【技术实现步骤摘要】
本专利技术涉及雷达信号处理，尤其涉及一种基于图域映射和特征增强的重频类型识别方法及装置。
技术介绍
1、分析脉冲重复频率(pulse repetition frequency，prf)是雷达辐射源分析的核心部分。prf定义为每秒钟发射的脉冲数目，是脉冲重复间隔(pulse repetitioninterval，pri)的倒数，是雷达辐射源中变化最复杂的参数之一，prf通常包括固定、抖动、参差、滑变、组变、正弦等6种重频类型的数据。重频类型的多样性反映了雷达的多种工作模式、用途和技术特性，完备地表征了雷达信号的时序结构，对重频类型的精确分析是深入探究雷达信号特征，推理雷达工作模式的重要环节。此外，重频类型的分析有助于反演雷达信号模型，为雷达信号的预测和雷达对抗策略的制定提供干扰依据和反馈信息，因此研究雷达辐射源的重频类型识别具有重要意义。重频类型的识别与工作模式标签相结合，可以用来识别雷达工作模式，重频类型识别聚焦于信号重频特征的鉴别，可以针对各种类型的雷达。
2、目前，实现重频类型识别，通常采用基于有监督神经网络的识别方法，然而，该方法需要从序列处理入手，在具有高比例漏脉冲、虚假脉冲的复杂非理想场景下序列的差异性不大，直接将差异性不大的序列输入有监督神经网络识别效果不好，使得在具有高比例漏脉冲、虚假脉冲的复杂非理想场景下，重频类型的识别准确率较低、鲁棒性较差。
技术实现思路
1、本专利技术实施例的目的是提供一种基于图域映射和特征增强的重频类型识别方法及装置，解决在具有高
2、为解决上述技术问题，本专利技术实施例提供如下技术方案：
3、本专利技术第一方面提供一种基于图域映射和特征增强的重频类型识别方法，方法包括：
4、根据预设阈值范围对多个脉冲重复频率进行筛选，确定筛选的脉冲重复频率对应的脉冲重复频率序列；
5、对脉冲重复频率序列进行取倒数处理，得到脉冲重复间隔序列；
6、根据预设长度对脉冲重复间隔序列进行分割，得到多个子序列；
7、根据图域映射算法，将多个子序列变换成对应的格拉姆差角场图像，并将多个格拉姆差角场图像划分为训练样本和测试样本；
8、构建重频类型识别网络，重频类型识别网络包括卷积神经子网络和注意力机制层；
9、将训练样本输入到重频类型识别网络中，对重频类型识别网络进行训练，得到训练好的重频类型识别网络；
10、将测试样本输入到训练好的重频类型识别网络中，识别出多个重频类型。
11、本申请第二方面提供一种基于图域映射和特征增强的重频类型识别装置，装置包括：
12、筛选模块，用于根据预设阈值范围对多个脉冲重复频率进行筛选，确定筛选的脉冲重复频率对应的脉冲重复频率序列；
13、处理模块，用于对脉冲重复频率序列进行取倒数处理，得到脉冲重复间隔序列；
14、分割模块，用于根据预设长度对脉冲重复间隔序列进行分割，得到多个子序列；
15、变换模块，用于根据图域映射算法，将多个子序列变换成对应的格拉姆差角场图像，并将多个格拉姆差角场图像划分为训练样本和测试样本；
16、构建模块，用于构建重频类型识别网络，重频类型识别网络包括卷积神经子网络和注意力机制层；
17、训练模块，用于将训练样本输入到重频类型识别网络中，对重频类型识别网络进行训练，得到训练好的重频类型识别网络；
18、识别模块，用于将测试样本输入到训练好的重频类型识别网络中，识别出多个重频类型。
19、本申请第三方面提供一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述第一方面或第一方面任一种可选的实施例的基于图域映射和特征增强的重频类型识别方法。
20、相较于现有技术，本专利技术提供的基于图域映射和特征增强的重频类型识别方法及装置，将具有高比例漏脉冲、虚假脉冲的复杂非理想场景下，差异性不明显的prf序列转换为特征差异性更显著的格拉姆差角场图，通过卷积神经子网络和注意力机制层构建的重频类型识别网络，有助于突出图像的重要特征，加强了重要特征在分类中的作用，在具有高比例漏脉冲、虚假脉冲的复杂非理想场景下，将特征差异性更显著的格拉姆差角场图，通过加强重要特征的重频类型识别网络，可以提高重频类型的识别准确率和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于图域映射和特征增强的重频类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据图域映射算法，将所述多个子序列变换成对应的格拉姆差角场图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述卷积神经子网络包括2个卷积层、2个归一化层、2个激活层、2个池化层和2个全连接层。
4.根据权利要求3所述的方法，其特征在于，所述重频类型识别网络依次包括1个所述卷积层、1个所述归一化层、1个所述激活层、1个所述池化层、1个所述注意力机制层、1个所述卷积层、1个所述归一化层、1个所述激活层、1个所述池化层和2个所述全连接层。
5.根据权利要求4所述的方法，其特征在于，所述将所述测试样本输入到所述训练好的重频类型识别网络中，识别出多个重频类型，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述输入特征输入到1个所述注意力机制层中，输出最终特征表示，包括：
7.根据权利要求2所述的方法，其特征在于，所述将所述多个子序列缩放到[-1,1]范围中，得到每个子序列中数值缩
8.根据权利要求2所述的方法，其特征在于，所述根据每两个数值间的角度差，确定所述格拉姆差角场图像，包括：
9.一种基于图域映射和特征增强的重频类型识别装置，其特征在于，所述装置包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至8中任一项所述的基于图域映射和特征增强的重频类型识别方法。
...【技术特征摘要】
1.一种基于图域映射和特征增强的重频类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据图域映射算法，将所述多个子序列变换成对应的格拉姆差角场图像，包括：
3.根据权利要求1所述的方法，其特征在于，所述卷积神经子网络包括2个卷积层、2个归一化层、2个激活层、2个池化层和2个全连接层。
4.根据权利要求3所述的方法，其特征在于，所述重频类型识别网络依次包括1个所述卷积层、1个所述归一化层、1个所述激活层、1个所述池化层、1个所述注意力机制层、1个所述卷积层、1个所述归一化层、1个所述激活层、1个所述池化层和2个所述全连接层。
5.根据权利要求4所述的方法，其特征在于，所述将所述测试样本输入到所述训练好的重频类型识别网络中...
【专利技术属性】
技术研发人员：石晓然，张致忠，周浩然，周峰，张振熙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。