基于改进MobileViT网络的雷达有源干扰识别方法技术

本发明专利技术属于雷达干扰识别技术领域，具体涉及一种基于改进MobileViT网络的雷达有源干扰识别方法，本发明专利技术引入轻量化神经网络用于干扰识别，在识别精度提升的情况下，减少了网络参数量，加快的网络推理速度，降低了硬件的要求，在原有骨干网络结构上，加入适用于轻量化网络的坐标注意力机制，在保留轻量化的基础上，提升了网络识别分类性能。升了网络识别分类性能。升了网络识别分类性能。

【技术实现步骤摘要】
基于改进MobileViT网络的雷达有源干扰识别方法


[0001]本专利技术涉及雷达干扰识别
，更具体地，涉及基于改进MobileViT网络的雷达有源干扰识别方法。

技术介绍

[0002]雷达作为现代战场上一种全天候的信息传感设备，其已成为当今战场诸如侦察监视、目标识别、武器制导以及诸兵种协同作战等方面的核心装备，正因为其在战场上发挥的巨大作用，雷达已成为现代战争中首先被打击的对象，随着雷达干扰系统特别是数字射频存储器(DRFM)的快速发展，快速有效的有源干扰手段层出不穷，雷达系统的运行性能受到严重损害，因此，特别是在日益复杂多变的电磁战场下，提高雷达抗干扰能力变得越来越重要；
[0003]当雷达进行有源干扰信号处理时，如何有效地进行干扰识别是能否实现干扰抑制的重要前提，只有确定了具体干扰类型才能采取相应合理的抗干扰措施，实现有源干扰识别的主要思路是将其转换成一个模式识别问题来解决，提取出各类干扰具有区分性的特征参数，输入合理设计的分类器，以实现对各种干扰的分类识别，这类识别方法的要点在于特征选取和分类器设计上，目前应用广泛的特征分类器有决策树、支持向量机、和聚类算法等，在对一种干扰特性分析的基础上，开发了许多有效的识别方法，设计了一种能够有效识别某些类型干扰的算法，同时，利用随机森林分类器确实可以识别和分类多种类型的有源干扰信号，研究人员利用时频分布图，通过提取时频图像特征和使用机器学习技术来识别各种类型的干扰；
[0004]近年来，许多研究探索了深度学习算法用于识别雷达干扰信号，文献使用卷积神经网络训练雷达干扰信号的时频图，采用自适应裁剪算法去除冗余信息，文献使用卷积神经网络训练三种雷达信号的时频谱图。文献提出了一种基于稳健功率谱特征的干扰识别网络，可识别十种雷达干扰信号，文献开发了一个基于一维卷积神经网络的干扰分类模型，并使用孪生卷积神经网络和融合网络对其进行了改进，文献采用递归图像提取方法，使用二维卷积神经网络实现了对八种干扰信号的超过99％的识别准确率，文献提出了一种高效的双线性EfficientNet
‑
B3网络，结合注意力机制识别八种主动雷达干扰信号，文献开发了一个复杂的卷积神经网络用于雷达干扰信号识别，文献提出了一种双向门控循环单元和基于一维卷积神经网络的干扰识别模型，可对七种主动雷达干扰进行分类；
[0005]上述使用神经网络识别干扰时，没有考虑模型大小是否适合部署到硬件上的问题，在针对神经网络训练时没有考虑小样本的实际情况。本文针对上述实际问题，采用MobileViT网络，轻量化的模型降低对硬件要求，MobileViT结合了卷积神经网络与Transfomer的优点，构建了一个轻量级、通用且对设备友好的网络。

技术实现思路

[0006]本专利技术为克服使用神经网络识别干扰时，没有考虑模型大小是否适合部署到硬件
上的问题，提供基于改进MobileViT网络的雷达有源干扰识别方法。
[0007]基于改进MobileViT网络的雷达有源干扰识别方法包括如下步骤：
[0008]S1：获取信号；
[0009]S2：将信号进行预处理，生成时频图；
[0010]S3：构建加入坐标注意力模块的MobileViT网络；
[0011]S4：将时频图输入步骤S3得到的MobileViT网络中进行特征提取，对时频图进行识别，输出识别结果。
[0012]进一步，步骤S2中，所述对信号进行预处理，包括如下步骤：
[0013]S2.1：对信号采用短时傅里叶变换，得到信号的时频域分布特征，生成时频图；
[0014]S2.2：将时频图随机裁剪和垂直翻转，将修改后的时频图按标准正态分布形式排列，完成预处理操作。
[0015]进一步，步骤S3中，加入坐标注意力模块的MobileViT网络结构具体为：
[0016]加入坐标注意力模块的MobileViT网络的输入依次经过3
×
3标准卷积，5个MV2模块，MobileVit block模块，一个MV2模块，MobileVit block模块，一个MV2模块，MobileVit block模块，1
×
1卷积层和全局平均池化，在3
×
3标准卷积做2倍下采样，在第二、第五、第六和第七个MV2模块分别做一次2倍下采样；在所有MV2模块中加入坐标注意力模块。
[0017]进一步，所述MobileVit block结构具体为：
[0018]将MobileVit block的输入通过一个卷积核大小为n
×
n的卷积层，再通过一个卷积核大小为1x1的卷积层，接着依次通过Unfold、Transformer、Fold结构进行全局特征建模，继续通过一个卷积核大小为1x1的卷积层，MobileVit block的输入可以通过分支与1
×
1的卷积层的输出进行Concat拼接后，通过一个卷积核大小为n
×
n的卷积层输出。
[0019]进一步，所述在所有MobileViT网络加入坐标注意力模块，具体为：坐标注意力模块插入到MV2模块中的3
×
3深度可分离卷积和1
×
1卷积层之间，将所述3
×
3深度可分离卷积、所述坐标注意力模块、所述1
×
1卷积层依次相连。
[0020]进一步，所述MV2模块结构具体为：1
×
1卷积层、BatchNorm正则化操作与RELU6函数作为第一模块，3
×
3深度可分离卷积与BatchNorm正则化操作、RELU6函数作为第二模块，坐标注意力模块作为第三模块、1
×
1卷积层与BatchNorm正则化操作作为第四模块，所述第一模块、第二模块、第三模块和第四模块依次相连。
[0021]进一步，所述Unfold是将输入的特征图X
L
∈R
H
×
W
×
d
变为X
Unfold
∈R
P
×
N
×
d
，W和H为每个特征图的宽高，N为特征图的数目，d为维数。
[0022]进一步，所述坐标注意力模块具体为：
[0023]坐标注意力模块利用两个一维全局池化操作分别将垂直和水平方向的输入特征聚合为两个独立的方向感知特征图，将两个独立的方向感知特征图Concat拼接在一起，输入1
×
1卷积层，将经过BatchNorm归一化操作和非线性化处理的特征图输入Sigmoid激活函数，沿空间维度将切分为两个单独的张量F
h
和F
w
，利用两个1
×
1卷积层F
h
和F
w
将特征图f
h
和f
w
变换，输出带有注意力权重的特征图。
[0024]进一步，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进MobileViT网络的雷达有源干扰识别方法，其特征在于，包括如下步骤：S1：获取信号；S2：将信号进行预处理，生成时频图；S3：构建加入坐标注意力模块的MobileViT网络；S4：将时频图输入步骤S3得到的MobileViT网络中进行特征提取，对时频图进行识别，输出识别结果。2.根据权利要求1所述的基于改进MobileViT网络的雷达有源干扰识别方法，其特征在于，步骤S2中，所述对信号进行预处理，包括如下步骤：S2.1：对信号采用短时傅里叶变换，得到信号的时频域分布特征，生成时频图；S2.2：将时频图随机裁剪和垂直翻转，将修改后的时频图按标准正态分布形式排列，完成预处理操作。3.根据权利要求1所述的基于改进MobileViT网络的雷达有源干扰识别方法，其特征在于，步骤S3中，加入坐标注意力模块的MobileViT网络结构具体为：加入坐标注意力模块的MobileViT网络的输入依次经过3
×
3标准卷积，5个MV2模块，MobileVit block模块，一个MV2模块，MobileVit block模块，一个MV2模块，MobileVit block模块，1
×
1卷积层和全局平均池化，在3
×
3标准卷积做2倍下采样，在第二、第五、第六和第七个MV2模块分别做一次2倍下采样；在所有MV2模块中加入坐标注意力模块。4.根据权利要求3所述的基于改进MobileViT网络的雷达有源干扰识别方法，其特征在于，所述MobileVit block结构具体为：将MobileVit block的输入通过一个卷积核大小为n
×
n的卷积层，再通过一个卷积核大小为1x1的卷积层，接着依次通过Unfold、Transformer、Fold结构进行全局特征建模，继续通过一个卷积核大小为1x1的卷积层，所述MobileVit block的输入可以通过分支与1
×
1的卷积层的输出进行Concat拼接后，通过一个卷积核大小为n
×
n的卷积层输出。5.根据权利要求3所述的基于改进MobileViT网络的雷达有源干扰识别方法，其特征在于，所述在所有MobileViT网络加入坐标注意力模块，具体为：坐标注意力模块插入到MV2模块中的3
×
3深度可分离卷积和1
×
1卷积层之间，将所述3
×
3深度可分离卷积、所述坐标注意力模块和所述1
×
1卷积层依次相连。6.根据权利要求5所述的基于改进MobileViT网络的雷达有源干...

【专利技术属性】
技术研发人员：谢恺，邹文旭，林进健，谢洪途，王亮，戴欣华，郑海平，
申请(专利权)人：中山大学，
类型：发明
国别省市：