号的实际变化规律,可以在同一尺度上对不同的干扰信号进行衡量。
5)频域矩偏度:
其中,μω、σω分别为信号功率谱Xω的均值和标准差。与时域矩偏度类似,频域矩偏度系数反映了功率谱的分布情况。
6)频域矩峰度:
频域矩峰度反映了信号功率谱分布的陡峭程度,分布越陡峭,频域矩峰度的取值越大。
7)频域包络起伏度:
频谱包络起伏度表征信号功率谱包络的变化程度,变化程度越大,频谱包络起伏度的取值越大。
8)归一化幅度频谱的最大值:
其中,max(·)表示取最大值,DFT(·)表示离散傅里叶变换。归一化幅度频谱的最大值可以用来表征信号的起伏程度。
9)尺度重心:
干扰的时频图像的尺度重心定义为:
C=[xc,yc]
其中,A(i,j)表示时频图像的像素点,M和N分别代表时频图像的行数和列数。
即本发明实施例中,采用上述9种特征参数模态,其中,尺度重心包括两个维度:xc和yc,其余为一维,共计10个特征参数进行干扰识别。
步骤S12、基于STFT变换获取雷达欺骗干扰信号的时频图像,并对图像进行归一化灰度处理。
步骤S2、对步骤S1中获取到的时频图像进行图像增强及形态学闭运算降噪处理,以得到扩充后的时频图像样本集;
作为一种可能的实现方式,步骤S2具体为:
步骤S21、对步骤S1中获取到的时频图像进行图像增强处理。
为了便于后期图像去噪处理,先对图像进行线性灰度变换使噪声和信号之间的灰度值拉大来实现灰度图像增强。假设一幅图像f(x,y)的原始灰度范围在[a,b]之间,经过线性变换后的图像g(x,y)的灰度范围在[c,d]之间,则图像f(x,y)中任意像素点的灰度值k,变换后得到图像g(x,y)中对于像素点灰度值l可表示为:
其中,μ为增强系数。
步骤S22、对步骤S21增强后的时频图像进行形态学闭运算降噪。
其中,A称为输入图像,B称为结构元素,Ac为A的补集。在数字图像处理中,集合B又被称为结构元。
图像的闭运算可以表示为:
步骤S3、使用高斯随机化的方式扩充特征参数模态的数据集,并借助Omniglot数据集扩充图像模态的时频图像数据集;
作为一种可能的实现方式,步骤S3具体包括:
步骤S31、扩充步骤S11得到的特征参数。
为配合后续的图像特征的数量,需要对特征参数进行扩充训练,扩充方式为高斯随机化样本扩充,即,对每个知识向量重复多次加入均值为0、方差为σc 2的独立同分布高斯噪声,得到特征参数的训练样本。需要指出的是,高斯随机化过程在扩充训练样本空间、防止中心网络过拟合的同时,可以提高鲁棒性。
步骤S32、扩充步骤S2得到的时频图像样本集。
对于图像样本的扩充,不能采取一维数据的简单高斯扩充方式,主要是因为高斯随机化扩充虽然能够扩充样本增强鲁棒性,但是对于二维数据来说,其特征本质上的变化很小,加噪之后基本无变化。故此,对于时频图像部分的扩充,这里选择借助Omniglot数据集与时频图像一起训练。
Omniglot数据集由来自50种不同语言的1,623个手写字符构成的,每个字符都有20个不同的笔迹,这就构成了一个样本类别极多(1623种),但每种类别的样本数量极少(20个)的小样本手写字符数据集。字符数据集的识别主要依靠简单的线条特征,与雷达有源欺骗干扰的时频图像有着相似之处,借助该数据集可以达到很好的训练效果。
步骤S4、将步骤S3扩充后的数据集(特征参数数据集和时频图像数据集)划分为支撑集和查询集;
作为一种可能的实现方式,步骤S4具体为:将步骤S3中扩充后的数据集中的每个类别,分别取Ns(预设值,经验值)个样本作为支持集,从剩余样本中选取Nq个作为查询集,训练时取Ns:Nq=1。
步骤S5、搭建基于多模态融合的原型网络,根据支撑集分别计算特征参数模态和时频图像模态的原型,并进行特征层融合,获得多模态融合原型;
其中,原型网络包括基于卷积神经网络的第一特征提取网络f1(用于提取时频图像模态的原型,即时频图像的特征向量)和第二特征提取网络f2(用于提取特征参数模态的原型,即特征参数的特征向量),以及特征融合层,用于对第一特征提取网络f1和第二特征提取网络f1输出的特征向量进行融合,输出多模态原型,如图2所示。
作为一种可能的实现方式,步骤S5具体包为:
建立网络f1,负责时频图像模态的原型计算,含有输入层、六个Conv2d层(二维卷积块),其中,网络f1的输入数据矩阵为N1×1×112×112,输出矩阵为N1×M1,N1为样本个数,M1为特征点数,112×112表示时频图像的分辨率,且每次从所有类别中选取10个类别进行训练;本实施例中,M1设置为64。
建立网络f2,负责特征参数模态的原型计算,含有输入层、四个Conv2d层,其中,网络f2的输入数据矩阵为N2×1×1×10,其中,10表示特征参数的维数,输出矩阵为N2×M2,N2为样本个数,M2为特征点数,每次从所有类别中选取10个类别进行训练;本实施例中,M2也设置为64。需要说明的是,M1与M2的取值可以设置为一致,要可以设置为不同的值。即网络f1在提取时频图像的特征向量时,最后会将其转换为一维向量后输出,网络f2的在提取特征参数特征向量时,也会在最后将其转换为一维向量后输出。进而实现两个模态的特征向量的拼接。
设S为一组小规模的有标签支持数据集,表示为:
其中,x1是D1维的特征参数集输入数据,x2是D2维的时频图像集输入数据,y表示数据的标签即x所对应的类别。用Sk表示类别为k的数据集合,总类别数记为K。
步骤S6、根据步骤S5中得到的多模态融合原型对查询集的样本进行分类,计算损失,优化网络,最终得到雷达有源欺骗干扰的识别模型,以获取目标对象的雷达有源欺骗干扰信号的识别结果。
作为一种可能的实现方式,步骤S6还包括:
得到每个类的原型之后,再用查询集计算每个样本对应每个类的概率:
其中,d(·)表示加权平方欧氏距离,其表达式为:
之后便可以通过一般的分类问题损失函数计算损失,对参数进行优化。训练过程中的主要优化目标就是找到合适的映射函数fφ,即合适的f1和f2,使得原型Ck能够更好地表现出每个类别图片的特征。假设样本对应的真实类别为k',那么就可以定义损失函数:
J(φ)=-log(pφ(y=k'|x))
其中,log表示对数运算。
本发明中,基于当得到雷达有源欺骗干扰的识别模型对当前的待识别的雷达有源欺骗干扰信号进行干扰识别,首先获取其时频图像,再对时频图像进行图像增强和形态学闭运算降噪处理后,将其输入识别模型中以获取其图像特征;以及将待识别的雷达有源欺骗干扰信号的特征参数输入识别模型中以获取其特征参数特征;拼接图像特征和特征参数特征得到待识别的多模态融合原型,将其与干扰信号库中的多模态融合原型进行匹配,分别计算待识别的多模态融合原型与库中的各多模态融合原型之间的欧式距离,若最小欧式距离满足指定条件,则基于最小欧式距离的干扰信号类型确定待识别信号的干扰信号类型;否则,表示当前的待识别干扰信号与库不匹配,对其进行保存,当满足一定信号数量时,对其进行聚类处理并基于聚类结构确定新增信号类别,并存入库中。
本发明实例中,由仿真得到包括距离维密集假目标干扰(Range Multi-false-target Jamming,RMTJ)、速度维密集假目标干扰(Velocity Multi-false-targetJamming,VMTJ)、距离-速度联合密集假目标干扰(Range-Velocity Multi-false-targetJamming,RVMTJ)、切片重构干扰(Chopping and Interleaving Jamming,CIJ)、间歇采样转发干扰(Interrupted Sampling Repeater Jamming,ISRJ)、频谱弥散干扰(SmearedSpectrum Jamming,SSJ)、卷积灵巧噪声干扰(Convolutional Smart Noise Jamming,CSNJ)、距离拖引干扰(Range Gate Pull-off Jamming,RGPJ)、速度拖引干扰(VelocityGate Pull-off Jamming,VGPJ)、距离-速度联合拖引干扰(Range-Velocity Gate Pull-off Jamming,RVGPJ)在内的十种雷达有源欺骗干扰信号,参数设置如表1所示。
在具体实施过程中,搭建处理器为Nvidia GeForce RTX 2060GPU;软件平台为:Pycharm的仿真实验平台。
表1参数设置
基于小样本的多模态识别网络最优的混淆矩阵如图3所示。观察图3可知,多模态下的针对每一种干扰都达到了比较好的识别效果,总体的识别率达到了97.35%。
本发明通过迁移Omniglot数据集扩充时频图像数据集,并融合特征参数与时频图像两个模态的特征,实现特征互补,最后以原型网络训练多模态特征,实现了基于小样本的多模态雷达有源欺骗干扰识别。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.基于小样本的多模态雷达有源欺骗干扰识别方法,其特征在于,包括下列步骤:
步骤S1,对获取到的雷达有源欺骗干扰信号进行信号处理,提取时域、频域及时频域的特征参数模态信息,得到特征参数模态数据集;并利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像模态信息,得到时频图像数据集;
步骤S2,对步骤S1中获取到的时频图像数据集进行图像增强及形态学闭运算降噪处理;
步骤S3、使用高斯随机化的方式扩充步骤S1得到的特征参数模态数据集,并利用手写字符数据集Omniglot数据集扩充步骤S1得到的时频图像数据集;
步骤S4、将步骤S3处理后的特征参数模态数据集划分为支撑集和查询集;
步骤S5、搭建基于多模态融合的原型网络,根据支撑集分别计算特征参数模态和时频图像模态的原型,对特征参数模态和时频图像模态的原型进行特征融合,获取多模态融合原型;
步骤S6、根据多模态融合原型对查询集的样本进行分类,计算分类损失以优化原型网络的网络参数,最终得到雷达有源欺骗干扰的识别模型,以获取目标对象的雷达有源欺骗干扰信号的识别结果。
2.如权利要求1所述的方法,其特征在于,所述步骤S1中,提取的时域、频域及时频域的特征参数模态信息包括:时域矩偏度、时域矩峰度、时域包络起伏度、归一化幅度标准差、频域矩偏度、频域矩峰度、频域包络起伏度、归一化幅度频谱最大值和尺度重心。
3.如权利要求1所述的方法,其特征在于,利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像模态信息具体包括:利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像,并对提取的视频图像进行归一化灰度处理。
5.如权利要求1所述的方法,其特征在于,所述步骤S4中,支撑集和查询集的数量比为1。
6.如权利要求1所述的方法,其特征在于,步骤S5中,所述原型网络包括第一特征提取网络、第二特征提取网络和拼接层;
其中,第一特征提取网络用于提取时频图像模态的特征向量,其包括六层二维的卷积层,并将六层二维卷积层提取的特征图转换为一维向量,得到时频图像模态的原型并输出;
第二特征提取网络用于提取特征参数模态的特征向量,其包括四层二维的卷积层并将六层二维卷积层提取的特征图转换为一维向量后,得到特征参数模态的的原型并输出;
再通过拼接层对时频图像模态的原型和特征参数模态的的原型进行拼接,得到各样本的融合特征向量,以获取同信号类型的样本的多模态融合原型。
7.如权利要求1至6任一项所述的方法,其特征在于,步骤S5中,多模态融合原型具体为:
用查询集计算每个样本对应每个类的概率:
其中,fφ(x)表示查询集的样本x的融合特征向量,y表示当前识别到的类别,k′表示真实类别,ck'表示真实类别的多模态融合原型,d(·)表示加权平方欧氏距离,其表达式为:
其中,z1和z2表示不同模态的中间计算量,f1(x)、f2(x)分别表示查询集的样本x的时频图像模态和特征参数模态的特征向量,和分别表示k类别的多模态融合原型ck中的时频图像模态分量和特征参数模态分量;
且步骤S6中,分类损失函数为:J(φ)=-log(pφ(y=k'|x))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004984.XA CN116047418A (zh) | 2023-01-03 | 2023-01-03 | 基于小样本的多模态雷达有源欺骗干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004984.XA CN116047418A (zh) | 2023-01-03 | 2023-01-03 | 基于小样本的多模态雷达有源欺骗干扰识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047418A true CN116047418A (zh) | 2023-05-02 |
Family
ID=86130824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004984.XA Pending CN116047418A (zh) | 2023-01-03 | 2023-01-03 | 基于小样本的多模态雷达有源欺骗干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951632A (zh) * | 2024-03-27 | 2024-04-30 | 合肥工业大学 | 基于多模态原型网络的pu对比学习异常检测方法及系统 |
-
2023
- 2023-01-03 CN CN202310004984.XA patent/CN116047418A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951632A (zh) * | 2024-03-27 | 2024-04-30 | 合肥工业大学 | 基于多模态原型网络的pu对比学习异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
Yi et al. | An end‐to‐end steel strip surface defects recognition system based on convolutional neural networks | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
CN108694225B (zh) | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 | |
CN111160533B (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
EP3772036A1 (en) | Detection of near-duplicate image | |
CN110555399B (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN111177446A (zh) | 一种用于足迹图像检索的方法 | |
CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
CN111144566B (zh) | 神经网络权重参数的训练方法、特征分类方法及对应装置 | |
Liu et al. | An indoor scene classification method for service robot Based on CNN feature | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
Feng et al. | Focal CTC loss for Chinese optical character recognition on unbalanced datasets | |
CN109145704B (zh) | 一种基于人脸属性的人脸画像识别方法 | |
CN110852292B (zh) | 一种基于跨模态多任务深度度量学习的草图人脸识别方法 | |
CN116047418A (zh) | 基于小样本的多模态雷达有源欺骗干扰识别方法 | |
CN114022914B (zh) | 基于融合深度网络的掌纹识别方法 | |
CN110503148B (zh) | 一种具有尺度不变性的点云对象识别方法 | |
CN111523586A (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
CN111680577A (zh) | 人脸检测方法和装置 | |
CN110910388A (zh) | 一种基于U-Net和密度估计的癌细胞图像分割方法 |
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 |