CN116662929A - 雷达信号识别模型的训练方法以及雷达信号识别方法 - Google Patents

Abstract

本发明公开了一种雷达信号识别模型的训练方法以及雷达信号识别方法，通过将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取特征提取层输出的至少两种尺度的雷达信号特征图；第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；通过待训练识别模型中的特征处理层，对至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；通过待训练识别模型中的分类网络，对融合特征图进行处理，得到待训练识别模型输出的识别结果；基于识别结果以及目标训练样本集中的第一样本标签，对待训练识别模型进行训练，得到雷达信号识别模型，提高了雷达信号的识别精度以及识别效率。

Description

雷达信号识别模型的训练方法以及雷达信号识别方法

技术领域

本发明涉及雷达技术领域，具体涉及一种雷达信号识别模型的训练方法以及雷达信号识别方法。

背景技术

随着电子技术在各领域中的广泛应用，快速高效的雷达信号识别在电磁频谱域对抗中起着至关重要的作用。它直接影响后续任务的准确性，例如电子对策等。

在电磁环境相对简单的情况下，传统方法主要通过人工提取雷达信号的特征，以对雷达信号进行识别。但在电磁环境日益复杂的情况下，通过人工识别雷达信号，获取到的雷达信号特征的精度较低，导致雷达信号的识别精度较低，雷达信号的识别效率不高。

发明内容

本发明的目的之一在于提供一种雷达信号识别模型的训练方法，以解决现有技术中的雷达信号的识别精度较低且识别效率不高的问题；目的之二在于提供一种雷达信号识别方法，目的之三在于提供一种雷达信号识别模型的训练装置；目的之四在于提供一种雷达信号识别装置；目的之五在于提供一种电子设备；目的之六在于提出一种可读存储介质。

为了实现上述目的，本发明是这样实现的：

第一方面，本发明提供了一种雷达信号识别模型的训练方法，所述方法包括：

将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；

通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；

通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果；

基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

可选的，所述特征提取层包括至少两个特征提取子层，不同特征提取子层中包括的特征提取单元的数量不同，所述至少两个特征提取子层中存在相同的特征提取单元；

所述获取所述特征提取层输出的至少两种尺度的雷达信号特征图，包括：

基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图。

可选的，所述至少两个特征提取子层包括第一提取子层、第二提取子层以及第三提取子层，所述第一提取子层包括第一卷积池化单元，所述第二提取子层包括所述第一卷积池化单元以及第二卷积池化单元，所述第三提取子层包括所述第一卷积池化单元、第三卷积池化单元以及第四卷积池化单元；

所述基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图，包括：

将所述第一样本雷达信号作为所述第一卷积池化单元的输入，得到所述第一卷积池化单元输出的第一雷达信号特征图；

将所述第一雷达信号特征图作为所述第二卷积池化单元的输入，得到所述第二卷积池化单元输出的第二雷达信号特征图；

将所述第一雷达信号特征图作为所述第三卷积池化单元的输入，得到所述第三卷积池化单元输出第三雷达信号特征图，以及，将所述第三雷达信号特征图作为所述第四卷积池化单元的输入，得到所述第四卷积池化单元输出第四雷达信号特征图。

可选的，所述分类网络包括正向门控循环单元网络以及反向门控循环单元网络；所述通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果，包括：

基于所述正向门控循环单元网络以及所述融合特征图，获取正向输出，以及，基于所述反向门控循环单元网络以及所述融合特征图，获取反向输出；

对所述正向输出以及所述反向输出进行叠加处理，得到所述待训练识别模型输出的识别结果。

可选的，根据目标验证样本集中的第二样本雷达信号以及第二样本标签，确定所述雷达信号识别模型的识别误差；

在所述识别误差大于预设误差阈值的情况下，按照目标学习率对所述雷达信号识别模型进行参数调整，并确定参数调整后的所述雷达信号识别模型的当前识别误差；

在所述当前识别误差小于上次确定的识别误差，或者，目标次数小于预设次数阈值的情况下，继续按照所述目标学习率对所述雷达信号识别模型进行参数调整；所述目标次数是连续出现当前识别误差不小于上次确定的识别误差的次数；

在所述目标次数不小于所述预设次数阈值的情况下，降低所述目标学习率，并基于降低后所述目标学习率继续对所述雷达信号识别模型进行参数调整；

在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整。

可选的，所述对所述雷达信号识别模型进行参数调整之后，所述方法还包括：

确定调整后的所述雷达信号识别模型的损失值；

所述在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整，包括：

在调整后的所述雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对所述雷达信号识别模型进行参数调整；

或者，

在所述当前识别误差不大于所述预设误差阈值的情况下，停止对所述雷达信号识别模型进行参数调整。

可选的，所述方法还包括：

对多种采样环境下的多种类型的雷达信号分别进行采样，得到样本数据集；

对所述样本数据集进行归一化处理，并将归一化处理后的样本数据集按照预设划分比例进行划分，得到所述目标训练样本集以及所述目标验证样本集。

第二方面，本发明提供了一种雷达信号识别方法，所述方法包括：

将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图；

通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；

通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述任一所述方法训练得到的。

第三方面，本发明提供了一种雷达信号识别模型的训练装置，所述装置包括：

第一获取模块，用于将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；

第一处理模块，用于通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；

第二处理模块，用于通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果；

第一训练模块，用于基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

第四方面，本发明提供了一种雷达信号识别装置，所述装置包括：

第二获取模块，用于将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图；

第四处理模块，通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；

第二识别模块，用于通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述任一所述方法训练得到的。

第五方面，本发明提供一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法。

第六方面，本发明提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述方法。

本发明的有益效果：

本发明实施例中，通过待训练识别模型中的特征提取层获取的至少两种尺度的雷达信号特征图，可以得到第一样本雷达信号对应的不同尺度的雷达信号特征图，即可以获得更丰富的雷达信号特征，进而可以提高获取到的雷达信号特征的语义精度。并且，基于更丰富且更精准的雷达信号特征，通过待训练识别模型中的特征处理层对至少两种尺度的雷达信号特征图进行融合处理，能够得到更丰富的特征表达，进而能够训练得到识别能力更强、识别结果更精准的雷达信号识别模型，增强了雷达信号识别模型的多尺度感受野和语义表达能力。并且通过训练生成雷达信号识别模型，使得可以基于雷达信号识别模型自动化对雷达信号进行识别，一定程度上可以提高雷达信号的识别精度以及识别效率。

附图说明

图1为本发明实施例提供的一种雷达信号识别模型的训练方法的步骤流程图；

图2为本发明实施例提供的一种待训练识别模型的架构图；

图3为本发明实施例提供的一种雷达信号识别模型的训练方法的具体示意图；

图4为本发明实施例提供的一种雷达信号识别方法的步骤流程图；

图5为本发明实施例提供的一种雷达信号识别模型的训练装置的结构图；

图6为本发明实施例提供的一种雷达信号识别装置的结构图；

图7为本发明实施例提供的一种电子设备的结构图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

本发明公开了一种雷达信号识别模型的训练方法，如图1所示，本发明实施例包括以下步骤：

步骤101、将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据。

本发明实施例中，目标训练样本集中可以包括第一样本雷达信号以及第一样本标签，第一样本雷达信号中可以包括多个样本雷达信号，第一样本标签中可以包括多个样本标签，多个样本雷达信号可以与多个样本标签一一对应，第一样本标签用于表征第一样本雷达信号中雷达信号所属的真实雷达信号类型。第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据，模型的识别能力取决于雷达信号的雷达信号类型的种类，即第一样本雷达信号对应的雷达信号类型种类越多，模型对于雷达信号的识别能力更好。其中，雷达信号类型可以是BPSK、Costas、FMCW、Frank、P1、P2、P3和P4等。第一样本标签的表示形式可以采用二进制向量形式的独热编码(One-Hot Encoding)，不同的雷达信号类型对应不同的独热编码，这样，可以便于模型处理第一样本标签，并且一定程度上也起到了扩充样本标签的特征的作用。待训练识别模型可以包括特征提取层、特征处理层以及分类网络。将目标训练样本集中的第一样本雷达信号输入待训练识别模型中的特征提取层，获取特征提取层输出的至少两种尺度的雷达信号特征图。至少两种尺度的雷达信号特征图可以是基于不同提取深度对第一样本雷达信号进行特征提取得到的雷达信号特征图得到的，也就是说，至少两种尺度的雷达信号特征图都是第一样本雷达信号对应的特征图，但由于提取深度不同，得到的特征图所表征的特征信息以及特征复杂度不同。示例性的，至少两种尺度的雷达信号特征图可以分为低层雷达信号特征图以及高层雷达信号特征图，低层雷达信号特征图的分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层雷达信号特征图具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。

步骤102、通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图。

本发明实施例中，通过待训练识别模型中的特征处理层，对特征提取层输出的至少两种尺度的雷达信号特征图进一步进行融合处理，得到融合特征图，融合特征图相对于至少两种尺度的雷达信号特征图具有更丰富的特征表达。这样，通过特征融合，可以基于不同尺度的雷达信号特征图，利用特征之间的互补性，融合特征之间的优点，进而达到提高模型的性能的效果。

步骤103、通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果。

本发明实施例中，通过待训练识别模型中的分类网络，对待训练识别模型中的特征处理层输出的融合特征图进行处理，得到待训练识别模型输出的识别结果，该识别结果可以包括第一样本雷达信号对应的雷达信号类型。

步骤104、基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

本发明实施例中，为了使得待训练识别模型预测的识别结果与真实识别结果的相似度尽可能高，基于识别结果以及目标训练样本集中的第一样本标签，对待训练识别模型进行参数调整。示例性的，可以使用随机梯度下降(SGD)、批量梯度下降(BGD)等优化算法来调整待训练识别模型的参数。第一样本标签可以是在待训练识别模型训练之前，对第一样本雷达信号中各雷达信号数据的真实雷达信号类型识别结果进行判断得到的。示例性的，针对第一样本雷达信号中的任一雷达信号数据，识别该雷达信号数据中雷达信号所属的雷达信号类型，基于识别得到的雷达信号类型，生成与该雷达信号数据对应的第一样本标签，第一样本标签可以是采用独热编码进行处理后的样本标签。在达到停止条件的情况下，将待训练识别模型确定为雷达信号识别模型，以完成对待训练识别模型的训练，得到雷达信号识别模型。其中，停止条件可以包括待训练识别网络的损失值达到预设阈值、待训练识别网络的训练轮数达到预设轮数阈值等条件。

综上所述，本发明实施例中，通过待训练识别模型中的特征提取层获取的至少两种尺度的雷达信号特征图，可以得到第一样本雷达信号对应的不同尺度的雷达信号特征图，即可以获得更丰富的雷达信号特征，进而可以提高获取到的雷达信号特征的语义精度。并且，基于更丰富且更精准的雷达信号特征，通过待训练识别模型中的特征处理层对至少两种尺度的雷达信号特征图进行融合处理，能够得到更丰富的特征表达，进而能够训练得到识别能力更强、识别结果更精准的雷达信号识别模型，增强了雷达信号识别模型的多尺度感受野和语义表达能力。并且通过训练生成雷达信号识别模型，使得可以基于雷达信号识别模型自动化对雷达信号进行识别，一定程度上可以提高雷达信号的识别精度以及识别效率。

可选的，所述特征提取层包括至少两个特征提取子层，不同特征提取子层中包括的特征提取单元的数量不同，所述至少两个特征提取子层中存在相同的特征提取单元。

本发明实施例中，特征提取层包括至少两个特征提取子层，一个特征提取子层用于对第一样本雷达信号进行特征提取，得到一种尺度的雷达信号特征图。特征提取子层中可以包括一个或多个特征提取单元，为了使得至少两种特征提取子层的提取深度各不相同，因此，不同特征提取子层中包括的特征提取单元的数量不同，这样，就可以基于不同特征提取子层获取不同尺度的雷达信号特征图。至少两个特征提取子层中存在相同的特征提取单元，也就是说，至少一个特征提取单元在至少两个特征提取子层被复用。

相应的，步骤101可以包括以下步骤：

步骤201、基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图。

本发明实施例中，基于至少两个特征提取子层，分别对第一样本雷达信号进行处理，得到至少两种特征提取子层输出的至少两种尺度的雷达信号特征图。

本发明实施例中，通过设置至少两个特征提取子层，可以提取到至少两种尺度的雷达信号特征图，便于获取更丰富的特征信息。并且通过设置至少两个特征提取子层中存在相同的特征提取单元，这样，可以一定程度上减少模型设置层级的数量，降低模型的复杂度。

可选的，所述至少两个特征提取子层包括第一提取子层、第二提取子层以及第三提取子层，所述第一提取子层包括第一卷积池化单元，所述第二提取子层包括所述第一卷积池化单元以及第二卷积池化单元，所述第三提取子层包括所述第一卷积池化单元、第三卷积池化单元以及第四卷积池化单元。

本发明实施例中，第一卷积池化单元可以包括第一卷积层以及第一池化层，第二卷积池化单元可以包括第二卷积层以及第二池化层，第三卷积池化单元可以包括第三卷积层以及第三池化层，第四卷积池化单元可以包括第四卷积层以及第四池化层。第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积核大小可以不同，也可以相同，相应的，第一池化层、第二池化层、第三池化层以及第四池化层的大小可以不同，也可以相同。在第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积核大小不同的情况下，基于第一卷积层、第二卷积层、第三卷积层以及第四卷积层进行卷积计算得到的特征图的尺度各不相同。可以理解的是，各卷积层以及各池化层的结构以及参数可以根据需求自行设置，本发明实施例对此不作限制。示例性的，第一卷积层、第二卷积层以及第三卷积层可以分别包括8个长度为5的卷积核，第四卷积层可以包括8个长度为7的卷积核，第一池化层、第二池化层、第三池化层以及第四池化层的大小可以为2。

在一种可能的实施方式中，待训练识别模型中还包括正则化层，正则化层用于防止过拟合，对待训练识别模型添加正则化项可以限制待训练识别模型的复杂度，使得待训练识别模型在复杂度和性能达到平衡。正则化层可以设置在池化层之后，不同池化层可以连接相同的正则化层，也可以连接不同的正则化层。示例性的，第一池化层可以连接系数为0.2的正则化层，第二池化层、第三池化层以及第四池化层可以连接系数为0.1的正则化层。

相应的，步骤201可以包括以下步骤：

步骤2011、将所述第一样本雷达信号作为所述第一卷积池化单元的输入，得到所述第一卷积池化单元输出的第一雷达信号特征图。

本发明实施例中，将第一样本雷达信号作为第一卷积池化单元的输入，第一卷积层对第一样本雷达信号进行卷积计算，提取一些低级的特征如边缘、线条和角等层级。通过第一池化层对第一卷积层输出的内容进行降维(降采样)，用更高层的抽象表示图像特征。这样，通过第一卷积池化单元的特征提取处理，得到第一卷积池化单元输出的第一雷达信号特征图。

步骤2012、将所述第一雷达信号特征图作为所述第二卷积池化单元的输入，得到所述第二卷积池化单元输出的第二雷达信号特征图。

本发明实施例中，将第一雷达信号特征图输入第二卷积池化单元，第二卷积层对第一雷达信号特征图进行卷积计算，基于第一雷达信号特征图中的特征迭代提取更复杂的特征。通过第二池化层对第二卷积层输出的内容进行降维(降采样)，用更高层的抽象表示图像特征。这样，通过第二卷积池化单元的特征提取处理，得到第二卷积池化单元输出的第二雷达信号特征图。

步骤2013、将所述第一雷达信号特征图作为所述第三卷积池化单元的输入，得到所述第三卷积池化单元输出第三雷达信号特征图，以及，将所述第三雷达信号特征图作为所述第四卷积池化单元的输入，得到所述第四卷积池化单元输出第四雷达信号特征图。

本发明实施例中，将第一雷达信号特征图输入第三卷积池化单元，通过第三卷积层对第一雷达信号特征图中的特征迭代提取更复杂的特征，并通过第三池化层进行降维(降采样)，这样，通过第三卷积池化单元的特征提取处理，得到第三卷积池化单元输出的第三雷达信号特征图。再将第三雷达信号特征图输入第四卷积池化单元，通过第四卷积层对第三雷达信号特征图进行卷积计算，基于第三雷达信号特征图进一步迭代提取更复杂的特征，并通过第四池化层对第四卷积层输出的内容进行降维(降采样)，用更高层的抽象表示图像特征。这样，通过第四卷积池化单元的特征提取处理，得到第四卷积池化单元输出的第四雷达信号特征图。也就是说，至少两种尺度的雷达信号特征图可以包括第一雷达信号特征图、第二雷达信号特征图以及第四雷达信号特征图。

在一种可能的实施方式中，将第一雷达信号特征图、第二雷达信号特征图以及第四雷达信号特征图输入待训练识别模型中的特征处理层，可以得到特征处理层输出的融合特征图。

本发明实施例中，通过设置第一提取子层、第二提取子层以及第三提取子层，获取三种尺度的雷达信号特征图，可以使得模型获得较好的特征提取能力，并且在确保特征提取能力的前提下，降低了模型层级布置的复杂度。

可选的，所述分类网络包括正向门控循环单元网络以及反向门控循环单元网络。

其中，分类网络可以是双向门控循环单元(bi-directional gate recurrentunit,BiGRU)，分类网络可以包括正向门控循环单元网络以及反向门控循环单元网络。分类网络利用两个并行的正向门控循环单元网络以及反向门控循环单元网络，将两者特征融合，能够更充分地利用输入的时间序列信息。

相应的，步骤103可以包括以下步骤：

步骤1031、基于所述正向门控循环单元网络以及所述融合特征图，获取正向输出，以及，基于所述反向门控循环单元网络以及所述融合特征图，获取反向输出。

步骤1032、对所述正向输出以及所述反向输出进行叠加处理，得到所述待训练识别模型输出的识别结果。

本发明实施例中，在同一时刻输入进网络的融合特征图被分发给正向门控循环单元网络(正向隐藏层中的GRU单元)和反向门控循环单元网络(反向隐藏层中的GRU单元)，两个单元使用融合特征图分别与前一时间步的正向隐藏状态和反向隐藏状态加权求和计算出当前时刻的正向隐藏状态和反向隐藏状态，最后计算出当前时刻的隐藏层状态。通过正向门控循环单元网络以及反向门控循环单元网络可以学习前一时刻和后一时刻与当前状态之间的时序关系，挖掘潜在表征规律，有效提高待训练识别模型的学习能力。

本发明实施例中，通过正向门控循环单元网络以及反向门控循环单元网络对融合特征图进行处理，可以利用正向和反向两个方向的信息进行识别，一定程度上提高了模型识别的精度。

可选的，可以在待训练识别模型中的每一层之后，使用ELU函数作为激活函数，ELU函数具有负值，这会导致激活的平均值很接近零，使得梯度更接近自然梯度，并且也会更加节省模型训练过程所花费的时间，使模型快速收敛。

示例性的，图2示出了一种待训练识别模型的架构图，如图2所示，卷积池化层1可以是第一卷积池化单元，卷积池化层2可以是第二卷积池化单元，卷积池化层3可以是第三卷积池化单元，卷积池化层4可以是第四卷积池化单元，特征处理层为图2中的特征融合层，分类网络为图2中的Bigru层。第一特征提取子层包括卷积池化层1；第二特征提取子层包括卷积池化层1、卷积池化层2；第三特征提取子层包括卷积池化层1、卷积池化层3以及卷积池化层4。将第一样本雷达信号输入卷积池化层1，可以得到第一雷达信号特征图，将第一雷达信号特征图输入卷积池化层2，可以得到第二雷达信号特征图，将第一雷达信号特征图输入卷积池化层3，再将卷积池化层的输出作为卷积池化层4的输入，得到卷积池化层4输出的第四雷达信号特征图。将卷积池化层1、卷积池化层2的以及卷积池化层4的输出作为特征融合层的输入，得到特征融合层输出的融合特征图，再将融合特征图输入Bigru层，得到待训练识别模型输出的识别结果。

可选的，本发明实施例还可以包括以下步骤：

步骤301、根据目标验证样本集中的第二样本雷达信号以及第二样本标签，确定所述雷达信号识别模型的识别误差。

本发明实施例中，获取目标验证样本集，目标验证样本集中包括第二样本雷达信号以及第二样本标签，第二样本雷达信号中可以包括多个样本雷达信号，第二样本标签中可以包括多个样本标签，多个样本雷达信号可以与多个样本标签一一对应，第二样本标签用于表征第二样本雷达信号中雷达信号所属的真实雷达信号类型。第二样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据。相应的，第二样本标签的表示形式可以采用二进制向量形式的独热编码(One-Hot Encoding)，不同的雷达信号类型对应不同的独热编码，这样，可以便于模型处理第二样本标签，并且一定程度上也起到了扩充样本标签的特征的作用。将第二样本雷达信号作为雷达信号识别模型的输入，获取雷达信号识别模型输出的预测识别结果，基于该预测识别结果以及第二样本雷达信号对应的第二样本标签，获取雷达信号识别模型的识别误差。具体的，可以是基于多个第二样本雷达信号对应的预测识别结果以及第二样本标签之间的相似度，对得到的多个相似度取平均值，基于得到的平均值数据，确定雷达信号识别模型的识别误差。

步骤302、在所述识别误差大于预设误差阈值的情况下，按照目标学习率对所述雷达信号识别模型进行参数调整，并确定参数调整后的所述雷达信号识别模型的当前识别误差。

本发明实施例中，在识别误差大于预设误差阈值的情况下，表征雷达信号识别模型的性能未达到满意的识别性能，因此需要对雷达信号识别模型进行参数调整，如：调整雷达信号识别模型的学习率、正则化系数等，以优化模型的性能。本发明实施例中，按照目标学习率对雷达信号识别模型进行参数调整，并基于参数调整后的雷达信号识别模型，使用目标训练样本集对雷达信号识别模型进行进一步训练，更新雷达信号识别模型的参数，再基于目标验证样本集中的第二样本雷达信号以及第二样本标签，确定重新训练得到的雷达信号识别模型的当前识别误差。其中，目标学习率可以是基于模型训练的轮数确定，训练轮数与目标学习率的数值成反比，即根据训练的轮数的增加而逐渐减小学习率。预设误差阈值可以根据需求自行设定，本发明实施例对此不做限制。

步骤303、在所述当前识别误差小于上次确定的识别误差，或者，目标次数小于预设次数阈值的情况下，继续按照所述目标学习率对所述雷达信号识别模型进行参数调整；所述目标次数是连续出现当前识别误差不小于上次确定的识别误差的次数。

本发明实施例中，在当前识别误差小于上次训练确定的识别误差，或者连续出现当前识别误差不小于上次确定的识别误差的次数小于预设次数阈值的情况下，表征当前识别误差在合理范围内，可以继续按照目标学习率对雷达信号识别模型进行参数调整。可以理解的是，即使存在连续出现当前识别误差不小于上次确定的识别误差的情况，但在该次数小于预设次数阈值的情况下，可以视为训练过程中的数据波动，不会影响雷达信号识别模型的训练。其中，预设次数阈值可以根据需求自行设定，本发明实施例对此不做限制，例如：预设次数阈值可以取值为3。

步骤304、在所述目标次数不小于所述预设次数阈值的情况下，降低所述目标学习率，并基于降低后所述目标学习率继续对所述雷达信号识别模型进行参数调整。

本发明实施例中，在目标次数不小于预设次数阈值的情况下，说明连续出现当前识别误差大于上次确定的识别误差的次数已经超出合理的波动范围，且识别误差持续得不到改善，表征按照目标学习率对模型进行参数调整对模型的改进优化的效果较差，因此为了避免出现陷入局部最小值的现象，可以再次降低目标学习率，并基于降低后的目标学习率继续对雷达信号识别模型进行参数调整。降低后的目标学习率的数值可以是基于最后一次当前识别误差大于上次确定的识别误差对应的训练过程所使用的目标学习率乘以预设调整参数确定得到的。示例性的，在重新训练过程中，当识别误差不再减小且再经过3轮的训练仍得不到改善的情况下，可以将最后一轮的学习率乘以0.5作为下一轮训练的学习率。

可以理解的是，为了避免无效训练，目标学习率的数值小于预设学习率阈值，其中预设学习率阈值可以根据需求自行设定，如0.0000125。

步骤305、在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整。

本发明实施例中，停止条件可以包括雷达信号识别模型的损失值达到预设阈值、雷达信号识别模型的训练轮数达到预设轮数阈值等条件。在达到预设停止条件的情况下，停止对雷达信号识别模型进行参数调整，并将最后训练得到的雷达信号识别模型确定为最终的雷达信号识别模型。

本发明实施例中，通过对雷达信号识别模型进行验证以及再训练，可以使得雷达信号识别模型输出的识别劫夺更加真实可靠，提高了雷达信号识别模型的识别性能。同时，通过对学习率进行调整，可以在提高模型识别性能的基础上，进一步提高模型的收敛速度。

可选的，在识别误差不大于预设误差阈值的情况下，表征雷达信号识别模型能够达到满意的识别性能，因此，可以确定该雷达信号识别模型通过验证。

可选的，本发明实施例还可以包括以下步骤：

步骤401、确定调整后的所述雷达信号识别模型的损失值。

本发明实施例中，可以通过损失函数确定损失值，损失函数可以是交叉熵损失函数，具体的，可以将雷达信号识别模型的给出的输出及样本标签作为预设损失函数的输入，将损失函数的输出作为损失值。其中，损失值可以体现雷达信号识别模型执行训练任务的精度。优化器可以采用Adam函数，以指引损失函数的各个参数往正确的方向更新合适的大小，使得更新后的各个参数可以使损失函数值不断逼近全局最小。

相应的，步骤305可以包括以下步骤：

步骤402、在调整后的所述雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对所述雷达信号识别模型进行参数调整。

本发明实施例中，在调整后的雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，表征继续训练对模型的性能提升效果的影响不大，因此，为了减少训练时间，降低训练成本，可以停止对该雷达信号识别模型进行参数调整，并将最后一轮训练得到的雷达信号识别模型作为最终的雷达信号识别模型。其中，预设损失值阈值可以根据需求自行设定，本发明实施例对此不作限制。示例性的，若某一轮训练过程中雷达信号识别模型的损失值大于上一轮训练的损失值m，并且，经过7轮训练计算得到的损失值全部大于m，则可以认定雷达信号识别模型的训练已经完成了收敛，停止对雷达信号识别模型进行参数调整，结束雷达信号识别模型的训练。

或者，步骤403、在所述当前识别误差不大于所述预设误差阈值的情况下，停止对所述雷达信号识别模型进行参数调整。

本发明实施例中，在重复训练的过程中，若当前识别误差不大于预设误差阈值，表征当前雷达信号识别模型能够达到满意的识别性能，因此可以停止对该雷达信号识别模型进行参数调整，并将最后一轮训练得到的雷达信号识别模型作为最终的雷达信号识别模型。

本发明实施例中，通过设置在调整后的雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对雷达信号识别模型进行参数调整，可以一定程度上减少模型训练时间，降低模型的训练成本。

可选的，本发明实施例还可以包括以下步骤：

步骤501、对多种采样环境下的多种类型的雷达信号分别进行采样，得到样本数据集。

本发明实施两种，可以通过对原始雷达信号及其调制参数进行仿真，得到仿真的雷达信号。原始雷达信号即时域信号，调制参数包括带宽、脉宽、采样频率等。示例性的，可以通过MATLAB仿真得到不同调制类型信号的序列数据，仿真信号可以包括不同类型的雷达信号，如：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4。通过对不同采样环境下不同类型的雷达信号分别进行采样，可以得到一定数量的样本数据，作为样本数据集。不同采样环境可以通过设置不同的信噪比以及不同的调制参数得到，如设置载频在1～1.2kHz之间随机取值，信噪比是全频段功率信噪比。示例性的，由于仿真信号是未经时频分析处理的脉内数据，可以对脉内数据采样后的结果截取成长度为1024x1的数据，8种信号在16种信噪比的采样环境下分别产生2000个样本，则样本数据集中的样本总数为256000。

步骤502、对所述样本数据集进行归一化处理，并将归一化处理后的样本数据集按照预设划分比例进行划分，得到所述目标训练样本集以及所述目标验证样本集。

本发明实施例中，对样本数据集进行归一化处理，使得样本值限定在0和1之间。示例性的，可以通过公式对样本数据集进行归一化处理，并将归一化处理后的样本数据集按照预设划分比例划分为三部分，分别用于训练、验证以及测试，以得到目标训练样本集、目标验证样本集以及目标测试样本集。其中，预设划分比例可以自行设置，例如7:2:1、5:2:3等。

本发明实施例中，通过对多种采样环境下的多种类型的雷达信号分别进行采样，并对样本数据及进行归一化处理，可以增加数据的多样性和数量，有助于提高模型的泛化性能和鲁棒性。

在一种可能的实施方式中，可以将目标测试样本集输入雷达信号识别模型，得到雷达信号识别模型的识别结果，基于识别结果，评估测试雷达信号识别模型的性能和泛化能力。示例性的，可以采用准确率(accuracy)、精确率(precision)、召回率(recall)和F1得分等指标来评估雷达信号识别模型的性能和泛化能力。

示例性的，图3示出了一种雷达信号识别模型的训练方法的具体示意图，如图3所示，通过MATLAB仿真得到不同调制类型信号，并对仿真信号进行采样得到样本数据集，对样本数据集进行数据预处理，具体的，可以对样本数据集进行归一化处理，并获取样本数据集中的各雷达信号数据的雷达信号类型，生成样本标签。对样本数据集进行划分，得到目标训练样本集、目标验证样本集以及目标测试样本集。对待训练识别模型进行训练，并设置训练过程中的早停机制，即在调整后的雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对雷达信号识别模型进行参数调整。

图4是本发明实施例提供的一种雷达信号识别方法，如图4所示，所述方法可以包括：

步骤601、将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图。

本发明实施例中，获取待识别雷达信号，待识别雷达信号可以是在实际环境中采集到的雷达信号，需要对该待识别雷达信号的雷达信号类型进行识别，以进行后续的决策。雷达信号识别模型可以部署在雷达信号识别系统中，雷达信号识别模型可以包括特征提取层、特征处理层以及分类网络。将待识别雷达信号输入雷达信号识别模型中的特征提取层，通过特征提取层中至少两个特征提取子层获取至少两种尺度的目标雷达信号特征图。其中，不同特征提取子层中包括的特征提取单元的数量不同，至少两个特征提取子层中存在相同的特征提取单元。示例性的，至少两个特征提取子层可以包括第一提取子层、第二提取子层以及第三提取子层，第一提取子层包括第一卷积池化单元，第二提取子层包括第一卷积池化单元以及第二卷积池化单元，第三提取子层包括第一卷积池化单元、第三卷积池化单元以及第四卷积池化单元。第一卷积池化单元可以包括第一卷积层以及第一池化层，第二卷积池化单元可以包括第二卷积层以及第二池化层，第三卷积池化单元可以包括第三卷积层以及第三池化层，第四卷积池化单元可以包括第四卷积层以及第四池化层。第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积核大小可以不同，也可以相同，相应的，第一池化层、第二池化层、第三池化层以及第四池化层的大小可以不同，也可以相同。在第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积核大小不同的情况下，基于第一卷积层、第二卷积层、第三卷积层以及第四卷积层进行卷积计算得到的特征图的尺度各不相同。可以理解的是，各卷积层以及各池化层的结构以及参数可以根据需求自行设置，本发明实施例对此不作限制。示例性的，第一卷积层、第二卷积层以及第三卷积层可以分别包括8个长度为5的卷积核，第四卷积层可以包括8个长度为7的卷积核，第一池化层、第二池化层、第三池化层以及第四池化层的大小可以为2。

步骤602、通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图。

本发明实施例中，通过雷达信号识别模型中的特征处理层，对特征提取层输出的至少两种尺度的雷达信号特征图进一步进行融合处理，得到目标融合特征图，目标融合特征图相对于至少两种尺度的雷达信号特征图具有更丰富的特征表达。

步骤603、通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述雷达信号识别模型的训练方法的实施例中任一方法训练得到的。

本发明实施例中，通过雷达信号识别模型中的分类网络，对雷达信号识别模型中的特征处理层输出的目标融合特征图进行处理，得到待识别雷达信号对应的目标识别结果。其中，目标识别结果用于表征待识别雷达信号的雷达信号类型，例如：雷达信号类型可以是BPSK、Costas、FMCW、Frank、P1、P2、P3和P4等类型的其中一种。

在一种可能的实施方式中，分类网络可以包括正向门控循环单元网络以及反向门控循环单元网络。分类网络可以是双向门控循环单元(bi-directional gate recurrentunit,BiGRU)，分类网络可以包括正向门控循环单元网络以及反向门控循环单元网络。分类网络利用两个并行的正向门控循环单元网络以及反向门控循环单元网络，将两者特征融合，能够更充分地利用输入的时间序列信息。在同一时刻输入进网络的目标融合特征图被分发给正向门控循环单元网络(正向隐藏层中的GRU单元)和反向门控循环单元网络(反向隐藏层中的GRU单元)，两个单元使用目标融合特征图分别与前一时间步的正向隐藏状态和反向隐藏状态加权求和计算出当前时刻的正向隐藏状态和反向隐藏状态，最后计算出当前时刻的隐藏层状态。

综上，本发明实施例提供的雷达信号识别模型的训练方法，通过将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取特征提取层输出的至少两种尺度的目标雷达信号特征图；通过雷达信号识别模型中的特征处理层，对至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；通过雷达信号识别模型中的分类网络，对目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；目标识别结果用于表征待识别雷达信号的雷达信号类型。这样，通过雷达信号识别模型中的特征提取层获取的至少两种尺度的雷达信号特征图，可以得到待识别雷达信号对应的不同尺度的雷达信号特征，进而基于更丰富且更深层的雷达信号特征，并且通过雷达信号识别模型，自动化对雷达信号进行识别，一定程度上提高了雷达信号的识别精度以及识别效率。

图5是本发明实施例提供的一种雷达信号识别模型的训练装置的结构图，该装置可以包括：

第一获取模块701，用于将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；

第一处理模块702，用于通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；

第二处理模块703，用于通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果；

第一训练模块704，用于基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

本发明实施例提供的雷达信号识别模型的训练装置，通过待训练识别模型中的特征提取层获取的至少两种尺度的雷达信号特征图，可以得到第一样本雷达信号对应的不同尺度的雷达信号特征图，即可以获得更丰富的雷达信号特征，进而可以提高获取到的雷达信号特征的语义精度。并且，基于更丰富且更精准的雷达信号特征，通过待训练识别模型中的特征处理层对至少两种尺度的雷达信号特征图进行融合处理，能够得到更丰富的特征表达，进而能够训练得到识别能力更强、识别结果更精准的雷达信号识别模型，增强了雷达信号识别模型的多尺度感受野和语义表达能力。并且通过训练生成雷达信号识别模型，使得可以基于雷达信号识别模型自动化对雷达信号进行识别，一定程度上可以提高雷达信号的识别精度以及识别效率。

可选的，所述特征提取层包括至少两个特征提取子层，不同特征提取子层中包括的特征提取单元的数量不同，所述至少两个特征提取子层中存在相同的特征提取单元；所述第一获取模块601，可以包括：

第三处理模块，用于基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图。

可选的，所述至少两个特征提取子层包括第一提取子层、第二提取子层以及第三提取子层，所述第一提取子层包括第一卷积池化单元，所述第二提取子层包括所述第一卷积池化单元以及第二卷积池化单元，所述第三提取子层包括所述第一卷积池化单元、第三卷积池化单元以及第四卷积池化单元；所述第三处理模块，可以包括：

第一处理子模块，用于将所述第一样本雷达信号作为所述第一卷积池化单元的输入，得到所述第一卷积池化单元输出的第一雷达信号特征图；

第二处理子模块，用于将所述第一雷达信号特征图作为所述第二卷积池化单元的输入，得到所述第二卷积池化单元输出的第二雷达信号特征图；

第三处理子模块，用于将所述第一雷达信号特征图作为所述第三卷积池化单元的输入，得到所述第三卷积池化单元输出第三雷达信号特征图，以及，将所述第三雷达信号特征图作为所述第四卷积池化单元的输入，得到所述第四卷积池化单元输出第四雷达信号特征图。

可选的，所述分类网络包括正向门控循环单元网络以及反向门控循环单元网络；所述第二处理模块703，可以包括：

第一获取子模块，用于基于所述正向门控循环单元网络以及所述融合特征图，获取正向输出，以及，基于所述反向门控循环单元网络以及所述融合特征图，获取反向输出；

第四处理子模块，用于对所述正向输出以及所述反向输出进行叠加处理，得到所述待训练识别模型输出的识别结果。

可选的，所述装置还可以包括：

第一确定模块，用于根据目标验证样本集中的第二样本雷达信号以及第二样本标签，确定所述雷达信号识别模型的识别误差；

第一调整模块，用于在所述识别误差大于预设误差阈值的情况下，按照目标学习率对所述雷达信号识别模型进行参数调整，并确定参数调整后的所述雷达信号识别模型的当前识别误差；

第二调整模块，用于在所述当前识别误差小于上次确定的识别误差，或者，目标次数小于预设次数阈值的情况下，继续按照所述目标学习率对所述雷达信号识别模型进行参数调整；所述目标次数是连续出现当前识别误差不小于上次确定的识别误差的次数；

第三调整模块，用于在所述目标次数不小于所述预设次数阈值的情况下，降低所述目标学习率，并基于降低后所述目标学习率继续对所述雷达信号识别模型进行参数调整；

第一控制模块，用于在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整。

可选的，所述装置还可以包括：

第二确定模块，用于确定调整后的所述雷达信号识别模型的损失值。

相应的，所述第一控制模块，可以包括：

第一控制子模块，用于在调整后的所述雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对所述雷达信号识别模型进行参数调整；

或者，

第二控制子模块，用于在所述当前识别误差不大于所述预设误差阈值的情况下，停止对所述雷达信号识别模型进行参数调整。

可选的，所述装置还可以包括：

第一采样模块，用于对多种采样环境下的多种类型的雷达信号分别进行采样，得到样本数据集；

第一划分模块，用于对所述样本数据集进行归一化处理，并将归一化处理后的样本数据集按照预设划分比例进行划分，得到所述目标训练样本集以及所述目标验证样本集。

图6是本发明实施例提供的一种雷达信号识别装置的结构图，该装置可以包括：

第二获取模块801，用于将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图；

第四处理模块802，通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；

第二识别模块803，用于通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述雷达信号识别模型的训练方法的实施例中任一方法训练得到的。

本发明实施例提供的一种雷达信号识别装置，通过将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取特征提取层输出的至少两种尺度的目标雷达信号特征图；通过雷达信号识别模型中的特征处理层，对至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；通过雷达信号识别模型中的分类网络，对目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；目标识别结果用于表征待识别雷达信号的雷达信号类型。这样，通过雷达信号识别模型中的特征提取层获取的至少两种尺度的雷达信号特征图，可以得到待识别雷达信号对应的不同尺度的雷达信号特征，进而基于更丰富且更深层的雷达信号特征，并且通过雷达信号识别模型，自动化对雷达信号进行识别，一定程度上提高了雷达信号的识别精度以及识别效率。

本发明还提供了一种电子设备，参见图7，包括：处理器901、存储器902以及存储在所述存储器上并可在所述处理器上运行的计算机程序9021，所述处理器执行所述程序时实现前述实施例的方法。

本发明还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明的排序设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种雷达信号识别模型的训练方法，其特征在于，所述方法包括：

将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；

通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；

通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果；

基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

2.根据权利要求1所述的方法，其特征在于，所述特征提取层包括至少两个特征提取子层，不同特征提取子层中包括的特征提取单元的数量不同，所述至少两个特征提取子层中存在相同的特征提取单元；

所述获取所述特征提取层输出的至少两种尺度的雷达信号特征图，包括：

基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图。

3.根据权利要求2所述的方法，其特征在于，所述至少两个特征提取子层包括第一提取子层、第二提取子层以及第三提取子层，所述第一提取子层包括第一卷积池化单元，所述第二提取子层包括所述第一卷积池化单元以及第二卷积池化单元，所述第三提取子层包括所述第一卷积池化单元、第三卷积池化单元以及第四卷积池化单元；

所述基于所述至少两个特征提取子层分别对所述第一样本雷达信号进行处理，得到所述至少两种尺度的雷达信号特征图，包括：

将所述第一样本雷达信号作为所述第一卷积池化单元的输入，得到所述第一卷积池化单元输出的第一雷达信号特征图；

将所述第一雷达信号特征图作为所述第二卷积池化单元的输入，得到所述第二卷积池化单元输出的第二雷达信号特征图；

将所述第一雷达信号特征图作为所述第三卷积池化单元的输入，得到所述第三卷积池化单元输出第三雷达信号特征图，以及，将所述第三雷达信号特征图作为所述第四卷积池化单元的输入，得到所述第四卷积池化单元输出第四雷达信号特征图。

4.根据权利要求1-3任一所述的方法，其特征在于，所述分类网络包括正向门控循环单元网络以及反向门控循环单元网络；所述通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果，包括：

基于所述正向门控循环单元网络以及所述融合特征图，获取正向输出，以及，基于所述反向门控循环单元网络以及所述融合特征图，获取反向输出；

对所述正向输出以及所述反向输出进行叠加处理，得到所述待训练识别模型输出的识别结果。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据目标验证样本集中的第二样本雷达信号以及第二样本标签，确定所述雷达信号识别模型的识别误差；

在所述识别误差大于预设误差阈值的情况下，按照目标学习率对所述雷达信号识别模型进行参数调整，并确定参数调整后的所述雷达信号识别模型的当前识别误差；

在所述当前识别误差小于上次确定的识别误差，或者，目标次数小于预设次数阈值的情况下，继续按照所述目标学习率对所述雷达信号识别模型进行参数调整；所述目标次数是连续出现当前识别误差不小于上次确定的识别误差的次数；

在所述目标次数不小于所述预设次数阈值的情况下，降低所述目标学习率，并基于降低后所述目标学习率继续对所述雷达信号识别模型进行参数调整；

在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整。

6.根据权利要求5所述的方法，其特征在于，所述对所述雷达信号识别模型进行参数调整之后，所述方法还包括：

确定调整后的所述雷达信号识别模型的损失值；

所述在达到预设停止条件的情况下，停止对所述雷达信号识别模型进行参数调整，包括：

在调整后的所述雷达信号识别模型的损失值连续N次大于预设损失值阈值的情况下，停止对所述雷达信号识别模型进行参数调整；

或者，

在所述当前识别误差不大于所述预设误差阈值的情况下，停止对所述雷达信号识别模型进行参数调整。

7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：

对多种采样环境下的多种类型的雷达信号分别进行采样，得到样本数据集；

对所述样本数据集进行归一化处理，并将归一化处理后的样本数据集按照预设划分比例进行划分，得到所述目标训练样本集以及所述目标验证样本集。

8.一种雷达信号识别方法，其特征在于，所述方法包括：

将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图；

通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；

通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述权利要求1-7任一所述方法训练得到的。

9.一种雷达信号识别模型的训练装置，其特征在于，所述装置包括：

第一获取模块，用于将目标训练样本集中的第一样本雷达信号作为待训练识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的雷达信号特征图；所述第一样本雷达信号包括对应至少两种类型的雷达信号的雷达信号数据；

第一处理模块，用于通过所述待训练识别模型中的特征处理层，对所述至少两种尺度的雷达信号特征图进行融合处理，得到融合特征图；

第二处理模块，用于通过所述待训练识别模型中的分类网络，对所述融合特征图进行处理，得到所述待训练识别模型输出的识别结果；

第一训练模块，用于基于所述识别结果以及所述目标训练样本集中的第一样本标签，对所述待训练识别模型进行训练，得到雷达信号识别模型。

10.一种雷达信号识别装置，其特征在于，所述装置包括：

第二获取模块，用于将待识别雷达信号作为雷达信号识别模型中的特征提取层的输入，获取所述特征提取层输出的至少两种尺度的目标雷达信号特征图；

第四处理模块，通过所述雷达信号识别模型中的特征处理层，对所述至少两种尺度的目标雷达信号特征图进行融合处理，得到目标融合特征图；

第二识别模块，用于通过所述雷达信号识别模型中的分类网络，对所述目标融合特征图进行处理，得到所述待识别雷达信号对应的目标识别结果；所述目标识别结果用于表征所述待识别雷达信号的雷达信号类型，所述雷达信号识别模型是基于上述权利要求1-7任一所述方法训练得到的。

11.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。

12.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1-8中一个或多个所述的方法。