CN117233723B - 一种基于cnn类激活图的雷达跟踪包络提取方法 - Google Patents
一种基于cnn类激活图的雷达跟踪包络提取方法 Download PDFInfo
- Publication number
- CN117233723B CN117233723B CN202311512254.7A CN202311512254A CN117233723B CN 117233723 B CN117233723 B CN 117233723B CN 202311512254 A CN202311512254 A CN 202311512254A CN 117233723 B CN117233723 B CN 117233723B
- Authority
- CN
- China
- Prior art keywords
- radar
- sample
- cnn
- class
- steps
- 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
- 230000004913 activation Effects 0.000 title claims abstract description 66
- 238000010586 diagram Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 114
- 230000008569 process Effects 0.000 claims abstract description 32
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012805 post-processing Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011423 initialization method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于CNN类激活图的雷达跟踪包络提取方法，属于雷达侦察信息处理领域，包括步骤：采用深度学习方法，并利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，从而提取雷达TAS模式下的跟踪包络。本发明对雷达信号序列信号样本进行逐样本归一化，排除了雷达RF、PRI和PW参数值的影响，可以对未知雷达适应；可以生成雷达工作模式识别过程中CNN网络对脉冲序列的关注区域，根据关注度提取实现TAS模式下的跟踪包络提取，根据脉冲标注结果，可以实现提高提取正确率；并且基于本发明一方面可以增强深度学习方法可解释性，另一方面可以利用提取的雷达跟踪包络计算雷达跟踪回访率。
Description
技术领域
本发明涉及雷达侦察信息处理领域，更为具体的，涉及一种基于CNN类激活图的雷达跟踪包络提取方法。
背景技术
目前国内的雷达辐射源相关识别内容中，主要集中在雷达辐射源型号、体制、工作状态和个体等方面，工作状态的识别方法中有一种常用的方法是基于雷达字、雷达短语等句法模式的识别。
Visnevski等人将多功能雷达信号序列视为形式语言理论中的字符串，运用NSE-CFG对多功能雷达建模。Latombe等研究了雷达文法产生式概率的快速估计方法；Wang等人利用Markov调制的随机上下文无关文法（Stochastic CFG，SCFG）对多功能雷达进行句法建模。Wang和Krishnamurthy等人利用随机上下文无关文法来捕获多功能雷达的动态特征。代鹂鹏等人利用SCFG对多功能雷达信号产生机制进行建模，利用EM算法估计文法产生式概率，并采用Viterbi方法对多功能雷达的工作状态进行估计。
以上估计过程中将雷达信号序列划分为雷达字、雷达短语、雷达句子等，可以在识别雷达工作状态的过程中，采用的Viterbi算法进行反演雷达状态序列搜跟的隶属度。以上的方法对雷达参数的参数先验知识、规律性和我方侦察接收的完整性等有较高的要求，而实际上雷达对我方平台的瞬时工作状态是搜索还是跟踪应该取决于雷达扫描波束的调度，是反映在脉冲幅度（PA）序列中的，以上方法都未排除对雷达参数值的影响。
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CNN类激活图的雷达跟踪包络提取方法，可适用于未知雷达，同时提高了准确性等。
本发明的目的是通过以下方案实现的：
一种基于CNN类激活图的雷达跟踪包络提取方法，包括以下步骤：
采用深度学习方法并利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，从而提取雷达TAS模式下的跟踪包络。
进一步地，所述深度学习方法包括CNN卷积神经，当采用CNN卷积神经时，所述利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，具体包括子步骤：应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络。
进一步地，所述应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络，具体包括如下子步骤：
S1，处理雷达信号序列数据得到样本数据；
S2，构造一维CNN卷积神经网络模型；
S3，训练构造的一维CNN卷积神经网络模型；
S4，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图；
S5，结合对雷达PA序列的后处理来提取跟踪包络。
进一步地，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：对每个数据文件，读取到达时间TOA、载频RF、脉冲幅度PA、脉冲重复间隔PRI和脉宽PW信息，从最大TOA作为首个结束时间，开始时间等于结束时间减TimeLen，其中TimeLen是预设的样本时间长度；
选择在开始时间和首个结束时间的脉冲，组成一个的样本，其中5维参数分别是TOA、RF、PRI、PW、PA，/>是脉冲个数，TOA这一维所有值减去TOA的最大值加上TimeLen，以使得在TOA维度的最大TOA始终为TimeLen；如果脉冲个数/>则取后SeqLen个脉冲，否则前面补0，保持样本尺寸为/>，SeqLen表示单个样本中脉冲序列长度；
首个结束时间减TimeSlip得到下一个结束时间，TimeSlip表示时间滑窗长度，下一个开始时间等于下一个结束时间减TimeLen，同样的过程形成下一个样本，如此把每个文件都形成最终为的样本，N是该数据文件形成的样本个数。
进一步地，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：将样本的标签使用时间段内的最后一个脉冲的标注结果，分类数量设为3，对应雷达的TWS、TAS和STT模式。
进一步地，在步骤S2中，所述构造一维CNN卷积神经网络模型，具体包括子步骤：用pytorch构造CNN卷积神经得到pytorch模型，且CNN卷积神经中所有卷积层、池化层、批量标准层和平均池化层都设1维；pytorch的数据加载采用数据dataset类来进行加载，并定义初始化方法、成员获取方法和长度获取方法；其中，
所述初始化方法，输入训练样本的x和y，并保存为成员变量；
所述成员获取方法，输入索引，得到/>和/>，这里的上标T代表转置，样本生成的维度是/>，一维卷积要求通道在前长度在后；
所述长度获取方法，返回成员变量训练样本的第一个维度。
进一步地，在步骤S3中，所述训练构造的一维CNN卷积神经网络模型，具体包括子步骤：读取样本数据时进行样本均衡，完成样本均衡后随机打乱顺序，按照设定的比例分割出训练和验证集，待训练全部结束后保存pytorch模型。
进一步地，在步骤S4中，所述利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，具体包括如下子步骤：利用pytorch_grad_cam工具包来完成生成模型类激活图，具体包括以下步骤：
S41，选择未参与训练和验证的仿真生成数据，数据预处理后形成识别样本，构造测试集dataloader，样本维度为；
S42，加载训练后保存的pytorch模型，类激活图方法选择pytorch_grad_cam中的GradCAM方法，类激活图目标层选择网络结构中的“批量标准化层2”；
S43，类激活图生成方法GradCAM传入参数模型和目标层得到计算方法，计算方法传入4个参数，分别是识别样本、目标类选择None、aug_smooth和eigen_smooth（pytorch_grad_cam工具包中的参数），且均为0，其中，目标类选择None是指自动选择识别结果置信度最大的类，而不是真实标签对应的类，如此得到尺寸为/>的类激活图。
进一步地，在步骤S41之前，还包括步骤：对pytorch_grad_cam工具包的源码进行维度判断，对一维进行适配，具体包括base_cam中的获取图像宽高尺寸函数、生成cam图像函数和grad_cam的获取cam权重函数，共三处。
进一步地，在步骤S5中，所述结合对雷达PA序列的后处理来提取跟踪包络，具体包括子步骤：对任意测试样本对应识别结果/>，/>为0时雷达处于TWS模式没有跟踪包络，/>为2时雷达处于STT模式全部是跟踪包络，当/>时，此时生成的类激活图向量维度为，对应/>长度为/>，类激活图是归一化向量，只选择向量值超过门限TrackThre的对应位置上的脉冲即为网络识别关注区域；对于向量值超过门限TrackThre的PA序列转化为直方图，直方图区间选择/>，步进为/>；选择占比最高的区间作为跟踪包络所在区间，且把PA落在此区间外的激活向量值置为0，形成雷达脉冲跟踪序列。
本发明的有益效果包括：
本发明对雷达信号序列信号样本进行逐样本归一化，排除雷达RF、PRI和PW参数值的影响，且测试数据所采用的参数由仿真任意生成，在训练样本集中不存在，因此可以对未知雷达适应。
本发明中应用基于CNN类激活图的方法，可以生成雷达工作模式识别过程中CNN网络对脉冲序列的关注区域，根据关注度提取实现TAS模式下的跟踪包络提取，根据脉冲标注结果，可以实现提取正确率超过95%。
本发明一方面可以增强深度学习方法可解释性，另一方面可以利用提取的雷达跟踪包络计算雷达跟踪回访率。
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1a为本发明实施例的网络结构图的第一部分；
图1b为本发明实施例的网络结构图的第二部分。
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。
鉴于背景中的问题，本发明利用人工智能网络识别雷达工作模式的中间变量，实现对雷达跟踪包络提取。本发明构思采用人工智能深度学习方法，利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，从而提取雷达TAS模式下的跟踪包络，一方面可以增强深度学习方法可解释性，另一方面可以利用提取的雷达跟踪包络计算雷达跟踪回访率。进一步的构思中，应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理可以提取雷达跟踪包络。如图1a和图1b所示，具体包括如下步骤：
步骤1：处理数据
对每个数据文件，读取到达时间（TOA，单位ms）、载频（RF，单位MHz）、脉冲幅度（PA，单位dB）、脉冲重复间隔（PRI，单位us）、脉宽（PW，单位us）信息，从最大TOA作为首个结束时间，开始时间等于结束时间减TimeLen，选择在开始时间和结束时间的脉冲，组成一个的样本，其中5维参数分别是TOA、RF、PRI、PW、PA，/>是脉冲个数，TOA维度减去最大TOA并加上TimeLen使得TOA维度最大TOA始终为TimeLen，如果脉冲个数/>则取后SeqLen个脉冲，否则前面补0，保持样本尺寸为/>。结束时间减TimeSlip，开始时间等于结束时间减TimeLen，同样的过程形成下一个样本，如此把每个文件都形成最终为/>的样本。为了适应雷达模式切换，样本的标签使用时间段内的最后一个脉冲的标注结果，分类数量为3对应雷达的TWS、TAS和STT模式。
步骤2：模型构造
本项发明是基于pytorch进行训练，模型的构造主要包括以下方面。
1）网络结构
pytorch的网络构造分为网络层和执行方法，首先是网络层依次包含卷积层1、批量标准化层1，最大池化层1、卷积层2、最大池化层2、卷积层3、最大池化层3、批量标准化层2、平均池化层1、全连接层1和全连接层2，需要说明的是所有卷积层、池化层、批量标准层和平均池化层都是1维的。接下来详细说明每一层的设定。
a)卷积层1，输入通道数与样本维度一致为5，输出通道数为256，卷积核尺寸7，卷积步进1，补偿3；
b)批量标准化层1通道数为256；
c)最大池化层1，核心尺寸2；
d)卷积层2，输入通道数256，输出通道数为512，卷积核尺寸5，卷积步进1，补偿2；
e)最大池化层2，核心尺寸2；
f)卷积层3，输入通道数512，输出通道数为512，卷积核尺寸3，卷积步进1，补偿1；
g)最大池化层3，核心尺寸2；
h)批量标准化层2通道数为512；
i)平均池化层1唯一参数为1；
j)执行完平均池化层后利用torch.flatten变换特征维度，两个输入参数为“平均池化层输出”、“1”；
k)全连接层1，输入神经元个数512，输出神经元个数256；
l)全连接层2，输入神经元个数256，输出神经元个数与识别维度相同为2。
卷积层1、2、3和全连接层1均使用relu激活函数并且使用dropout且比例为dropout_rate。
2）优化器
优化器选择标准的Adam优化器，学习率选择learning_rate，权重衰减因子为weight_decay。
3）数据dataset
pytorch的数据加载采用dataset类来进行加载，需要定义初始化方法、成员获取方法和长度获取方法。
初始化方法，输入训练样本的x和y，并保存为成员变量；
成员获取方法，输入索引，得到/>，需要说明的这里的上标T代表转置，这是因为样本生成的维度是/>，而一维卷积要求通道在前长度在后。
长度获取方法，返回成员变量训练样本的第一个维度。
4）损失函数
损失函数选择标准的交叉熵。
步骤3：模型训练
pytorch的triplet模型训练包含以下步骤：
a)首先是读取样本数据，根据两类数据的样本数量中较小者作为标准进行样本均衡，对样本量多进行随机采样；
b)完成样本均衡后进行随机打乱顺序，按照10%的比例分割出训练集、验证集；
c)加载训练集和验证集dataloader；
d)根据样本尺寸初始化网络模型，初始化loss函数和优化器；
e)按照每个epoch迭代，对因此从dataloader迭代器中取x、y样本，根据loss函数计算损失函数，利用优化器逐步迭代优化模型；
f)每个epoch的训练样本训练完成后，分别利用验证集，计算验证集上的loss和正确率。
训练全部结束后保存pytorch模型。
步骤4：模型CAM（Class Activation Mapping，类激活图）生成
本相发明的类激活图生成是利用pytorch_grad_cam工具包来完成，其过程包含以下步骤：
a)选择未参与训练和验证的仿真生成数据，数据预处理后形成识别样本，构造测试集dataloader，样本维度为；
b)加载保存的pytorch模型，类激活图方法选择pytorch_grad_cam中的GradCAM方法，类激活图目标层选择网络结构中的“批量标准化层2”；
c)类激活图生成方法GradCAM传入参数模型和目标层得到计算方法，计算方法传入4个参数，分别是识别样本，目标类选择None，aug_smooth和eigen_smooth均为0，如此可以得到尺寸为/>的类激活图；
实现过程中需要注意以下两点，
a)目标类选择None是指自动选择识别结果置信度最大的类，而不是真实标签对应的类；
b)原生的pytorch_grad_cam工具包只支撑二维卷积而并不支持一维卷积，需要对该包的源码多处进行维度判断，对一维进行适配，包括base_cam中的获取图像宽高尺寸函数、生成cam图像函数，grad_cam的获取cam权重函数共三处。
步骤5：提取跟踪包络
对于任意测试样本对应识别结果/>，/>为0时雷达处于TWS模式没有跟踪包络，为2时雷达处于STT模式全部是跟踪包络，当/>时才有提取跟踪包络的必要性，此时生成的类激活图向量维度为/>，对应/>长度为/>，类激活图是归一化向量，只需要选择向量值超过门限TrackThre的对应位置上的脉冲即为网络识别关注区域。
对于向量值超过门限TrackThre的PA序列转化为直方图，直方图区间选择，步进为/>。选择占比最高的区间作为跟踪包络所在区间，且把PA落在此区间外的激活向量值置为0。因此形成雷达脉冲跟踪序列。
准备数据集进行训练验证本发明的有益效果，选取的数据集共计382个文件，其中型号1文件53个，型号2文件116个，型号3文件127个，型号4文件86个。测试数据选择仿真生成数据，RF、PRI和PW都未按照训练集中已有参数设置。按照本发明的实现步骤如下进行。
步骤1：处理数据
选择TimeLen=8000单位ms，SeqLen=800，TimeSlip=1000单位ms，分割数据预处理完成后生成样本31214个，并利用pickle程序包对训练的x和y进行存储。
步骤2：模型训练
按照发明中的步骤初始化网络模型、优化器、损失函数，其中优化器学习率learning_rate=0.0002，weight_decay=0.02，并指定训练batch_size=128，epochs=300，dropout_rate=0.5，训练集和验证集的分割比例为，按照实现方法中的训练方法对模型进行训练。
步骤3：跟踪包络提取
按照测试方法，对测试文件进行测试，根据类激活图生成方法生成激活图向量，提取跟踪包络选择门限TrackThre=0.35，后处理PA的直方图选择，单位dB。
步骤4：提取结果
需要说明的是，在本发明权利要求书中所限定的保护范围内，以下实施例均可以从上述具体实施方式中，例如公开的技术原理，公开的技术特征或隐含公开的技术特征等，以合乎逻辑的任何方式进行组合和/或扩展、替换。
实施例1
一种基于CNN类激活图的雷达跟踪包络提取方法，包括以下步骤：
采用深度学习方法并利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，从而提取雷达TAS模式下的跟踪包络。
实施例2
在实施例1的基础上，所述深度学习方法包括CNN卷积神经，当采用CNN卷积神经时，所述利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，具体包括子步骤：应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络。
实施例3
在实施例2的基础上，所述应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络，具体包括如下子步骤：
S1，处理雷达信号序列数据得到样本数据；
S2，构造一维CNN卷积神经网络模型；
S3，训练构造的一维CNN卷积神经网络模型；
S4，利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图；
S5，结合对雷达PA序列的后处理来提取跟踪包络。
实施例4
在实施例3的基础上，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：对每个数据文件，读取到达时间TOA、载频RF、脉冲幅度PA、脉冲重复间隔PRI和脉宽PW信息，从最大TOA作为首个结束时间，开始时间等于结束时间减TimeLen，其中TimeLen是预设的样本时间长度；
选择在开始时间和首个结束时间的脉冲，组成一个的样本，其中5维参数分别是TOA、RF、PRI、PW、PA，/>是脉冲个数，TOA这一维所有值减去TOA的最大值加上TimeLen，以使得在TOA维度的最大TOA始终为TimeLen；如果脉冲个数/>则取后SeqLen个脉冲，否则前面补0，保持样本尺寸为/>，SeqLen表示单个样本中脉冲序列长度；
首个结束时间减TimeSlip得到下一个结束时间，TimeSlip表示时间滑窗长度，下一个开始时间等于下一个结束时间减TimeLen，同样的过程形成下一个样本，如此把每个文件都形成最终为的样本，N是该数据文件形成的样本个数。
实施例5
在实施例3的基础上，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：将样本的标签使用时间段内的最后一个脉冲的标注结果，分类数量设为3，对应雷达的TWS、TAS和STT模式。
实施例6
在实施例3的基础上，在步骤S2中，所述构造一维CNN卷积神经网络模型，具体包括子步骤：用pytorch构造CNN卷积神经得到pytorch模型，且CNN卷积神经中所有卷积层、池化层、批量标准层和平均池化层都设1维；pytorch的数据加载采用数据dataset类来进行加载，并定义初始化方法、成员获取方法和长度获取方法；其中，
所述初始化方法，输入训练样本的x和y，并保存为成员变量；
所述成员获取方法，输入索引，得到/>和/>，这里的上标T代表转置，样本生成的维度是/>，一维卷积要求通道在前长度在后；
所述长度获取方法，返回成员变量训练样本的第一个维度。
实施例7
在实施例6的基础上，在步骤S3中，所述训练构造的一维CNN卷积神经网络模型，具体包括子步骤：读取样本数据时进行样本均衡，完成样本均衡后随机打乱顺序，按照设定的比例分割出训练和验证集，待训练全部结束后保存pytorch模型。
实施例8
在实施例6的基础上，在步骤S4中，所述利用识别过程中的反向传递梯度生成CNN卷积网络特征提取的类激活图，具体包括如下子步骤：利用pytorch_grad_cam工具包来完成生成模型类激活图，具体包括以下步骤：
S41，选择未参与训练和验证的仿真生成数据，数据预处理后形成识别样本，构造测试集dataloader，样本维度为；
S42，加载训练后保存的pytorch模型，类激活图方法选择pytorch_grad_cam中的GradCAM方法，类激活图目标层选择网络结构中的“批量标准化层2”；
S43，类激活图生成方法GradCAM传入参数模型和目标层得到计算方法，计算方法传入4个参数，分别是识别样本、目标类选择None、aug_smooth和eigen_smooth（pytorch_grad_cam工具程序包指定的参数），且均为0，其中，目标类选择None是指自动选择识别结果置信度最大的类，而不是真实标签对应的类，如此得到尺寸为/>的类激活图。
实施例9
在实施例8的基础上，在步骤S41之前，还包括步骤：对pytorch_grad_cam工具包的源码进行维度判断，对一维进行适配，具体包括base_cam中的获取图像宽高尺寸函数、生成cam图像函数和grad_cam的获取cam权重函数，共三处。
实施例10
在实施例3的基础上，在步骤S5中，所述结合对雷达PA序列的后处理来提取跟踪包络，具体包括子步骤：对任意测试样本对应识别结果/>，/>为0时雷达处于TWS模式没有跟踪包络，/>为2时雷达处于STT模式全部是跟踪包络，当/>时，此时生成的类激活图向量维度为/>，对应/>长度为/>，类激活图是归一化向量，只选择向量值超过门限TrackThre的对应位置上的脉冲即为网络识别关注区域；对于向量值超过门限TrackThre的PA序列转化为直方图，直方图区间选择/>，步进为/>；选择占比最高的区间作为跟踪包络所在区间，且把PA落在此区间外的激活向量值置为0，形成雷达脉冲跟踪序列。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本发明实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
Claims (8)
1.一种基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，包括以下步骤：
采用深度学习方法并利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，从而提取雷达TAS模式下的跟踪包络；
所述深度学习方法包括CNN卷积神经网络，当采用CNN卷积神经网络时，所述利用深度学习网络识别过程中的梯度反馈生成重点关注的雷达信号序列，具体包括子步骤：应用CNN卷积神经网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积神经网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络；
所述应用CNN卷积神经网络网络对雷达工作模式进行识别，利用识别过程中的反向传递梯度生成CNN卷积神经网络特征提取的类激活图，可视化雷达TAS模式下网络关注的雷达信号序列，结合对雷达PA序列的后处理提取雷达跟踪包络，具体包括如下子步骤：
S1，处理雷达信号序列数据得到样本数据；
S2，构造一维CNN卷积神经网络网络模型；
S3，训练构造的一维CNN卷积神经网络网络模型；
S4，利用识别过程中的反向传递梯度生成CNN卷积神经网络特征提取的类激活图；
S5，结合对雷达PA序列的后处理来提取跟踪包络。
2.根据权利要求1所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：对每个数据文件，读取到达时间TOA、载频RF、脉冲幅度PA、脉冲重复间隔PRI和脉宽PW信息，从最大TOA作为首个结束时间，开始时间等于结束时间减TimeLen，其中TimeLen是预设的样本时间长度；
选择在开始时间和首个结束时间的脉冲，组成一个的样本，其中5维参数分别是TOA、RF、PRI、PW、PA，/>是脉冲个数，TOA这一维所有值减去TOA的最大值加上TimeLen，以使得在TOA维度的最大TOA始终为TimeLen；如果脉冲个数/>则取后SeqLen个脉冲，否则前面补0，保持样本尺寸为/>，SeqLen表示单个样本中脉冲序列长度；
首个结束时间减TimeSlip得到下一个结束时间，TimeSlip表示时间滑窗长度，下一个开始时间等于下一个结束时间减TimeLen，同样的过程形成下一个样本，如此把每个文件都形成最终为的样本，N是数据文件形成的样本个数。
3.根据权利要求1所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S1中，所述处理雷达信号序列数据得到样本数据，具体包括子步骤：将样本的标签使用时间段内的最后一个脉冲的标注结果，分类数量设为3，对应雷达的TWS、TAS和STT模式。
4.根据权利要求1所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S2中，所述构造一维CNN卷积神经网络网络模型，具体包括子步骤：用pytorch构造CNN卷积神经网络得到pytorch模型，且CNN卷积神经网络中所有卷积层、池化层、批量标准层和平均池化层都设1维；pytorch的数据加载采用数据dataset类来进行加载，并定义初始化方法、成员获取方法和长度获取方法；其中，
所述初始化方法，输入训练样本的x和y，并保存为成员变量；
所述成员获取方法，输入索引，得到/>和/>，这里的上标T代表转置，样本生成的维度是/>，一维卷积要求通道在前长度在后；
所述长度获取方法，返回成员变量训练样本的第一个维度。
5.根据权利要求4所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S3中，所述训练构造的一维CNN卷积神经网络网络模型，具体包括子步骤：读取样本数据时进行样本均衡，完成样本均衡后随机打乱顺序，按照设定的比例分割出训练和验证集，待训练全部结束后保存pytorch模型。
6.根据权利要求4所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S4中，所述利用识别过程中的反向传递梯度生成CNN卷积神经网络特征提取的类激活图，具体包括如下子步骤：利用pytorch_grad_cam工具包来完成生成模型类激活图，具体包括以下步骤：
S41，选择未参与训练和验证的仿真生成数据，数据预处理后形成识别样本，构造测试集dataloader，样本维度为；
S42，加载训练后保存的pytorch模型，类激活图方法选择pytorch_grad_cam中的GradCAM方法，类激活图目标层选择网络结构中的“批量标准化层2”；
S43，类激活图生成方法GradCAM传入参数模型和目标层得到计算方法，计算方法传入4个参数，分别是识别样本、目标类选择None、aug_smooth和eigen_smooth，aug_smooth和eigen_smooth均是pytorch_grad_cam工具中指定的参数，且均为False，其中，目标类选择None是指自动选择识别结果置信度最大的类，而不是真实标签对应的类，如此得到尺寸为的类激活图。
7.根据权利要求6所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S41之前，还包括步骤：对pytorch_grad_cam工具包的源码进行维度判断，对一维进行适配，具体包括base_cam中的获取图像宽高尺寸函数、生成cam图像函数和grad_cam的获取cam权重函数，共三处。
8.根据权利要求1所述的基于CNN类激活图的雷达跟踪包络提取方法，其特征在于，在步骤S5中，所述结合对雷达PA序列的后处理来提取跟踪包络，具体包括子步骤：对任意测试样本对应识别结果/>，/>为0时雷达处于TWS模式没有跟踪包络，/>为2时雷达处于STT模式全部是跟踪包络，当/>时，此时生成的类激活图向量维度为/>，对应/>长度为，类激活图是归一化向量，只选择向量值超过门限TrackThre的对应位置上的脉冲即为网络识别关注区域；对于向量值超过门限TrackThre的PA序列转化为直方图，直方图区间选择/>，步进为/>；选择占比最高的区间作为跟踪包络所在区间，且把PA落在此区间外的激活向量值置为0，形成雷达脉冲跟踪序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311512254.7A CN117233723B (zh) | 2023-11-14 | 2023-11-14 | 一种基于cnn类激活图的雷达跟踪包络提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311512254.7A CN117233723B (zh) | 2023-11-14 | 2023-11-14 | 一种基于cnn类激活图的雷达跟踪包络提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233723A CN117233723A (zh) | 2023-12-15 |
| CN117233723B true CN117233723B (zh) | 2024-01-30 |
Family
ID=89097027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311512254.7A Active CN117233723B (zh) | 2023-11-14 | 2023-11-14 | 一种基于cnn类激活图的雷达跟踪包络提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233723B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3266036A (en) * | 1963-05-24 | 1966-08-09 | Bofors Ab | Radar system for target tracking |
| CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
| EP3816853A1 (en) * | 2019-10-31 | 2021-05-05 | NVIDIA Corporation | Gaze determination using one or more neural networks |
| CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
| CN113768519A (zh) * | 2021-09-16 | 2021-12-10 | 天津大学 | 基于深度学习和静息态脑电数据分析病人意识水平的方法 |
| CN114019467A (zh) * | 2021-10-25 | 2022-02-08 | 哈尔滨工程大学 | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 |
| CN114514758A (zh) * | 2019-11-04 | 2022-05-17 | 英特尔公司 | 交通工具网络中的操纵协调服务 |
| CN114528899A (zh) * | 2020-10-30 | 2022-05-24 | 罗伯特·博世有限公司 | 经由原型因子分解改进深度神经网络 |
| CN114723733A (zh) * | 2022-04-26 | 2022-07-08 | 湖北工业大学 | 一种基于公理解释的类激活映射方法及装置 |
| CN115061103A (zh) * | 2022-06-08 | 2022-09-16 | 电子科技大学 | 基于编码器-解码器的多功能雷达功能识别方法 |
| DE102022124603A1 (de) * | 2021-09-25 | 2023-03-30 | Intel Corporation | Einrichtung und verfahren für ray-tracing mit shader-aufruf-graphenmanalyse |
| CN116127974A (zh) * | 2023-01-04 | 2023-05-16 | 电子科技大学 | 一种面向雷达的实体关系联合抽取方法 |
| CN116150652A (zh) * | 2022-12-26 | 2023-05-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电辐射波形分类系统及方法 |
| CN116563636A (zh) * | 2023-05-16 | 2023-08-08 | 西安电子科技大学 | 一种合成孔径雷达图像生成方法及系统 |
| CN116643246A (zh) * | 2023-04-28 | 2023-08-25 | 中国电子科技集团公司第二十九研究所 | 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法 |
| CN117036908A (zh) * | 2023-08-16 | 2023-11-10 | 武汉华中天经通视科技有限公司 | 一种基于轻量化目标跟踪网络的目标跟踪方法 |
-
2023
- 2023-11-14 CN CN202311512254.7A patent/CN117233723B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3266036A (en) * | 1963-05-24 | 1966-08-09 | Bofors Ab | Radar system for target tracking |
| CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| EP3816853A1 (en) * | 2019-10-31 | 2021-05-05 | NVIDIA Corporation | Gaze determination using one or more neural networks |
| CN114514758A (zh) * | 2019-11-04 | 2022-05-17 | 英特尔公司 | 交通工具网络中的操纵协调服务 |
| CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
| CN114528899A (zh) * | 2020-10-30 | 2022-05-24 | 罗伯特·博世有限公司 | 经由原型因子分解改进深度神经网络 |
| CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
| CN113768519A (zh) * | 2021-09-16 | 2021-12-10 | 天津大学 | 基于深度学习和静息态脑电数据分析病人意识水平的方法 |
| DE102022124603A1 (de) * | 2021-09-25 | 2023-03-30 | Intel Corporation | Einrichtung und verfahren für ray-tracing mit shader-aufruf-graphenmanalyse |
| CN114019467A (zh) * | 2021-10-25 | 2022-02-08 | 哈尔滨工程大学 | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 |
| CN114723733A (zh) * | 2022-04-26 | 2022-07-08 | 湖北工业大学 | 一种基于公理解释的类激活映射方法及装置 |
| CN115061103A (zh) * | 2022-06-08 | 2022-09-16 | 电子科技大学 | 基于编码器-解码器的多功能雷达功能识别方法 |
| CN116150652A (zh) * | 2022-12-26 | 2023-05-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电辐射波形分类系统及方法 |
| CN116127974A (zh) * | 2023-01-04 | 2023-05-16 | 电子科技大学 | 一种面向雷达的实体关系联合抽取方法 |
| CN116643246A (zh) * | 2023-04-28 | 2023-08-25 | 中国电子科技集团公司第二十九研究所 | 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法 |
| CN116563636A (zh) * | 2023-05-16 | 2023-08-08 | 西安电子科技大学 | 一种合成孔径雷达图像生成方法及系统 |
| CN117036908A (zh) * | 2023-08-16 | 2023-11-10 | 武汉华中天经通视科技有限公司 | 一种基于轻量化目标跟踪网络的目标跟踪方法 |
Non-Patent Citations (14)
| Title |
|---|
| "GCPS: A CNN Performance Evaluation Criterion for Radar Signal Intrapulse Modulation Recognition";Zhengyang Yu;《IEEE Communications Letters》;2290-2294 * |
| "Sequential Convolutional Recurrent Neural Networks for Fast Automatic Modulation Classification";Kaisheng Liao 等;《IEEE Access》;27182-27188 * |
| "交互作用多模型集成航迹分裂目标跟踪方法";桑航 等;《指挥控制与仿真》;38-45 * |
| "基于孪生网络的机载相控阵雷达工作状态识别方法";范孟秋 等;《电子信息对抗技术》;33-36 * |
| "基于改进CNN的雷达辐射源识别FPGA加速器设计";赵宗明;《中国优秀硕士论文全文数据库》;全文 * |
| "基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析";刘潇 等;《科学技术与工程》;72-81 * |
| "基于深度学习的窄带雷达目标识别研究";张暄;《中国优秀硕士论文全文数据库》;全文 * |
| "基于超宽带信号特征与深度学习的雷达目标识别研究";冯皓宇;《《中国优秀硕士论文全文数据库》》;全文 * |
| "多功能相控阵雷达行为分析与辨识技术研究";方旖;《中国优秀硕士论文全文数据库》;全文 * |
| "梯度幅度法提取探地雷达图像ROI";金淼 等;《中国图象图形学报》;579-584 * |
| "针对未知雷达辐射源信号的脉内调制识别";杨雯婷;《中国优秀硕士论文全文数据库》;全文 * |
| 单目标跟踪算法综述;汪鸿翔;柳培忠;骆炎民;洪铭;顾培婷;;海峡科学(第07期);28-32 * |
| 基于Grad-CAM的探地雷达公路地下目标检测算法;赵迪;叶盛波;周斌;;电子测量技术(第10期);113-118 * |
| 赵迪 ; 叶盛波 ; 周斌 ; .基于Grad-CAM的探地雷达公路地下目标检测算法.电子测量技术.2020,(第10期),113-118. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233723A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
| CN108920445B (zh) | 一种基于Bi-LSTM-CRF模型的命名实体识别方法和装置 | |
| Olson et al. | Automatic target recognition by matching oriented edge pixels | |
| CN108629288B (zh) | 一种手势识别模型训练方法、手势识别方法及系统 | |
| CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
| CN110147812A (zh) | 基于扩张残差网络的雷达辐射源识别方法及装置 | |
| CN110837846A (zh) | 一种图像识别模型的构建方法、图像识别方法及装置 | |
| CN110956042A (zh) | 嵌套命名实体识别方法及系统、电子设备及可读介质 | |
| Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
| CN110837736A (zh) | 一种基于字结构的迭代膨胀卷积神经网络-条件随机场的中文医疗记录的命名实体识别方法 | |
| CN106446804A (zh) | 一种基于elm的多粒度虹膜识别方法 | |
| CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
| CN111209813B (zh) | 基于迁移学习的遥感图像语义分割方法 | |
| CN113723572B (zh) | 船只目标识别方法、计算机系统及程序产品、存储介质 | |
| CN117233723B (zh) | 一种基于cnn类激活图的雷达跟踪包络提取方法 | |
| CN111736127B (zh) | 面向未知海域海杂波的源域生成和分布参数泛化方法 | |
| CN104268397A (zh) | 基于舰船辐射噪声优化特征的水声目标识别方法 | |
| CN115278871B (zh) | 一种基于gasf和胶囊网络的nlos识别方法 | |
| CN116563636A (zh) | 一种合成孔径雷达图像生成方法及系统 | |
| CN116047418A (zh) | 基于小样本的多模态雷达有源欺骗干扰识别方法 | |
| CN109815927A (zh) | 利用对抗双向交互网络解决视频时间文本定位任务的方法 | |
| CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
| Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
| CN114742893B (zh) | 一种基于深度学习的3d激光数据训练与快速定位方法 | |
| CN114627348B (zh) | 多主体任务中基于意图的图片识别方法 |
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 |