CN116520277B - 一种基于分离式卷积网络的雷达目标识别方法和系统 - Google Patents
一种基于分离式卷积网络的雷达目标识别方法和系统 Download PDFInfo
- Publication number
- CN116520277B CN116520277B CN202310462989.7A CN202310462989A CN116520277B CN 116520277 B CN116520277 B CN 116520277B CN 202310462989 A CN202310462989 A CN 202310462989A CN 116520277 B CN116520277 B CN 116520277B
- Authority
- CN
- China
- Prior art keywords
- feature matrix
- processing
- radar target
- convolution
- signal data
- 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 44
- 239000011159 matrix material Substances 0.000 claims abstract description 191
- 238000012545 processing Methods 0.000 claims abstract description 144
- 238000010606 normalization Methods 0.000 claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000012935 Averaging Methods 0.000 claims abstract description 16
- 238000011282 treatment Methods 0.000 claims abstract description 15
- 230000003321 amplification Effects 0.000 claims abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011176 pooling Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明给出了一种基于分离式卷积网络的雷达目标识别方法和系统,属于雷达目标识别技术领域,该方法包括:对未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;获取深度特征矩阵;得到时域特征矩阵、频域特征矩阵和局部特征矩阵;将时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到广度特征矩阵;对深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;对通道注意力机制处理结果依次进行区域扩增处理和分类识别。本发明能够快速地识别目标类型,且识别结果准确性高,效果好。
Description
技术领域
本发明属于雷达目标识别技术领域,尤其涉及一种基于分离式卷积网络的雷达目标识别方法和系统。
背景技术
大多数现有的雷达目标识别方法基于机器学习,涉及两个步骤:特征提取和分类。几十年来,雷达目标识别系统的成功需要大量的领域专业知识和精心的工程技能来设计一个将原始雷达目标转换为合适表示的特征提取器。典型特征包括尺度、光谱和偏振。尽管这些特性在特定的应用程序中表现出良好的性能,但为给定的任务设计令人满意的特性仍然是一个巨大的挑战。因此,存在开发通用特征提取器的强烈需求,该提取器需要很少的手工工作,并且可以应用于各种条件。
过去几年,深度学习或卷积神经网络蓬勃发展并取得了成功,它提供了端到端的表示能力,卷积神经网络已经应用在一些雷达识别方法上,但传统方法的卷积网络识别效果较差。
发明内容
本发明的目的之一,在于提供一种基于分离式卷积网络的雷达目标识别方法,该雷达目标识别方法能够快速地识别目标类型,且识别结果准确性高,效果好。
本发明的目的之二,在于提供一种基于分离式卷积网络的雷达目标识别系统。
为了达到上述目的之一,本发明采用如下技术方案实现:
一种基于分离式卷积网络的雷达目标识别方法,所述雷达目标识别方法包括如下步骤:
步骤S1、获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;
步骤S2、将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵;
步骤S3、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵;
步骤S4、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵;
步骤S5、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵;
步骤S6、将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵;
步骤S7、对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;
步骤S8、对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
进一步的,在所述步骤S1中,所述归一化的具体实现过程包括:
步骤S111、计算所述未知类别的雷达信号数据序列的二范数;
步骤S112、将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
进一步的,在所述步骤S1中,所述零均值化处理的具体实现过程包括:
步骤S121、计算归一化后的所述未知类别的雷达信号数据序列的平均值;
步骤S122、将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
进一步的,在所述步骤S6中,所述通道信息整合的具体过程包括:
步骤S61、将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
步骤S62、采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
步骤S63、将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
步骤S64、将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
步骤S65、对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
进一步的,在所述步骤S7中,所述通道注意力机制处理的具体实现过程包括:
步骤S71、对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
步骤S72、生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
步骤S73、将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
为了达到上述目的之二,本发明采用如下技术方案实现:
一种基于分离式卷积网络的雷达目标识别系统,所述雷达目标识别系统包括:
第一处理模块,用于获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;
第二处理模块,用于将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵;
第三处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵;
第四处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵;
第五处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵;
通道信息整合模块,用于将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵;
第六处理模块,用于对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;
识别模块,用于对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
进一步的,所述第一处理模块包括:
第一计算子模块,用于计算所述未知类别的雷达信号数据序列的二范数;
相除子模块,用于将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
进一步的,所述第一处理模块还包括:
第二计算子模块,用于计算归一化后的所述未知类别的雷达信号数据序列的平均值;
相减子模块,用于将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
进一步的,所述通道信息整合包括:
第一拼接子模块,用于将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
第一卷积处理子模块,用于采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
第二拼接子模块,用于将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
第三拼接子模块,用于将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
第二卷积处理子模块,用于对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
进一步的,所述第六处理模块包括:
压缩处理子模块,用于对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
生成子模块,用于生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
相乘子模块,用于将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
综上,本发明提出的方案具备如下技术效果:
本发明通过分离式卷积网络,得到未知类别的雷达目标信号对应的深度特征矩阵;通过短时傅里叶变换和时域特征提取、离散小波变换和频域特征提取以及多次零填充卷积和批归一化,得到未知类别的雷达目标信号对应的时域特征、频域特征和局部特征矩阵,并通过时域特征、频域特征和局部特征矩阵的通道信息整合,得到广度特征矩阵;通过深度特征矩阵和广度特征矩阵的融合,快速地识别目标类型,且识别结果准确性高,效果好;本发明可以实现较稀疏的采样达到很好的识别效果,在工业目标识别等方面有着很大的发展空间。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明的基于分离式卷积网络的雷达目标识别方法流程示意图;
图2为本发明的分离式卷积网络结构示意图;
图3为本发明的密集块结构示意图。
具体实施方式
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,所描述的实施例只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。
本实施例给出了一种基于分离式卷积网络的雷达目标识别方法,参考图1,该雷达目标识别方法包括如下步骤:
S1、获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理。
本实施例中的未知类别的雷达目标信号数据序列表示为xraw=[x1,x2,...,xl,...,xL]。本步骤中的归一化的具体实现过程包括:
步骤S111、计算所述未知类别的雷达信号数据序列的二范数;
步骤S112、将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
按照如下公式进行归一化:
其中,x为归一化后的雷达信号数据序列,x=;xraw为未知类别的雷达目标信号数据序列,xl为雷达目标信号数据序列第l个雷达目标信号数据,l=1,2,3,...,L,L为雷达目标信号数据序列中雷达目标信号数据个数;||xraw||2为未知类别的雷达信号数据序列的二范数。
本步骤中的零均值化处理的具体实现过程包括:
步骤S121、计算归一化后的所述未知类别的雷达信号数据序列的平均值;
步骤S122、将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
按照如下公式,将归一化后的未知类别的雷达信号数据序列中各个雷达信号数据进行零均值化处理,从而将未知类别的雷达信号数据序列中各个雷达信号数据中心化到0:
其中,x″l为零均值化处理后的雷达信号数据序列中第l个雷达信号数据;x′l为归一化后的雷达信号数据序列中第l个雷达信号数据。
S2、将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵。
本实施例通过训练后的分离式卷积网络,实现了现了从深度上提取雷达目标信号数据的峰值和波形的特征信息。本实施例的分离式卷积网络包括4个依次连接的密集块,每个密集块后面连接有一个池化层,参考图2,以从深度上提取出雷达目标信号的深层次细粒度特征(如峰值和波形),该深层次细粒度特征有助于识别目标雷达信号的种类。
每个密集块包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块,第二卷积块和第三卷积块之间设置有第一拼接层,第三卷积块和第四卷积块之间设置有第二拼接层,第四卷积块和第五卷积块之间设置有第三拼接层,参考图3,第一个密集块中的第一卷积块,用于对未知类别的雷达目标信号数据序列依次进行卷积运算和批归一化处理后分别给第二卷积块和第一拼接层。后面的三个密集块中的第一卷积块,用于对前面的池化层输出结果依次进行卷积运算和批归一化处理后分别给对应的第二卷积块和第一拼接层。第二卷积块,用于对第一卷积块输出结果依次进行卷积运算和批归一化处理后分别给第三卷积块和第一拼接层。第一拼接层,用于采用相同位置数值相加方法,将第一卷积块输出结果和第二卷积块进行拼接处理后分别给第三卷积块和第二拼接层。第三卷积块,用于对第一拼接层输出结果依次进行卷积运算和批归一化处理后分别给第四卷积块和第二拼接层。第二拼接层,用于采用相同位置数值相加方法,将第三卷积块输出结果和第一拼接层输出结果进行拼接处理后分别给第四卷积块和第三拼接层。第四卷积块,用于对第二拼接层输出结果依次进行卷积运算和批归一化处理后给第三拼接层。第三拼接层,用于采用相同位置数值相加方法,将第四卷积块输出结果和第二拼接层输出结果进行拼接处理后给第五卷积块。第五卷积块,用于对第三拼接层输出结果依次进行卷积运算和批归一化处理给池化层。池化层,用于将第五卷积块输出结果(即特征矩阵)进行池化处理(缩小特征矩阵的长和宽)后给下一个密集块。
本实施例中密集块中的卷积核大小为3,步距为1,零填充方式,其输入和输出的特征矩阵尺寸相同,因而可以直接相加。为了提升通道数量,本实施例中的每个密集块中第一个卷积块中的卷积核数量是输入该卷积块特征矩阵(即未知类别的雷达目标信号数据序列)通道数量的两倍。后续卷积块的卷积核数量都和各自卷积块的输入特征矩阵的通道数量相同。本实施例中每个池化层的窗口大小为3,步幅大小为2,零填充方式,取每个窗口中九个数值的平均值,生成其后续密集块的输入特征矩阵,降低后续密集块的计算量,达到优化效果。
S3、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵。
S4、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵。
S5、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵。
本实施例通过三个串联的卷积层,对零均值化处理后的未知类别的雷达目标信号数据序列连续三次卷积处理,每层卷积的步距均为1,采用零填充方式,三个卷积核大小不同,从第一层到第三层分别为7、5和3,然后经过批归一化层处理,得到雷达目标信号数据的局部特征信息。
S6、将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵。
本实施例通过通道调整,整合通道间的信息,实现时域特征矩阵、频域特征矩阵和局部特征矩阵的通道信息整合,从广度上提取雷达目标信号数据的峰值和波形的特征信息。通道信息整合的具体过程包括:
步骤S61、将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
步骤S62、采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
步骤S63、将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
步骤S64、将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
步骤S65、对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
S7、对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理。
本实施例可采用卷积核大小为3、步幅大小为1和零填充方式的卷积层进行零填充卷积处理,以整合深度特征信息,并保持特征矩阵大小不变。本实施例采用两矩阵相应位置数据相加方法进行拼接。
本实施例可采用全局平均池化层,将每个通道的二维特征压缩为一个实数,特征矩阵从c×h×w变为c×1×1,c是特征矩阵的通道数量,h和w是特征矩阵的长和宽。通过softmax层生成一个维度为特征矩阵通道数量c的权重向量l,最后使每个通道和相应的通道权重相乘。通道注意力机制处理的具体实现过程包括:
步骤S71、对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
步骤S72、生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
步骤S73、将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
S8、对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
本实施例可采用区域扩增网络进行区域扩增处理,通过区域扩增处理,捕获更多特征信息。区域扩增网络包括依次连接的主干网络、批归一化处理层和ReLU函数激活层,主干网络包括多个串联的空洞卷积层,空洞卷积层可以在不需要对特征矩阵进行下采样的情况下增加感受野,增加感受野更有利于捕获特征信息,避免了下采样导致信息丢失。
为了在保证区域扩增网络的特征信息的捕获能力条件下,降低时间成本,本实施例采用3个空洞卷积层,3个空洞卷积层的空洞率依次为1到3,可以更有效获取特征信息,避免造成局部信息丢失,增强了区域扩增网络对数据分布的学习与表征能力。
本实施例可采用分类器进行分类识别。本实施例的分类器包括依次连接的全连接层和Softmax分类层。全连接层,用于采用矩阵相乘方法,将区域扩增网络输出结果与权重矩阵相乘后进行偏置处理,实现特征空间转换整合。Softmax分类层。Softmax分类层,用于根据偏置处理结果,预测未知类别的雷达目标信号数据属于各类目标的概率,并将最大概率对应的目标类别作为雷达目标信号数据对应的目标类别。
本实施例中,在使用分离式卷积网络时,需要先进行训练,在预训练阶段对信号数据进行数据增强(如随机剪裁、水平翻转和缩放),以增加输入数据的维度等,预处理后的模型将不再受限于大量的训练样本,提升模型泛化能力,避免在训练过程中过拟合,在实际应用中具有现实意义。
本实施例通过分离式卷积网络,得到未知类别的雷达目标信号对应的深度特征矩阵;通过短时傅里叶变换和时域特征提取、离散小波变换和频域特征提取以及多次零填充卷积和批归一化,得到未知类别的雷达目标信号对应的时域特征、频域特征和局部特征矩阵,并通过时域特征、频域特征和局部特征矩阵的通道信息整合,得到广度特征矩阵;通过深度特征矩阵和广度特征矩阵的融合,快速地识别目标类型,且识别结果准确性高,效果好;本实施例可以实现较稀疏的采样达到很好的识别效果,在工业目标识别等方面有着很大的发展空间。
上述实施例可采用如下实施例给出的技术方案实现:
另一实施例给出了一种基于分离式卷积网络的雷达目标识别系统,该雷达目标识别系统包括:
第一处理模块,用于获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;
第二处理模块,用于将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵;
第三处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵;
第四处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵;
第五处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵;
通道信息整合模块,用于将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵;
第六处理模块,用于对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;
识别模块,用于对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
进一步的,所述第一处理模块包括:
第一计算子模块,用于计算所述未知类别的雷达信号数据序列的二范数;
相除子模块,用于将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
进一步的,所述第一处理模块还包括:
第二计算子模块,用于计算归一化后的所述未知类别的雷达信号数据序列的平均值;
相减子模块,用于将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
进一步的,所述通道信息整合包括:
第一拼接子模块,用于将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
第一卷积处理子模块,用于采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
第二拼接子模块,用于将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
第三拼接子模块,用于将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
第二卷积处理子模块,用于对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
进一步的,所述第六处理模块包括:
压缩处理子模块,用于对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
生成子模块,用于生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
相乘子模块,用于将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
上述实施例所涉及的原理、公式及其参数定义,均可适用,这里不再一一赘述。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于分离式卷积网络的雷达目标识别方法,其特征在于,所述雷达目标识别方法包括如下步骤:
步骤S1、获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;
步骤S2、将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵;
步骤S3、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵;
步骤S4、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵;
步骤S5、对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵;
步骤S6、将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵;
步骤S7、对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;
步骤S8、对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
2.根据权利要求1所述的雷达目标识别方法,其特征在于,在所述步骤S1中,所述归一化的具体实现过程包括:
步骤S111、计算所述未知类别的雷达信号数据序列的二范数;
步骤S112、将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
3.根据权利要求2所述的雷达目标识别方法,其特征在于,在所述步骤S1中,所述零均值化处理的具体实现过程包括:
步骤S121、计算归一化后的所述未知类别的雷达信号数据序列的平均值;
步骤S122、将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
4.根据权利要求3所述的雷达目标识别方法,其特征在于,在所述步骤S6中,所述通道信息整合的具体过程包括:
步骤S61、将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
步骤S62、采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
步骤S63、将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
步骤S64、将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
步骤S65、对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
5.根据权利要求4所述的雷达目标识别方法,其特征在于,在所述步骤S7中,所述通道注意力机制处理的具体实现过程包括:
步骤S71、对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
步骤S72、生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
步骤S73、将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
6.一种基于分离式卷积网络的雷达目标识别系统,其特征在于,所述雷达目标识别系统包括:
第一处理模块,用于获取未知类别的雷达目标信号数据序列,并对所述未知类别的雷达目标信号数据序列依次进行归一化和零均值化处理;
第二处理模块,用于将零均值化处理后的未知类别的雷达目标信号数据序列输入到训练好的分离式卷积网络中,以获取所述未知类别的雷达目标信号对应的深度特征矩阵;
第三处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行短时傅里叶变换和时域特征提取,得到所述未知类别的雷达目标信号对应的时域特征矩阵;
第四处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行离散小波变换和频域特征提取,得到所述未知类别的雷达目标信号对应的频域特征矩阵;
第五处理模块,用于对零均值化处理后的未知类别的雷达目标信号数据序列依次进行多次零填充卷积和批归一化,得到所述未知类别的雷达目标信号对应的局部特征矩阵;
通道信息整合模块,用于将所述时域特征矩阵、频域特征矩阵和局部特征矩阵进行通道信息整合,得到所述未知类别的雷达目标信号对应的广度特征矩阵;
第六处理模块,用于对所述深度特征矩阵进行零填充卷积处理后与所述广度特征矩阵依次进行拼接、ReLU激活处理和通道注意力机制处理;
识别模块,用于对通道注意力机制处理结果依次进行区域扩增处理和分类识别。
7.根据权利要求6所述的雷达目标识别系统,其特征在于,所述第一处理模块包括:
第一计算子模块,用于计算所述未知类别的雷达信号数据序列的二范数;
相除子模块,用于将所述未知类别的雷达信号数据序列中各个雷达通讯信号数据除以所述未知类别的雷达信号数据序列的二范数。
8.根据权利要求7所述的雷达目标识别系统,其特征在于,所述第一处理模块还包括:
第二计算子模块,用于计算归一化后的所述未知类别的雷达信号数据序列的平均值;
相减子模块,用于将归一化后的所述未知类别的雷达信号数据序列中各个雷达通讯信号数据减去所述平均值。
9.根据权利要求8所述的雷达目标识别系统,其特征在于,所述通道信息整合包括:
第一拼接子模块,用于将所述时域特征矩阵和频域特征矩阵和局部特征矩阵进行第一次拼接,得到第一拼接特征矩阵;
第一卷积处理子模块,用于采用三个不同卷积核,对所述第一拼接特征矩阵分别进行三次卷积处理,得到三个卷积特征矩阵;
第二拼接子模块,用于将其中两个卷积特征矩阵进行第二次拼接,得到第二拼接特征矩阵;
第三拼接子模块,用于将所述第二拼接特征矩阵进行卷积处理后,与剩余的卷积特征矩阵第三次拼接,得到第三拼接特征矩阵;
第二卷积处理子模块,用于对所述第三拼接特征矩阵依次进行卷积处理、批归一化层和ReLU激活处理,得到广度特征矩阵。
10.根据权利要求9所述的雷达目标识别系统,其特征在于,所述第六处理模块包括:
压缩处理子模块,用于对经过ReLU激活函数处理后得到的特征矩阵中每个通道的二维特征进行压缩处理,得到各个通道对应的实数;
生成子模块,用于生成经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量;
相乘子模块,用于将经过ReLU激活函数处理后得到的特征矩阵中各个通道对应的权重向量和对应的实数相乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462989.7A CN116520277B (zh) | 2023-04-26 | 2023-04-26 | 一种基于分离式卷积网络的雷达目标识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462989.7A CN116520277B (zh) | 2023-04-26 | 2023-04-26 | 一种基于分离式卷积网络的雷达目标识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520277A CN116520277A (zh) | 2023-08-01 |
CN116520277B true CN116520277B (zh) | 2023-12-08 |
Family
ID=87397018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310462989.7A Active CN116520277B (zh) | 2023-04-26 | 2023-04-26 | 一种基于分离式卷积网络的雷达目标识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520277B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
JP2019185179A (ja) * | 2018-04-03 | 2019-10-24 | 株式会社東芝 | 目標認識装置、目標認識方法及びプログラム |
CN111580058A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN113554125A (zh) * | 2021-09-18 | 2021-10-26 | 四川翼飞视科技有限公司 | 结合全局与局部特征的目标检测装置、方法和存储介质 |
CN113807186A (zh) * | 2021-08-18 | 2021-12-17 | 南京理工大学 | 基于多通道复用卷积神经网络的雷达目标识别方法 |
-
2023
- 2023-04-26 CN CN202310462989.7A patent/CN116520277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
JP2019185179A (ja) * | 2018-04-03 | 2019-10-24 | 株式会社東芝 | 目標認識装置、目標認識方法及びプログラム |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN111580058A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 |
CN113807186A (zh) * | 2021-08-18 | 2021-12-17 | 南京理工大学 | 基于多通道复用卷积神经网络的雷达目标识别方法 |
CN113554125A (zh) * | 2021-09-18 | 2021-10-26 | 四川翼飞视科技有限公司 | 结合全局与局部特征的目标检测装置、方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116520277A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949278B (zh) | 基于对抗自编码网络的高光谱异常检测方法 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN108847223B (zh) | 一种基于深度残差神经网络的语音识别方法 | |
CN111723874B (zh) | 一种基于宽度和深度神经网络的声场景分类方法 | |
CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN113688941A (zh) | 基于生成对抗网络的小样本声呐图像分类识别优化方法 | |
CN112241724A (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及系统 | |
CN114998958B (zh) | 一种基于轻量化卷积神经网络的人脸识别方法 | |
CN110781912A (zh) | 一种基于通道扩张倒置卷积神经网络的图像分类方法 | |
CN111931820A (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
Yang et al. | Blind image quality assessment based on multi-scale KLT | |
CN113887502A (zh) | 一种通信辐射源时频特征提取与个体识别方法及系统 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
CN111709867A (zh) | 基于新型全卷积网络的等模矢量分解图像加密分析方法 | |
CN116593980B (zh) | 雷达目标识别模型训练方法、雷达目标识别方法及装置 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN116520277B (zh) | 一种基于分离式卷积网络的雷达目标识别方法和系统 | |
CN117119377A (zh) | 基于滤波Transformer的室内指纹定位方法 | |
CN116630728A (zh) | 基于注意力残差孪生网络的加工精度预测方法 | |
CN115861779A (zh) | 一种基于有效特征表示的无偏场景图生成方法 | |
CN114898773A (zh) | 基于深度自注意力神经网络分类器的合成语音检测方法 | |
CN114005157A (zh) | 一种基于卷积神经网络的像素位移向量的微表情识别方法 | |
CN112989955A (zh) | 基于空时双流异构嫁接卷积神经网络人体动作识别方法 |
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 |