CN117452368B - 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 - Google Patents
基于宽带成像雷达的sar载荷辐射信号检测方法及装置 Download PDFInfo
- Publication number
- CN117452368B CN117452368B CN202311769532.7A CN202311769532A CN117452368B CN 117452368 B CN117452368 B CN 117452368B CN 202311769532 A CN202311769532 A CN 202311769532A CN 117452368 B CN117452368 B CN 117452368B
- Authority
- CN
- China
- Prior art keywords
- attention
- self
- layer
- feature map
- window
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 88
- 238000003384 imaging method Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 66
- 238000007781 pre-processing Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims description 49
- 230000004927 fusion Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于宽带成像雷达的SAR载荷辐射信号检测方法及装置,涉及雷达信号处理技术领域,包括:获取待检测的雷达接收信号;将待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;对时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号。本发明能够有效提高宽带成像雷达测量信息的利用率。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于宽带成像雷达的SAR载荷辐射信号检测方法及装置。
背景技术
随着空间技术的不断发展,空间已成为维护国家安全的制高点。雷达以全天候、全天时、快响应、高可靠的突出技术优势在空间目标探测、捕获、跟踪、测轨、识别等方面扮演着越来越重要的角色。与窄带雷达主要提供空间目标位置和RCS测量值不同,宽带成像雷达主要通过ISAR成像提供丰富的目标物理尺寸、形状、姿态和载荷指向等信息。
现有技术中,应用宽带成像雷达对SAR载荷空间目标进行探测时,雷达接收数据主要包含三类信号:目标回波信号、SAR载荷空间辐射信号和环境杂波,在时域上空间目标回波信号功率远大于SAR载荷空间辐射信号,在频域上SAR载荷空间辐射信号通常为宽频带信号,信号频带覆盖目标回波信号,因此在时域和频域都难以判断雷达接收信号中是否包含SAR载荷空间辐射信号,充分挖掘宽带成像雷达测量数据检测识别雷达接收数据中是否包含SAR载荷空间辐射信号,有利于分析SAR载荷空间辐射信号对宽带成像效果的干扰,拓展宽带成像雷达应用,补充无线电探测手段和方式,在SAR载荷辐射信号解译和载荷性能评估等应用领域具有重要意义。
现有的宽带成像雷达目前主要用于空间目标成像,一般工作于主动模式,雷达发射机通过雷达天线主动对空间发射电磁波,接收信号以空间目标回波信号为主,混杂包含SAR载荷空间辐射信号和空间环境杂波,并且在时域上空间目标回波信号功率远大于SAR载荷空间辐射信号,在频域上SAR载荷空间辐射信号通常为宽频带信号,信号频带覆盖目标回波信号,因此在时域和频域都难以判断雷达接收信号中是否包含SAR载荷空间辐射信号,导致目前SAR载荷空间辐射信号检测主要依靠无线电探测设备,利用无源探测的原理被动接收SAR载荷空间辐射信号。
现有技术对宽带成像雷达的数据挖掘分析不足,尚未利用宽带成像雷达开展SAR载荷空间辐射信号检测,导致两方面问题,一是制约宽带成像雷达效果,SAR载荷空间辐射信号会干扰宽带成像雷达成像效果;二是限制宽带成像雷达应用场景,未充分利用宽带成像雷达接收到SAR载荷空间辐射信号,仅依靠雷达接收信号进行天空目标的成像分析。同时SAR载荷空间辐射信号检测仅依靠无线电探测设备进行被动探测,受限于无线电探测设备的数量和探测空域,造成现有技术对SAR载荷空间辐射信号检测存在手段弱、精度低、自动化差。
因此,亟需改善现有技术中存在的对SAR载荷空间辐射信号检测手段弱、精度低、自动化差的缺陷。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于宽带成像雷达的SAR载荷辐射信号检测方法及装置。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供一种基于宽带成像雷达的SAR载荷辐射信号检测方法,包括:
获取待检测的雷达接收信号;
将待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;
对时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号。
第二方面,本发明还提供一种基于宽带成像雷达的SAR载荷辐射信号检测装置,包括:
接收模块,用于获取待检测的雷达接收信号;
预处理模块,用于将待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;
处理模块,用于对时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号。
本发明的有益效果:
本发明提供的一种基于宽带成像雷达的SAR载荷辐射信号检测方法及装置,在宽带成像雷达传统成像功能的基础上,充分利用雷达接收信号数据,通过时频域特征提取,设计SAR载荷卫星辐射信号智能检测网络,实现从接收信号中检测是否包含SAR载荷卫星辐射信号,检测率较高,可以补充无线电探测手段,支撑宽带成像雷达成像效果干扰分析、SAR载荷空间辐射信号探测区域研判和SAR载荷空间辐射信号解译研究,能够有效提高宽带成像雷达测量信息的利用率。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的基于宽带成像雷达的SAR载荷辐射信号检测方法的一种流程图;
图2是本发明实施例提供的宽带成像雷达接收信号时频特征图;
图3是本发明实施例提供的预设的目标检测网络的一种示意图;
图4是本发明实施例提供的宽带成像雷达主动模式未接收到辐射信号时频域特征图;
图5是本发明实施例提供的宽带成像雷达主动模式接收到辐射信号时频域特征图;
图6是本发明实施例提供的宽带成像雷达被动模式未接收到辐射信号时频域特征图;
图7是本发明实施例提供的宽带成像雷达被动模式接收到辐射信号时频域特征图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
针对现有技术中对SAR载荷空间辐射信号检测手段弱、精度低、自动化差的问题,本发明提出一种基于宽带成像雷达的SAR载荷辐射信号检测方法,通过对宽带成像雷达接收信号进行时频域变换,提取典型特征,建立自动化智能检测方法,检测接收信号中是否包含SAR载荷空间辐射信号,可以充分挖掘宽带成像雷达数据,拓展无线电信号侦收手段,支撑SAR载荷空间辐射信号解译和载荷性能评估。
请参见图1所示,图1是本发明实施例提供的基于宽带成像雷达的SAR载荷辐射信号检测方法的一种流程图,本发明所提供的一种基于宽带成像雷达的SAR载荷辐射信号检测方法,包括:
S101、获取待检测的雷达接收信号。
具体而言,本实施例中,通过雷达天线阵列获取雷达接收信号。
S102、将待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图。
具体而言,本实施例中,将待检测的雷达接收信号进行数据预处理,包括:
S1021、数据单位统一。
将待检测的雷达接收信号中任意通道的数据数值单位统一为分贝。
S1022、数据长度统一。
将待检测的雷达接收信号中测量弧段数据长度进行统一,以测量弧段数据最大值为基准,将不足/>的测量弧段数据补零至/>。
本实施例中,考虑到宽带成像雷达接收信号中是否包含SAR载荷空间辐射信号时在时频域有明显的区别特征,使用短时傅里叶变换(STFT)对数据预处理后的待检测的雷达接收信号进行时频域特征提取;其中,短时傅里叶变换的表达式为:
;
其中,为短时傅里叶变换的输出,/>为时域信号,/>为窗函数,为积分变量,/>为长度固定的窗函数,/>为时间,/>为虚数单位,/>为圆周率,/>为采样频率;需要说明的是,窗函数通常包括矩形窗、三角窗、汉宁窗以及海明窗这四种基本类型,由于汉宁窗具有最快的旁瓣谱峰衰减,能量泄露更少,因此选择使用汉宁窗对雷达接收信号/>进行短时傅里叶变换(STFT)。
通过短时傅里叶变换(STFT)生成雷达接收信号时频域特征图,图像分辨率为,如图2所示,图2是本发明实施例提供的宽带成像雷达接收信号时频特征图,其中,垂直线框对应SAR载荷卫星辐射信号,水平线框对应雷达对目标的探测回波信号,图2中的背景中包含噪声,使得图2中的背景颜色不均匀;此外,使用汉宁窗对雷达接收信号进行处理,即使用方格的窗口进行遍历处理,使得处理后的雷达接收信号时频域特征图以方格状呈现。
S103、对时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号。
具体而言,本实施例中,将时频域特征图进行图像预处理,包括:
S1031、图像降噪。
使用高斯滤波对时频域特征图进行降噪处理。
S1032、图像裁剪。
通过等比例缩放对降噪处理后的时频域特征图进行图像裁剪,使得时频域特征图分辨率由变为/>。
S1033、图像增广。
对图像裁剪后的时频域特征图依次进行水平翻转、增加亮度和增加对比度;可选地,对时频域特征图增加20%的亮度和增加10%的对比度。
本实施例中,使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,需要获取训练好的目标检测网络,其中,训练好的目标检测网络通过对预设的目标检测网络进行训练获取,对预设的目标检测网络进行训练,包括:
获取多个宽带成像雷达接收信号;
对宽带成像雷达接收信号进行数据预处理,并对数据预处理后的宽带成像雷达接收信号进行时频域特征提取,得到第一时频域特征图;
将第一时频域特征图进行图像预处理,得到图像预处理后的第一时频域特征图;
将图像预处理后的第一时频域特征图作为数据集,并对数据集中的图像预处理后的第一时频域特征图进行标记,得到数据集对应的标签集;根据数据集和标签集,构建训练集;可选地,标记过程为人工标记,包含垂直竖线的标记为包含SAR载荷空间辐射信号,不包含垂直竖线的标记为不包含SAR载荷空间辐射信号;
使用训练集对预设的目标检测网络进行训练,直到收敛,得到训练好的目标检测网络。
在本发明的一种可选地实施例中,从数据集中获取验证集,通常训练集与验证集的比例为9:1,使用验证集对训练好的目标检测网络进行性能评估,以保证训练效果。
在本发明的一种可选地实施例中,SAR载荷空间辐射信号智能检测网络以目前较为新颖的Swin Transformer网络为骨干网络,为实现多特征融合的目的,将网路设计为特征提取模块、多特征融合模块和分类模块,如图3所示,图3是本发明实施例提供的预设的目标检测网络的一种示意图,输入为宽带成像雷达接收信号时频特征图,尺寸为,输出为2分类结果,分别为0(不包含SAR载荷卫星辐射信号)或1(包含SAR载荷卫星辐射信号);具体地,预设的目标检测网络包括特征提取模块、多特征融合模块和分类模块;其中,
特征提取模块包括多个特征提取阶段,用于提取多个特征;
多特征融合模块包括通道注意力层,用于将多个特征进行融合;
分类模块包括渐进上采样模块和分类全连接层,上采样模块用于将融合的特征进行上采样,分类全连接层用于将上采样后的特征进行分类。
在本发明的一种可选地实施例中,请继续参见图3所示,特征提取模块包括图像块划分层、线性嵌入层、第一移窗自注意变换模块、第一图像块融合层、第二移窗自注意变换模块、第二图像块融合层、第三移窗自注意变换模块、第三图像块融合层和第四移窗自注意变换模块;其中,线性嵌入层和第一移窗自注意变换模块构成第一特征提取阶段,第一图像块融合层和第二移窗自注意变换模块构成第二特征提取阶段,第二图像块融合层和第三移窗自注意变换模块构成第三特征提取阶段,第三图像块融合层和第四移窗自注意变换模块构成第四特征提取阶段。
在本发明的一种可选地实施例中,请继续参见图3所示,第一移窗自注意变换模块、第二移窗自注意变换模块、第三移窗自注意变换模块和第四移窗自注意变换模块的结构均相同,包括:第一线性层、窗口自注意层、第二线性层、第一多层感知机、第三线性层、移窗口自注意层、第四线性层和第二多层感知机。需要说明的是,移窗自注意变换模块是由自注意力模块窗口多头自注意机制模块(Window Multi-head Self-Attention,W-MSA)和移动窗口多头自注意机制模块(Shifted Window Multi-head Self-Attention,SW-MSA)串接形成。
在本发明的一种可选地实施例中,请结合图3所示,使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,包括:
使用图像块划分层将图像预处理后的时频域特征图进行划分,划分为不重叠的图像块;其中,每个图像块为所有像素值在通道方向上的串联;可选地,将大小为的时频域特征图进行划分,划分后的图像块尺寸为/>,高和宽变/>,通道数变为/>。
使用第一特征提取阶段的线性嵌入层对图像块中每个像素的通道数进行线性变换,使其到达预设值,再使用第一特征提取阶段的第一移窗自注意变换模块进行处理,得到第一多头自注意特征图;其中,使用第一移窗自注意变换模块的窗口自注意层进行处理,将图像块划分为不重叠的多个窗口,在预设的窗口中计算自注意分数,可以减少计算复杂度,再使用第一移窗自注意变换模块的第一多层感知机将自注意分数进行组合,使网络从不同角度理解输入特征,得到自注意特征图,再使用第一移窗自注意变换模块的移窗口自注意层进行移动窗口操作(shifted window),使得移动后的窗口与未移动的窗口存在重叠部分,实现窗口与窗口之间的相互通信,并计算不同区域的特征多头自注意分数,达到全局建模效果,再使用第一移窗自注意变换模块的第二多层感知机将多头自注意分数进行组合,得到第一多头自注意特征图;需要说明的是,经过线性嵌入层处理后的图像高和宽不变,形状变为/>。
使用第二特征提取阶段的第一图像块融合层对所述第一多头自注意特征图进行下采样,再使用第二特征提取阶段的第二移窗自注意变换模块进行处理,得到第二多头自注意特征图;需要说明的是,下采样过程特征图的高和宽会减半,通道数翻倍,经过第二特征提取阶段处理后,特征图的尺寸变为。
使用第三特征提取阶段的第二图像块融合层对第二多头自注意特征图进行下采样,再使用第三特征提取阶段的第三移窗自注意变换模块进行处理,得到第三多头自注意特征图;经过第三特征提取阶段处理后,特征图的尺寸变为。
使用第四特征提取阶段的第三图像块融合层对第三多头自注意特征图进行下采样,再使用第四特征提取阶段的第四移窗自注意变换模块进行处理,得到第四多头自注意特征图;经过第四特征提取阶段处理后,特征图尺寸变为,能够实现有效时频域特征提取的目的。
将第一多头自注意特征图、第二多头自注意特征图、第三多头自注意特征图和第四多头自注意特征图进行叠加后,得到多个多头自注意特征图。
使用通道注意力层对多个多头自注意特征图进行融合,得到融合的多头自注意特征图。
使用渐进上采样模块对融合的多头自注意特征图进行上采样,再使用分类全连接层进行分类,得到分类结果。
综上所述,本发明提供的一种基于宽带成像雷达的SAR载荷辐射信号检测方法,在宽带成像雷达传统成像功能的基础上,充分利用雷达接收信号数据,通过时频域特征提取,设计SAR载荷卫星辐射信号智能检测网络,实现从接收信号中检测是否包含SAR载荷卫星辐射信号,检测率较高。本发明可以补充无线电探测手段,支撑宽带成像雷达成像效果干扰分析、SAR载荷空间辐射信号探测区域研判和SAR载荷空间辐射信号解译研究,有效提高了宽带成像雷达测量信息的利用率。
在本发明的一种可选地实施例中,检测主动模式下宽带成像雷达接收信号是否包含SAR载荷卫星辐射信号,包括:
选择某套宽带成像雷达主动模式下对3颗典型SAR载荷卫星的接收信号,共1442个测量弧段,其中接收到SAR载荷卫星辐射信号的弧段数为666个,未接收到SAR载荷卫星辐射信号的弧段数为776个,详细情况如表1所示。
表1宽带成像雷达主动模式接收信号实验数据样本集详细情况
取雷达接收信号中H通道的数据,数据单位统一为分贝,然后进行数据长度统一,按照弧段数据最长为标准,数据量不满足标准的弧段补零,统一为64个点(本实施例中最长弧段数据量为64)。
将接收信号进行短时傅里叶变换(STFT),提取雷达接收信号的时频域特征,生成雷达接收信号时频域特征图,并对生成的时频域特征图进行图像预处理(图像降噪、图像裁剪、图像增广)。
当宽带成像雷达工作于主动模式,未接收到SAR载荷卫星辐射号信号时,接收信号时频域特征表现为只有水平条带对应雷达回波信号,如图4所示,图4是本发明实施例提供的宽带成像雷达主动模式未接收到辐射信号时频域特征图。
接收到SAR载荷卫星辐射信号时,接收信号时频域特征表现为同时有垂直条带和水平条带,分别对应接收到的SAR载荷卫星辐射信号和主动雷达回波信号,如图5所示,图5是本发明实施例提供的宽带成像雷达主动模式接收到辐射信号时频域特征图。
根据雷达接收信号是否包含SAR载荷卫星辐射信号时在时频域特征图上的典型区别(是否包含垂直条带)进行人工标记,构建主动雷达实验数据样本集。
利用SAR载荷空间辐射信号智能检测网络对构建的宽带成像雷达主动模式接收信号实验数据样本集进行训练,其中,训练数据集为1322个弧段,测试数据集为120个弧段,训练集和测试集均为按比例随机抽取生成。测试结果表明:随着训练推进,训练和验证的准确率都快速提升,误差都越来越小,其中训练准确率在迭代5代左右进入稳定状态,训练集准确率达到100%,测试集准确率达到99.8%。
将待检测的宽带成像雷达主动模式接收信号进行数据预处理和短时傅里叶变换后生成雷达接收信号时频域特征图,将生成的时频域特征图送入训练好的SAR载荷空间辐射信号智能检测网络,最后由网络输出层得到分类结果判断该主动雷达接收信号是否包含SAR载荷卫星辐射信号。
在本发明的一种可选地实施例中,利用宽带成像雷达被动模式接收信号检测是否包含SAR载荷卫星辐射信号,包括:
选择某套宽带成像雷达被动模式下对3颗典型SAR载荷卫星的接收信号,共1729个测量弧段,其中,接收到SAR载荷卫星辐射信号的弧段数为793个,未接收到SAR载荷卫星辐射信号的弧段数为936个,详细情况如表2所示。
表2宽带成像雷达被动模式接收信号实验数据样本集详细情况
取雷达接收信号中H通道的数据,数据单位统一为分贝,然后进行数据长度统一,按照弧段数据最长为标准,数据量不满足标准的弧段补零,统一为64个点(本实施例中最长弧段数据量为64)。
将接收信号进行短时傅里叶变换(STFT),提取雷达接收信号的时频域特征,生成雷达接收信号时频域特征图,并对生成的时频域特征图进行图像预处理(图像降噪、图像裁剪、图像增广)。
当宽带成像雷达工作于被动模式,当未接收到SAR载荷卫星辐射号信号时,接收信号只有环境噪声,接收信号时频域特征表现为无规则分布,如图6所示,图6是本发明实施例提供的宽带成像雷达被动模式未接收到辐射信号时频域特征图,图6中背景均为无规则的噪声。
当接收到SAR载荷卫星辐射信号时,接收信号时频域特征表现为有垂直条带,对应接收到的SAR载荷卫星辐射信号,如图7所示,图7是本发明实施例提供的宽带成像雷达被动模式接收到辐射信号时频域特征图。
根据雷达接收信号是否包含SAR载荷卫星辐射信号时在时频域特征图上的典型区别(是否包含垂直条带)进行人工标记,构建主动雷达实验数据样本集。
利用SAR载荷空间辐射信号智能检测网络对构建的宽带成像雷达被动模式接收实验数据样本集进行训练,其中,训练数据集为1729个弧段,测试数据集为120个弧段,训练集和测试集均为按比例随机抽取生成。测试结果表明:随着训练推进,训练和验证的准确率都快速提升,误差都越来越小,其中训练准确率在迭代5代左右进入稳定状态,训练集准确率达到100%,测试集准确率达到99.4%。
将待检测的宽带成像雷达被动模式接收信号进行数据预处理和短时傅里叶变换后生成雷达接收信号时频域特征图,将生成的时频域特征图送入训练好的SAR载荷空间辐射信号智能检测网络,最后由网络输出层得到分类结果判断该主动雷达接收信号是否包含SAR载荷卫星辐射信号。
基于同一发明构思,本发明还提供一种基于宽带成像雷达的SAR载荷辐射信号检测装置,应用与本发明上述实施例提供的一种基于宽带成像雷达的SAR载荷辐射信号检测方法,重复之处不再赘述;该装置包括:
接收模块,用于获取待检测的雷达接收信号;
预处理模块,用于将待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;
处理模块,用于对时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测所述待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于宽带成像雷达的SAR载荷辐射信号检测方法,其特征在于,包括:
获取待检测的雷达接收信号;
将所述待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;
对所述时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测所述待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号;其中,所述训练好的目标检测网络通过对预设的目标检测网络进行训练获取,所述预设的目标检测网络包括特征提取模块、多特征融合模块和分类模块;其中,所述特征提取模块包括多个特征提取阶段,用于提取多个特征;所述多特征融合模块包括通道注意力层,用于将所述多个特征进行融合;所述分类模块包括渐进上采样模块和分类全连接层,所述上采样模块用于将融合的特征进行上采样,所述分类全连接层用于将上采样后的特征进行分类;
所述特征提取模块包括图像块划分层、线性嵌入层、第一移窗自注意变换模块、第一图像块融合层、第二移窗自注意变换模块、第二图像块融合层、第三移窗自注意变换模块、第三图像块融合层和第四移窗自注意变换模块;其中,所述线性嵌入层和所述第一移窗自注意变换模块构成第一特征提取阶段,所述第一图像块融合层和所述第二移窗自注意变换模块构成第二特征提取阶段,所述第二图像块融合层和所述第三移窗自注意变换模块构成第三特征提取阶段,所述第三图像块融合层和所述第四移窗自注意变换模块构成第四特征提取阶段;
所述第一移窗自注意变换模块、所述第二移窗自注意变换模块、所述第三移窗自注意变换模块和所述第四移窗自注意变换模块的结构均相同,均包括:第一线性层、窗口自注意层、第二线性层、第一多层感知机、第三线性层、移窗口自注意层、第四线性层和第二多层感知机;
所述使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,包括:
使用所述图像块划分层将所述图像预处理后的时频域特征图进行划分,划分为不重叠的图像块;其中,每个所述图像块为所有像素值在通道方向上的串联;
使用所述第一特征提取阶段的所述线性嵌入层对所述图像块中每个像素的通道数进行线性变换,使其到达预设值,再使用所述第一特征提取阶段的第一移窗自注意变换模块进行处理,得到第一多头自注意特征图;其中,使用所述第一移窗自注意变换模块的窗口自注意层进行处理,将图像块划分为不重叠的多个窗口,在预设的窗口中计算自注意分数,再使用所述第一移窗自注意变换模块的第一多层感知机将所述自注意分数进行组合,得到自注意特征图,再使用所述第一移窗自注意变换模块的移窗口自注意层进行移动窗口操作,使得移动后的窗口与未移动的窗口存在重叠部分,并计算不同区域的特征多头自注意分数,再使用所述第一移窗自注意变换模块的第二多层感知机将多头自注意分数进行组合,得到第一多头自注意特征图;
使用所述第二特征提取阶段的所述第一图像块融合层对所述第一多头自注意特征图进行下采样,再使用所述第二特征提取阶段的第二移窗自注意变换模块进行处理,得到第二多头自注意特征图;
使用所述第三特征提取阶段的所述第二图像块融合层对所述第二多头自注意特征图进行下采样,再使用所述第三特征提取阶段的第三移窗自注意变换模块进行处理,得到第三多头自注意特征图;
使用所述第四特征提取阶段的第三图像块融合层对所述第三多头自注意特征图进行下采样,再使用所述第四特征提取阶段的第四移窗自注意变换模块进行处理,得到第四多头自注意特征图;
将所述第一多头自注意特征图、所述第二多头自注意特征图、所述第三多头自注意特征图和所述第四多头自注意特征图进行叠加后,得到多个多头自注意特征图;
使用所述通道注意力层对所述多个多头自注意特征图进行融合,得到融合的多头自注意特征图;
使用渐进上采样模块对所述融合的多头自注意特征图进行上采样,再使用所述分类全连接层进行分类,得到分类结果。
2.根据权利要求1所述的基于宽带成像雷达的SAR载荷辐射信号检测方法,其特征在于,对所述预设的目标检测网络进行训练,包括:
获取多个宽带成像雷达接收信号;
对所述宽带成像雷达接收信号进行数据预处理,并对数据预处理后的宽带成像雷达接收信号进行时频域特征提取,得到第一时频域特征图;
将所述第一时频域特征图进行图像预处理,得到图像预处理后的第一时频域特征图;
将所述图像预处理后的第一时频域特征图作为数据集,并对所述数据集中的所述图像预处理后的第一时频域特征图进行标记,得到所述数据集对应的标签集;根据所述数据集和所述标签集,构建训练集;
使用所述训练集对所述预设的目标检测网络进行训练,直至收敛,得到训练好的目标检测网络。
3.根据权利要求1所述的基于宽带成像雷达的SAR载荷辐射信号检测方法,其特征在于,将所述待检测的雷达接收信号进行数据预处理,包括:
将所述待检测的雷达接收信号中任意通道的数据数值单位统一为分贝;
将所述待检测的雷达接收信号中测量弧段数据长度进行统一,以测量弧段数据最大值为基准,将不足/>的测量弧段数据补零至/>。
4.根据权利要求1所述的基于宽带成像雷达的SAR载荷辐射信号检测方法,其特征在于,使用短时傅里叶变换对数据预处理后的待检测的雷达接收信号进行时频域特征提取;其中,所述短时傅里叶变换的表达式为:
;
其中,为短时傅里叶变换的输出,/>为时域信号,/>为窗函数,/>为积分变量,/>为长度固定的窗函数,/>为时间,/>为虚数单位,/>为圆周率,/>为采样频率。
5.根据权利要求1所述的基于宽带成像雷达的SAR载荷辐射信号检测方法,其特征在于,所述对所述时频域特征图进行图像预处理,包括:
使用高斯滤波对所述时频域特征图进行降噪处理;
通过等比例缩放对降噪处理后的时频域特征图进行图像裁剪;
对图像裁剪后的时频域特征图依次进行水平翻转、增加亮度和增加对比度。
6.一种基于宽带成像雷达的SAR载荷辐射信号检测装置,其特征在于,包括:
接收模块,用于获取待检测的雷达接收信号;
预处理模块,用于将所述待检测的雷达接收信号进行数据预处理,并对数据预处理后的待检测的雷达接收信号进行时频域特征提取,得到时频域特征图;
处理模块,用于对所述时频域特征图进行图像预处理,并使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,以检测所述待检测的雷达接收信号中是否包含SAR载荷卫星辐射信号;其中,所述训练好的目标检测网络通过对预设的目标检测网络进行训练获取,所述预设的目标检测网络包括特征提取模块、多特征融合模块和分类模块;其中,所述特征提取模块包括多个特征提取阶段,用于提取多个特征;所述多特征融合模块包括通道注意力层,用于将所述多个特征进行融合;所述分类模块包括渐进上采样模块和分类全连接层,所述上采样模块用于将融合的特征进行上采样,所述分类全连接层用于将上采样后的特征进行分类;
所述特征提取模块包括图像块划分层、线性嵌入层、第一移窗自注意变换模块、第一图像块融合层、第二移窗自注意变换模块、第二图像块融合层、第三移窗自注意变换模块、第三图像块融合层和第四移窗自注意变换模块;其中,所述线性嵌入层和所述第一移窗自注意变换模块构成第一特征提取阶段,所述第一图像块融合层和所述第二移窗自注意变换模块构成第二特征提取阶段,所述第二图像块融合层和所述第三移窗自注意变换模块构成第三特征提取阶段,所述第三图像块融合层和所述第四移窗自注意变换模块构成第四特征提取阶段;
所述第一移窗自注意变换模块、所述第二移窗自注意变换模块、所述第三移窗自注意变换模块和所述第四移窗自注意变换模块的结构均相同,均包括:第一线性层、窗口自注意层、第二线性层、第一多层感知机、第三线性层、移窗口自注意层、第四线性层和第二多层感知机;
所述使用训练好的目标检测网络对图像预处理后的时频域特征图进行处理,包括:
使用所述图像块划分层将所述图像预处理后的时频域特征图进行划分,划分为不重叠的图像块;其中,每个所述图像块为所有像素值在通道方向上的串联;
使用所述第一特征提取阶段的所述线性嵌入层对所述图像块中每个像素的通道数进行线性变换,使其到达预设值,再使用所述第一特征提取阶段的第一移窗自注意变换模块进行处理,得到第一多头自注意特征图;其中,使用所述第一移窗自注意变换模块的窗口自注意层进行处理,将图像块划分为不重叠的多个窗口,在预设的窗口中计算自注意分数,再使用所述第一移窗自注意变换模块的第一多层感知机将所述自注意分数进行组合,得到自注意特征图,再使用所述第一移窗自注意变换模块的移窗口自注意层进行移动窗口操作,使得移动后的窗口与未移动的窗口存在重叠部分,并计算不同区域的特征多头自注意分数,再使用所述第一移窗自注意变换模块的第二多层感知机将多头自注意分数进行组合,得到第一多头自注意特征图;
使用所述第二特征提取阶段的所述第一图像块融合层对所述第一多头自注意特征图进行下采样,再使用所述第二特征提取阶段的第二移窗自注意变换模块进行处理,得到第二多头自注意特征图;
使用所述第三特征提取阶段的所述第二图像块融合层对所述第二多头自注意特征图进行下采样,再使用所述第三特征提取阶段的第三移窗自注意变换模块进行处理,得到第三多头自注意特征图;
使用所述第四特征提取阶段的第三图像块融合层对所述第三多头自注意特征图进行下采样,再使用所述第四特征提取阶段的第四移窗自注意变换模块进行处理,得到第四多头自注意特征图;
将所述第一多头自注意特征图、所述第二多头自注意特征图、所述第三多头自注意特征图和所述第四多头自注意特征图进行叠加后,得到多个多头自注意特征图;
使用所述通道注意力层对所述多个多头自注意特征图进行融合,得到融合的多头自注意特征图;
使用渐进上采样模块对所述融合的多头自注意特征图进行上采样,再使用所述分类全连接层进行分类,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311769532.7A CN117452368B (zh) | 2023-12-21 | 2023-12-21 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311769532.7A CN117452368B (zh) | 2023-12-21 | 2023-12-21 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117452368A CN117452368A (zh) | 2024-01-26 |
CN117452368B true CN117452368B (zh) | 2024-04-02 |
Family
ID=89589414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311769532.7A Active CN117452368B (zh) | 2023-12-21 | 2023-12-21 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452368B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271994A (zh) * | 2017-05-16 | 2017-10-20 | 上海卫星工程研究所 | 基于内定标数据的星载合成孔径雷达参考函数获取方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN111929681A (zh) * | 2020-06-24 | 2020-11-13 | 苏州理工雷科传感技术有限公司 | 一种基于轻小型无人机载sar的实时成像处理系统 |
CN114636975A (zh) * | 2022-03-10 | 2022-06-17 | 杭州电子科技大学 | 基于谱图融合和注意力机制的lpi雷达信号识别方法 |
CN114842196A (zh) * | 2022-05-07 | 2022-08-02 | 南京大学 | 一种雷达射频图像目标检测方法 |
CN115877376A (zh) * | 2022-12-07 | 2023-03-31 | 哈尔滨工业大学 | 基于多头自注意力机制的毫米波雷达手势识别方法及识别系统 |
CN115935605A (zh) * | 2022-11-03 | 2023-04-07 | 中国空间技术研究院 | 一种基于时频能同步计算的sar载荷卫星电磁干扰评估方法 |
CN116012934A (zh) * | 2022-11-29 | 2023-04-25 | 浙江理工大学 | 基于雷达距离多普勒图和ir-st的人体跌倒识别方法 |
CN116797846A (zh) * | 2023-07-06 | 2023-09-22 | 中国地质大学(武汉) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 |
CN117233706A (zh) * | 2023-11-16 | 2023-12-15 | 西安电子科技大学 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
CN117237740A (zh) * | 2023-11-07 | 2023-12-15 | 山东军地信息技术集团有限公司 | 一种基于CNN和Transformer的SAR图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8390508B1 (en) * | 2010-04-05 | 2013-03-05 | Raytheon Company | Generating radar cross-section signatures |
-
2023
- 2023-12-21 CN CN202311769532.7A patent/CN117452368B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271994A (zh) * | 2017-05-16 | 2017-10-20 | 上海卫星工程研究所 | 基于内定标数据的星载合成孔径雷达参考函数获取方法 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
CN111929681A (zh) * | 2020-06-24 | 2020-11-13 | 苏州理工雷科传感技术有限公司 | 一种基于轻小型无人机载sar的实时成像处理系统 |
CN114636975A (zh) * | 2022-03-10 | 2022-06-17 | 杭州电子科技大学 | 基于谱图融合和注意力机制的lpi雷达信号识别方法 |
CN114842196A (zh) * | 2022-05-07 | 2022-08-02 | 南京大学 | 一种雷达射频图像目标检测方法 |
CN115935605A (zh) * | 2022-11-03 | 2023-04-07 | 中国空间技术研究院 | 一种基于时频能同步计算的sar载荷卫星电磁干扰评估方法 |
CN116012934A (zh) * | 2022-11-29 | 2023-04-25 | 浙江理工大学 | 基于雷达距离多普勒图和ir-st的人体跌倒识别方法 |
CN115877376A (zh) * | 2022-12-07 | 2023-03-31 | 哈尔滨工业大学 | 基于多头自注意力机制的毫米波雷达手势识别方法及识别系统 |
CN116797846A (zh) * | 2023-07-06 | 2023-09-22 | 中国地质大学(武汉) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 |
CN117237740A (zh) * | 2023-11-07 | 2023-12-15 | 山东军地信息技术集团有限公司 | 一种基于CNN和Transformer的SAR图像分类方法 |
CN117233706A (zh) * | 2023-11-16 | 2023-12-15 | 西安电子科技大学 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
Non-Patent Citations (2)
Title |
---|
基于分层注意力的信息级联预测模型;张志扬;张凤荔;陈学勤;王瑞锦;;计算机科学;20200615(第06期);第207-215页 * |
基于深度学习的非合作双基地雷达目标检测方法;钟宁 等;《信号处理》;20221130;第39卷(第11期);第1987-2002页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117452368A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851097B (zh) | 基于目标形状与阴影辅助的多通道sar‑gmti方法 | |
CN107728115A (zh) | 一种雷达目标成像后基于svm的背景干扰抑制方法 | |
Mou et al. | Marine target detection based on improved faster R-CNN for navigation radar PPI images | |
CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
CN102914773A (zh) | 一种多航过圆周sar三维成像方法 | |
CN109669183B (zh) | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN106569191A (zh) | 一种利用高分辨率成像获取目标rcs的方法 | |
CN109374985A (zh) | 电磁环境监测方法、系统及存储介质 | |
CN102819740A (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
Geiss et al. | Radar super resolution using a deep convolutional neural network | |
CN106446919A (zh) | 一种探地雷达双曲线目标快速检测方法 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
WO2023029390A1 (zh) | 一种毫米波雷达手势检测识别方法 | |
CN112285709B (zh) | 基于深度学习的大气臭氧遥感激光雷达数据融合方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN114581958B (zh) | 一种基于csi信号到达角估计的静态人体姿势估计方法 | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN103941246B (zh) | 基于压缩感知和目标先验信息的成像鉴别一体化方法 | |
CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
CN117452368B (zh) | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 | |
CN113096122A (zh) | 流星检测方法、装置及电子设备 | |
CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN114584227B (zh) | 自动化突发信号检测方法 |
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 |