基于二维自选择加权卷积神经网络的雷达目标识别方法技术

本发明专利技术公开了一种基于二维自选择加权卷积神经网络的雷达目标识别方法，包括：首先，利用Toeplitz矩阵将雷达信号处理系统得到的原始一维时域信号构造成二维的数据信号；再将构造后的二维数据信号根据原始信号的类别按照比例生成训练集和测试集；构造坐标注意力模块，再构造由自选择加权模块组成的卷积神经网络，将训练集数据输入到构造后的网络中进行训练得到训练后的网络模型，最后使用测试集对训练后的网络模型进行测试完成雷达目标的识别分类。本发明专利技术能够在非常小的计算参数代价之下，提升目标识别的准确率，适合于计算资源十分有限，又要求较高目标识别精度的场合下进行使用。使用。使用。

【技术实现步骤摘要】
基于二维自选择加权卷积神经网络的雷达目标识别方法


[0001]本专利技术涉及雷达目标识别技术，具体为一种基于二维自选择加权卷积神经网络的雷达目标识别方法。

技术介绍

[0002]雷达目标识别技术，是发射电磁波进行目标侦测，再利用目标反射回来的雷达回波对目标进行特征分析，最后利用这些特征进行目标识别的一种技术。目标识别作为雷达系统的一个重要功能，已在海陆监控系统、气象观测等方面发挥了重要的作用。在军事战争环境复杂，以及敌对目标和任务多元化的现代，如何在恶劣的环境和有限的资源条件下，有效并及时地进行目标识别，是战争致胜的关键所在。雷达作为一种重要的远距离目标探测器，在军事上发挥着重要作用，非常迫切地要求加强对于雷达目标识别技术的研究，这是现代军事战争的核心所在。
[0003]目前，可以自动提取雷达深层特征的雷达目标识别的传统方法包括支持向量机、极限学习机等。但上述方法目标识别准确率较低，可适用的环境条件也比较有限。雷达目标识别的智能化方法是基于最近几年逐渐发展起来的深度学习，这种方法获得的分类器性能高，鲁棒性很强，适用于很多场景，是今后雷达目标识别系统的主要发展方向。
[0004]由于战场条件的限制，对于雷达目标进行识别的硬件设备的计算存储资源都十分有限，许多深度学习算法难以实现，因此，如何利用有限的资源条件完成高精度目标识别任务十分重要。
[0005]申请号为202011067886.3的专利公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，该方法通过利用Toeplitz矩阵将一维雷达信号构造为二维信号，再利用加权残差模块构成的网络进行目标分类。其中加权残差模块提取的权重只关注到了每个感受野的注意力，并没有考虑到通道注意力，并且该方法含有尺寸较大的卷积核和尺寸较大的权值计算全连接层，对于存储计算资源要求较高。
[0006]申请号为202011067886.3的专利公开了一种基于多通道复用卷积神经网络的雷达目标识别方法，该方法通过利用奇偶交替循环右移矩阵将一维雷达信号构造为二维信号，再利用多通道复用模块构成的网络进行目标分类。其中多通道复用模块提取的权重也只关注到了每个感受野的注意力，并没有考虑到通道注意力。

技术实现思路

[0007]本专利技术的目的在于提供一种基于二维自选择加权卷积神经网络的雷达目标识别方法，能够在非常小的计算参数代价之下，提升目标识别的准确率，适合于计算资源十分有限，又要求较高目标识别精度的场合下进行使用。
[0008]实现本专利技术目的的技术解决方案为：第一方面，本专利技术提供一种基于二维自选择加权卷积神经网络的雷达目标识别方法，包括以下步骤：
[0009]步骤1、基于Toeplitz矩阵，将一维雷达目标时域信号构造成二维信号；
[0010]步骤2、将步骤1构造后的信号根据信号的类别，按照一定的比例划分为训练集和测试集；
[0011]步骤3、构造坐标注意力模块；
[0012]步骤4、利用步骤3得到的坐标注意力模块，构造基于自选择加权模块的卷积神经网络；
[0013]步骤5、将步骤2生成的训练集数据输入到步骤4中构造好的网络中进行训练；
[0014]步骤6、将步骤2生成的测试集数据输入到步骤5训练好的网络中进行准确率测试。
[0015]第二方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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第一方面所述的方法的步骤
[0016]第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
[0017]第四方面，本专利技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
[0018]本专利技术与现有技术相比，其显著优点有：1)基于Toeplitz矩阵将原始一维地面侦察雷达时域目标信号构造为二维目标信号，发挥了二维卷积核的优势，提高了地面侦察雷达目标时域信号的可训练性和识别准确度；2)自选择加权模块中采用了空洞卷积来提取不同感受野下的特征，与大尺寸卷积核提取特征相比，在实现相同效能的同时，减小了网络的参数量和计算量，提升了网络的训练和识别效率；3)自选择加权模块先将不同卷积核提取出的不同感受野下的特征图进行特征融合后再通过注意力模块，因此能够关注到不同感受野的信息，完成不同感受野下的自选择加权；4)采用坐标注意力来获取不同感受野的通道注意力，与只提取不同感受野的权值相比，能够关注到更多的特征，提升目标识别的准确率；坐标注意力的引入所需的计算参数量代价很小，使得二维雷达目标信号的识别效率更高，更具可行性。同时自选择加权模块中包含最大池化和平均池化两种坐标注意力模块，能够提取更加丰富的目标特征注意力，学习能力更强。
[0019]下面结合附图对本专利技术作进一步详细描述。
附图说明
[0020]图1为本专利技术提出的一种基于二维自选择卷积神经网络的雷达目标识别方法流程图。
[0021]图2为地面侦察雷达目标时域信号的一维图。
[0022]图3为基于Toeplitz矩阵构造的二维信号图。
[0023]图4为本专利技术所构建的坐标注意力模块图。
[0024]图5为本专利技术所提出的自选择加权模块图。
[0025]图6为本专利技术所构建的网络结构图。
[0026]图7为本专利技术实施例1、2、3在测试集正确率对比图。
具体实施方式
[0027]结合图1～图6所示，本专利技术提出一种基于二维自选择加权卷积神经网络对一维地
面侦察雷达时域信号二维化的目标识别方法，包括以下步骤：
[0028]步骤1、对于原始雷达信号数据为:f
n
＝[f1，f2，f3，...，f
M
]，(n＝1，2，3，...，M)
[0029]其中f1,f2，f3，
…
，f
M
为地面侦察雷达信号的雷达时域信号，M＝1024；基于Toeplitz矩阵将原始一维目标信号，构造为二维信号的具体方法为：
[0030][0031][0032]构造后变为H
Toeplitz
，构造后二维目标信号如图3所示。
[0033]步骤2、将所有一维地面侦察雷达所测得的目标时域信号经过步骤1后得到总的二维数据集，再按照目标的类别和一定的比例划分为训练集和测试集。
[0034]步骤3、构建坐标注意力模块，设输入的特征图维度为c
×
h
×
w，c、h、w分别表示特征图的通道数、长和宽，进行X、Y维度的池化，将得到的张量进行融合，然后使用1
×
1的卷积将通道数转为d，d的定义如下。
[0035]d＝max(d0,c/r)
[0036]其中d0为下限阈值，r为衰减因子。
[0037]沿着空间维度将上述融合后的张量分割为两个维度分别为d
×
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二维自选择加权卷积神经网络的雷达目标识别方法，其特征在于，包括以下步骤：步骤1、基于Toeplitz矩阵，将一维雷达目标时域信号构造成二维信号；步骤2、将步骤1构造后的信号根据信号的类别，按照一定的比例划分为训练集和测试集；步骤3、构造坐标注意力模块；步骤4、利用步骤3得到的坐标注意力模块，构造基于自选择加权模块的卷积神经网络；步骤5、将步骤2生成的训练集数据输入到步骤4中构造好的网络中进行训练；步骤6、将步骤2生成的测试集数据输入到步骤5训练好的网络中进行准确率测试。2.根据权利1要求所述的基于二维自选择加权卷积神网络的雷达目标识别方法，其特征在于，步骤1中基于Toeplitz矩阵的二维信号构造方法如下：设长度为M的原始雷达信号数据为:f
n
＝[f1，f2，f3，...，f
M
]，n＝1，2，3，...，M；其中f1,f2，f3，
…
，f
M
为地面侦察雷达信号的雷达时域信号，M＝1024；则经过Toeplitz矩阵排列后二维数据为：则经过Toeplitz矩阵排列后二维数据为：3.根据权利要求2所述的基于二维自选择加权卷积神经网络的雷达目标识别方法，其特征在于，M＝1024。4.根据权利要求2所述的基于二维自选择加权卷积神经网络的雷达目标识别方法，其特征在于，步骤3中所构造的坐标注意力模块，设输入的特征图维度为c
×
h
×
w，c、h、w分别表示特征图的通道数、长和宽，首先进行X、Y维度的池化，将得到的张量进行融合，然后使用1
×
1的卷积将通道数转为d，d的定义如下：d＝max(d0,c/r)其中d0为下限阈值，r为衰减因子；沿着空间维度将上述融合后的张量分割为两个维度分别为d
×
h
×
1，d
×1×
w的张量，再使用1
×
1的卷积将这两个张量通道数升为3c，然后进行分割得到3个c
×
...

【专利技术属性】
技术研发人员：芮义斌，余承威，谢仁宏，李鹏，李鹏，袁宇峰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：