CN116482618B - 基于多损失特征自校准网络的雷达有源干扰识别方法 - Google Patents
基于多损失特征自校准网络的雷达有源干扰识别方法 Download PDFInfo
- Publication number
- CN116482618B CN116482618B CN202310741199.2A CN202310741199A CN116482618B CN 116482618 B CN116482618 B CN 116482618B CN 202310741199 A CN202310741199 A CN 202310741199A CN 116482618 B CN116482618 B CN 116482618B
- Authority
- CN
- China
- Prior art keywords
- self
- calibration
- feature
- characteristic
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 81
- 238000010586 diagram Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 55
- 230000004044 response Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 230000001939 inductive effect Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 37
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多损失特征自校准网络的雷达有源干扰识别方法,包括获取包括雷达有源干扰信号的待识别时频谱图数据;将待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别,得到识别分类结果;按照如下步骤进行干扰类型识别:对待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,得到不同类型干扰特征向量;对不同类型干扰特征向量降维映射后进行分类,得到识别分类结果。该方法对复杂混合干扰细微特征的捕捉与表征更为精准。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于多损失特征自校准网络的雷达有源干扰识别方法。
背景技术
日益复杂的电磁环境严重威胁了雷达的探测效能与生存安全。由于现有的雷达抗干扰技术大多数针对特定类型的干扰,只有准确地识别出干扰样式,才能采取相应有效的反制措施。因此,研究雷达干扰识别算法能够为后续雷达抗干扰提供先验信息,具有重要的应用价值。
传统雷达干扰识别算法需要人工分析和提取各类特征,导致通用性差、泛化能力弱。而且基于人工筛选特征的方法容易受到干噪比和其它干扰信号参数变化的影响。
深度卷积神经网络(Deep Convolutional Neural Network,DCNN)由于具有自适应特征提取与表征能力,在图像处理领域获得了广泛应用。目前,已有一些经典的基于深度学***滑用于缓解过拟合。在此基础上,西安电子科技大学的Lv等人提出了一种基于迁移学习的加权集成CNN(Weighted Ensemble CNN withTransfer Learning,WECNN-TL)的雷达有源欺骗干扰识别算法;首先,该算法网络训练的基准数据集由仿真和实测干扰的时频谱混合构成,其次,为了充分挖掘干扰信号的潜在信息,对干扰时频谱提取实部、虚部、模和相位后,组合成15个子数据集;该网络利用引导聚类算法(Bootstrap aggregating,Bagging)的思想,设计了15个子分类器,分别挖掘各子数据集的结构特征并做出个体预测的结果,最终利用一个加权投票算法来获得集合模型的整体预测结果,达到进一步提升测试阶段雷达干扰识别精度的效果。干扰识别网络(JammingRecognition Network,JRNet)利用非对称卷积块(Asymmetric Convolution Block,ACB)在不增加额外计算量的前提下,能够增强存在旋转变形和细微差异等情况下的干扰识别的鲁棒性。迁移学习利用从源域上学到的知识帮助目标域的学习任务,AlexNet在数据集ImageNet上预训练后,分别调整输入和输出层为含干扰雷达回波的时频图和干扰识别的结果。识别卷积神经网络(Recognition Convolution Neural Network,RCNN)利用OS-CFAR从回波信号的时频图中测量干扰参数,然后提取出干扰,送到预先训练的CNN网络中进行分类。
利用深度学习理论实现雷达有源干扰识别,克服了传统识别方法人工依赖性和鲁棒性差的缺点。但是,现有的基于深度学习的雷达有源干扰识别方法存在着特征参数对干扰样式敏感、识别的干扰类型有限、鲁棒性不足等问题,尤其在面对干扰间可辨识特征差异小和干扰样式繁多的识别任务时,对干扰特征提取与聚合能力降低。
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多损失特征自校准网络的雷达有源干扰识别方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于多损失特征自校准网络的雷达有源干扰识别方法,包括步骤:
获取包括雷达有源干扰信号的待识别时频谱图数据;
将所述待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别,得到识别分类结果;
其中,所述训练好的多损失特征自校准网络包括依次连接的特征提取模块、特征映射模块和重构模块,所述训练好的多损失特征自校准网络为利用混合损失函数对多损失特征自校准网络的参数进行训练更新得到,所述混合损失函数由训练集样本标签传播的交叉熵损失、所述特征映射模块的聚类损失和所述重构模块的均方误差损失确定,按照如下步骤进行干扰类型识别:
通过所述特征提取模块对所述待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,得到不同类型干扰特征向量;
通过所述特征映射模块对所述不同类型干扰特征向量降维映射后进行分类,得到所述识别分类结果。
在本发明的一个实施例中,所述多损失特征自校准网络的训练方法包括:
获取包括雷达有源干扰信号和无干扰雷达回波的原始时频谱图数据集,其中,所述原始时频谱图数据集包括训练集样本、训练集样本标签、验证集样本和验证集样本标签;
将所述训练集样本和所述训练集样本标签输入所述多损失特征自校准网络中进行训练;
根据所述训练集样本标签传播的交叉熵损失、所述特征映射模块的聚类损失以及重构模块的均方误差损失确定所述混合损失函数;
利用所述混合损失函数对所述多损失特征自校准网络的参数进行更新;
利用所述验证集样本和所述验证集样本标签对每轮训练结束后的网络进行选择,将识别准确率最高的模型作为所述训练好的多损失特征自校准网络。
在本发明的一个实施例中,所述特征提取模块包括第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块,其中,
所述第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块依次连接,用于对所述待识别时频谱图数据依次进行特征自校准卷积,得到所述不同类型干扰特征向量。
在本发明的一个实施例中,所述第一特征自校准卷积块、所述第二特征自校准卷积块、所述第三特征自校准卷积块和所述第四特征自校准卷积块的结构相同,均包括第一卷积块、第二卷积块、第三卷积块、通道特征自校准模块、空间特征自校准模块、升维模块、第一相加模块和第一最大池化层,其中,
所述第一卷积块、所述第二卷积块、所述第三卷积块依次连接,用于对特征自校准卷积块的输入特征图依次进行卷积处理,得到第三卷积块的输出特征图;
所述通道特征自校准模块用于对所述第三卷积块的输出特征图进行通道特征自校准,得到通道特征自校准特征图;
所述空间特征自校准模块用于对所述通道特征自校准特征图进行空间特征自校准,得到空间特征自校准特征图;
所述升维模块用于对特征自校准卷积块的输入特征图进行升维操作,得到升维特征图;
所述第一相加模块用于将所述升维特征图加在所述空间特征自校准特征图上,得到相加特征图;
所述第一最大池化层用于对所述相加特征图进行下采样,得到特征自校准卷积块的输出特征图:
;
其中,表示升维操作,/>表示提取特征,/>表示第/>个特征自校准卷积块的输入特征图,/>表示第/>个特征自校准卷积块的权重参数,/>表示最大池化。
在本发明的一个实施例中,所述通道特征自校准模块包括自适应最大池化层、自适应平均池化层、多层感知机、第二相加模块、通道权重归一化模块和第一相乘模块,其中,
所述自适应最大池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应最大池化,归纳出每一通道维上的最大值响应;
所述自适应平均池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应平均池化,归纳出每一通道维上的平均响应;
所述多层感知机用于对每一通道维上的最大值响应依次进行特征缩放、特征还原、提取通道维信息得到最大值响应输出,并对所述每一通道维上的平均响应依次进行特征缩放、特征还原、提取通道维信息得到平均响应输出;
所述第二相加模块用于将所述最大值响应输出和所述平均响应输出进行相加融合,得到相加特征图;
所述通道权重归一化模块用于利用激活函数将所述相加特征图中通道的权重归一化,得到通道归一化权重;
所述第一相乘模块用于将所述通道归一化权重与所述第三卷积块的输出特征图相乘得到通道特征自校准特征图:
;
其中,表示通道特征自校准模板,/>表示激活函数,/>表示多层感知机,/>表示自适应平均池化,/>表示自适应最大池化,表示第三卷积块的输出特征图,/>,/>表示向量空间,/>表示特征图/>通道数,表示特征图/>高度,/>表示特征图/>宽度。
在本发明的一个实施例中,所述空间特征自校准模块包括第二最大池化层、平均池化层、拼接模块、卷积模块、空间权重归一化模块和第二相乘模块,其中,
所述第二最大池化层用于对所述通道特征自校准特征图进行通道维最大池化,得到压缩到空间维的最大池化特征图;
所述平均池化层用于对所述通道特征自校准特征图进行通道维平均池化,得到压缩到空间维的平均池化特征图;
所述拼接模块用于采用拼接方法将所述最大池化特征图和所述平均池化特征图进行融合,得到拼接特征图;
所述卷积模块用于对所述拼接特征图进行卷积映射,得到映射特征图;
所述空间权重归一化模块用于利用激活函数将所述映射特征图中空间的权重归一化,得到空间归一化权重;
所述第二相乘模块用于将所述空间归一化权重与所述通道特征自校准特征图相乘得到空间特征自校准特征图:
;
其中,表示空间特征自校准模板,/>表示卷积权重,/>表示激活函数,/>表示平均池化,/>表示最大池化,/>表示通道特征自校准特征图,,/>表示向量空间,/>表示特征图/>通道数,/>表示特征图/>高度,/>表示特征图/>宽度。
在本发明的一个实施例中,所述通道特征自校准模块和空间特征自校准模块的整体公式表示为:
;
其中,表示空间特征自校准模块的输出特征图,/>表示第三卷积块的输出特征图,/>,/>表示向量空间,/>表示特征图/>通道数,/>表示特征图/>高度,/>表示特征图/>宽度,/>表示通道特征自校准模板,/>表示空间特征自校准模板,/>表示逐元素相乘。
在本发明的一个实施例中,所述特征映射模块包括第一全连接层和第二全连接层,其中,
所述第一全连接层用于将所述不同类型干扰特征向量的展平特征投影到特征空间,得到嵌入向量;
所述第二全连接层用于对所述嵌入向量进行分类,得到所述识别分类结果。
在本发明的一个实施例中,所述重构模块包括依次连接的第三全连接层、第四非线性层、第四全连接层、第五非线性层、第五全连接层和激活函数层。
在本发明的一个实施例中,所述混合损失函数为:
;
其中,和/>表示可调权重超参数,/>表示交叉熵损失函数,/>,表示批次大小,/>表示训练样本/>的真实标签,/>表示预测结果的概率分布,/>表示聚类损失函数,/>,/>表示特征向量/>所属类别的特征中心,/>表示均方误差损失函数,/>,/>表示重构像素点,/>表示原始图像像素点。
与现有技术相比,本发明的有益效果:
本发明的识别方法中,多损失特征自校准网络利用特征自校准机制对提取的干扰特征进行细化,通过特征提取模块对待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,一方面能够提取长距离依赖的像素关系,另一方面能够针对性地提取关键特征,有利于特征差异不明显的干扰识别任务,克服了传统卷积模块只关注局部信息,而往往忽略全局信息的弊端,聚合能力较高;同时,本发明采用混合损失函数,结合聚类损失的约束使得网络最终归纳组合的高级特征更具有可辨识性,利用聚合类内特征和重构输入任务的辅助信息,达到提高模型在识别任务上的泛化性的效果,可以识别较多类型的干扰,具有鲁棒性。因此,该方法对复杂混合干扰细微特征的捕捉与表征更为精准,在干扰样式繁多的识别任务中表现出更高的识别精度和更稳健的性能。
附图说明
图1为本发明实施例提供的基于多损失特征自校准网络的雷达有源干扰识别方法的流程示意图;
图2为本发明实施例提供的多损失特征自校准网络的训练方法的流程示意图;
图3为本发明实施例提供的多损失特征自校准网络的结构示意图;
图4为本发明实施例构建的19类雷达有源干扰和1类无干扰雷达回波的时频图像示意图;
图5a-图5h为本发明实施例提供的不同方法下t-SNE聚类结果可视化示意图;
图6为本发明所提方法和其它对比方法的特征可视化结果示意图。
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。
实施例一
请参见图1,图1为本发明实施例提供的基于多损失特征自校准网络的雷达有源干扰识别方法的流程示意图,该方法包括步骤:
S1、获取包括雷达有源干扰信号的待识别时频谱图数据。
S2、将待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别,得到识别分类结果。
其中,训练好的多损失特征自校准网络包括依次连接的特征提取模块、特征映射模块和重构模块,训练好的多损失特征自校准网络为利用混合损失函数对多损失特征自校准网络的参数进行训练更新得到,混合损失函数由训练集样本标签传播的交叉熵损失、特征映射模块的聚类损失和重构模块的均方误差损失确定。
按照如下步骤进行干扰类型识别:
S21、通过特征提取模块对待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,得到不同类型干扰特征向量。
S22、通过特征映射模块对不同类型干扰特征向量降维映射后进行分类,得到识别分类结果。
需要强调的是,重构模块用于多损失特征自校准网络的训练过程,训练好的多损失特征自校准网络在对待识别时频谱图数据进行干扰类型识别时,重构模块不参与识别过程。
本实施例中,多损失特征自校准网络利用特征自校准机制对提取的干扰特征进行细化,通过特征提取模块对待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,一方面能够提取长距离依赖的像素关系,另一方面能够针对性地提取关键特征,有利于特征差异不明显的干扰识别任务,克服了传统卷积模块只关注局部信息,而往往忽略全局信息的弊端,聚合能力较高;同时,本实施例采用混合损失函数,结合聚类损失的约束使得网络最终归纳组合的高级特征更具有可辨识性,利用聚合类内特征和重构输入任务的辅助信息,达到提高模型在识别任务上的泛化性的效果,可以识别较多类型的干扰,具有鲁棒性。因此,该方法对复杂混合干扰细微特征的捕捉与表征更为精准,在干扰样式繁多的识别任务中表现出更高的识别精度和更稳健的性能。
为得到训练好的多损失特征自校准网络,本实施例的思路为:首先,建立雷达有源干扰信号模型,并通过短时傅里叶变换得到干扰时频图像,以此作为干扰识别的基准数据集,记为原始时频谱图数据集。然后,构建多损失特征自校准网络,其主要组成模块包括:特征提取模块、特征映射模块和重构模块。之后,将原始时频谱图数据集的数据输入到多损失特征自校准网络中,通过网络将干扰回波时频谱图投影在高维抽象特征可分空间,精细化表征不同类型干扰的可辨识特征,并且利用跳跃连接结构简化网络的学习目标和优化难度;同时,利用特征提取模块中的特征自校准卷积块精细化模型提升其对不同类型干扰本征特征的表示能力,在特征空间内实现类内干扰特征向量的聚合,以及类间特征向量的分离。最后,在分类层中完成对训练集真实标签的预测,并计算对应的聚类损失、交叉熵损失和均方误差损失函数,得到增强的多元混合损失函数来更新模型的参数,直至网络收敛。
请参见图2,图2为本发明实施例提供的多损失特征自校准网络的训练方法的流程示意图。该多损失特征自校准网络的训练方法包括步骤:
S201、获取包括雷达有源干扰信号和无干扰雷达回波的原始时频谱图数据集,其中,原始时频谱图数据集包括训练集样本、训练集样本标签、验证样本和验证集样本标签。
具体的,根据每种干扰的调制原理和不同的干噪比(Jamming-to-Noise Ratio,JNR),利用多类型雷达有源干扰产生机理和短时傅里叶变换建立包含19类雷达有源干扰信号和1类无干扰雷达回波的原始时频谱图数据集,并对原始时频谱图数据集按照不同干扰类别打上标签,之后,将原始时频谱图数据集和标签文件按照6:2:2的比例划分训练集、验证集和测试集,训练集样本对应有训练集样本标签,验证集样本对应有验证集样本标签,测试集样本对应有测试集样本标签。
本实施例中,随机生成干噪比为0dB、5dB、10dB、15dB、20dB、25dB和30dB这7种不同干噪比的信号,每种信号下有19类雷达有源干扰时频图和1类无干扰雷达回波时频图作为样本集合。具体的,样本数据大小为,批次大小为64。
S202、将训练集样本和训练集样本标签输入多损失特征自校准网络中进行训练。
首先,构建多损失特征自校准网络。
请参见图3,图3为本发明实施例提供的多损失特征自校准网络的结构示意图。该多损失特征自校准网络包括依次连接的特征提取模块、特征映射模块和重构模块。
在一个具体实施例中,特征提取模块包括第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块。其中,第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块依次连接,用于对待识别时频谱图数据依次进行特征自校准卷积,得到不同类型干扰特征向量。
在一个具体实施例中,第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块的结构相同,均包括第一卷积块、第二卷积块、第三卷积块、通道特征自校准模块、空间特征自校准模块、升维模块、第一相加模块和第一最大池化层。
其中,第一卷积块、第二卷积块、第三卷积块依次连接,用于对特征自校准卷积块的输入特征图依次进行卷积处理,得到第三卷积块的输出特征图。通道特征自校准模块用于对第三卷积块的输出特征图进行通道特征自校准,得到通道特征自校准特征图。空间特征自校准模块用于对通道特征自校准特征图进行空间特征自校准,得到空间特征自校准特征图。升维模块用于对特征自校准卷积块的输入特征图进行升维操作,得到升维特征图。第一相加模块用于将升维特征图加在空间特征自校准特征图上,得到相加特征图。第一最大池化层用于对相加特征图进行下采样,得到特征自校准卷积块的输出特征图。可以理解的是,第一卷积块、第二卷积块、第三卷积块、通道特征自校准模块、空间特征自校准模块依次串联。
进一步的,第一卷积块包括依次连接的第一卷积层、第一批规范化层和第一非线性层。第二卷积块包括依次连接的第二卷积层、第二批规范化层和第二非线性层;第三卷积块包括依次连接的第三卷积层和第三非线性层。其中,第一非线性层、第二非线性层、第三非线性层可以均采用LeakyReLU非线性层。
具体的,第一特征自校准卷积块中,第一卷积层、第二卷积层、第三卷积层均有64个卷积核,卷积核大小均为,步长为1,填充为1。第二特征自校准卷积块中,第一卷积层、第二卷积层、第三卷积层均有128个卷积核,卷积核大小均为/>,步长为1,填充为1。第三特征自校准卷积块中,第一卷积层、第二卷积层、第三卷积层均有256个卷积核,卷积核大小均为/>,步长为1,填充为1。第四特征自校准卷积块中,第一卷积层、第二卷积层、第三卷积层均有512个卷积核,卷积核大小均为/>,步长为1,填充为1。每个特征自校准卷积块中,第三卷积块的输出接入串联的通道特征自校准模块和空间特征自校准模块。
进一步的,通道特征自校准模块包括自适应最大池化层、自适应平均池化层、多层感知机、第二相加模块、通道权重归一化模块和第一相乘模块。其中,自适应最大池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应最大池化,归纳出每一通道维上的最大值响应。自适应平均池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应平均池化,归纳出每一通道维上的平均响应。多层感知机用于对每一通道维上的最大值响应依次进行特征缩放、特征还原、提取通道维信息得到最大值响应输出,并对每一通道维上的平均响应依次进行特征缩放、特征还原、提取通道维信息得到平均响应输出。第二相加模块用于将最大值响应输出和平均响应输出进行相加融合,得到相加特征图。通道权重归一化模块用于利用激活函数将相加特征图中通道的权重归一化,得到通道归一化权重。第一相乘模块用于将通道归一化权重与第三卷积块的输出特征图相乘得到通道特征自校准特征图。
具体的,假设输入通道特征自校准模块的特征图为,/>表示向量空间,表示特征图/>通道数,/>为特征图/>高度,/>为特征图/>宽度。首先,自适应最大池化层对/>中的第二维(特征图/>高度)和第三维(特征图/>宽度)进行自适应最大池化(Adaptive Max Pooling),归纳出每一通道维上的最大值响应/>;同时,自适应平均池化层对/>中的第二维(特征图/>高度)和第三维(特征图/>宽度)并行进行自适应平均池化(Adaptive Average Pooling)后,归纳出每一通道维上的平均响应。接着,/>和/>送入参数共享的多层感知机(Multilayer Perceptron,MLP),经特征缩放并特征还原后进一步提取通道维的有用信息,得到感知机的并行输出:最大值响应输出和平均响应输出。之后,第二相加模块对感知机的并行输出进行求和操作以将最大值响应输出和平均响应输出相加融合,相加特征图再经过通道权重归一化模块以利用Sigmoid激活函数将通道的权重归一化到0-1之间,得到通道归一化权重;最后第一相乘模块将通道归一化权重和输入特征图即第三卷积块的输出特征图相乘得到通道特征自校准特征图。通道特征自校准特征图的公式可以表示为:
;
其中,表示通道特征自校准模板,/>表示激活函数,/>表示多层感知机,/>表示自适应平均池化,/>表示自适应最大池化,表示第三卷积块的输出特征图,/>,/>表示向量空间,/>表示特征图/>通道数,表示特征图/>高度,/>表示特征图/>宽度。
在一个具体实施例中,多层感知机包括第四卷积层、ReLU非线性激活层和第五卷积层。第四卷积层、第五卷积层的卷积核大小均为;第四卷积层中卷积核个数为/>,/>为缩放率,可以根据输入特征图通道数进行调整,本实施例中/>;第五卷积层中卷积核个数为/>。设置第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块中缩放率/>为16,第四特征自校准卷积块缩放率/>为32。
进一步的,空间特征自校准模块包括第二最大池化层、平均池化层、拼接模块、卷积模块、空间权重归一化模块和第二相乘模块。其中,第二最大池化层用于对通道特征自校准特征图进行通道维最大池化,得到压缩到空间维的最大池化特征图。平均池化层用于对通道特征自校准特征图进行通道维平均池化,得到压缩到空间维的平均池化特征图。拼接模块用于采用拼接方法将最大池化特征图和平均池化特征图进行融合,得到拼接特征图。卷积模块用于对拼接特征图进行卷积映射,得到映射特征图。空间权重归一化模块用于利用激活函数将映射特征图中空间的权重归一化,得到空间归一化权重。第二相乘模块用于将空间归一化权重与通道特征自校准特征图相乘得到空间特征自校准特征图。
具体的,经过通道特征自校准模块处理的特征图输入空间特征自校准模块中,其中,/>表示向量空间,/>表示特征图/>通道数,/>表示特征图/>高度,/>表示特征图/>宽度。特征图/>并行经通道维的第二最大池化和通道维的平均池化得到压缩到空间维的最大池化特征图/>和压缩到空间维的平均池化特征图/>。拼接模块采用拼接方法将得到的两个特征图/>和信息融合,得到拼接特征图。卷积模块对拼接特征图进行卷积映射,进一步得出映射特征图;其中,卷积核个数为1,卷积核大小为/>,填充为/>取整,/>取值可人为根据输入特征图尺寸进行调整;例如,设置第一、第二和第三特征自校准卷积块中空间特征自校准模块的卷积核大小/>为7,设置第四特征自校准卷积块中空间特征自校准模块的卷积核大小/>为5。空间权重归一化模块利用Sigmoid激活函数将映射特征图的空间的权重归一化到0-1之间,得到空间归一化权重。最后,第二相乘模块将空间归一化权重和通道特征自校准特征图相乘得到空间特征校准后的特征图输出,即空间特征自校准特征图。空间特征自校准特征图的公式可以表示为:
;
其中,表示空间特征自校准模板,/>表示卷积权重,/>表示激活函数,/>表示平均池化,/>表示最大池化,/>表示通道特征自校准特征图,,/>表示向量空间,/>表示特征图/>通道数,/>表示特征图/>高度,/>表示特征图/>宽度。
进一步的,通道特征自校准模块和空间特征自校准模块以串联的形式置于三层卷积之后,通道特征自校准模块和空间特征自校准模块的整体公式表示为:
;
其中,表示空间特征自校准模块的输出特征图,/>表示第三卷积块的输出特征图,/>,/>表示向量空间,/>为特征图/>通道数,/>为特征图/>高度,/>为特征图宽度,/>表示通道特征自校准模板,/>表示空间特征自校准模板,/>表示逐元素相乘。
进一步的,由升维模块和第一相加模块形成跳跃连接。跳跃连接使特征自校准卷积块的输入通过跨层数据通路,跳过特征自校准卷积块的计算,通过升维模块的升维操作后直接利用第一相加模块加在通道特征自校准和空间特征自校准后的输出特征图上。具体的,升维模块由的第六卷积层和第三批规范化层完成,卷积核个数和特征自校准模块输出的通道数一致。
进一步的,每个特征自校准卷积块中,跳跃连接之后添加池化内核为的第一最大池化层进行下采样,池化层步长为2。
具体的,特征自校准卷积块的输出特征图的公式可以表示为:
;
其中,表示升维操作,/>表示提取特征,/>表示第/>个特征自校准卷积块的输入特征图,/>表示第/>个特征自校准卷积块的权重参数,/>表示最大池化。
在一个具体实施例中,特征映射模块包括第一全连接层和第二全连接层。其中,第一全连接层用于将不同类型干扰特征向量的展平特征投影到特征空间,得到嵌入向量。第二全连接层用于对嵌入向量进行分类,得到识别分类结果。
具体的,特征映射模块接收来自特征提取模块的维度为的特征图,将其展平后,通过节点数为256的第一全连接层得到嵌入向量,最后通过节点数等于类别数20的第二全连接层得到识别分类结果。
在一个具体实施例中,重构模块包括依次连接的第三全连接层、第四非线性层、第四全连接层、第五非线性层、第五全连接层和激活函数层。
具体的,重构网络由三层全连接层和两层ReLU非线性层交替组成,第三全连接层有1024个节点,第四非线性层有4096个节点,第五全连接层有16384个节点;最后经Sigmoid函数激活输出,重组成与原始时频谱图相同的尺寸。
然后,将训练集样本和训练集样本标签输入构建好的多损失特征自校准网络中以对网络进行训练。
S203、根据训练集样本标签传播的交叉熵损失、特征映射模块的聚类损失、以及重构模块的均方误差损失确定混合损失函数。
具体的,对聚类损失、交叉熵损失和均方误差损失这三项损失函数求和,得到混合损失函数。
首先,计算特征映射模块输出的嵌入向量的聚类损失。对于每次迭代训练过程中特征映射模块提取的特征向量,计算它们的聚类损失:
;
式中,表示批次大小,/>表示特征向量/>所属类别的特征中心,它会随着同类别特征向量的变化而更新位置。从聚类损失公式可以看出聚类损失希望同类样本到特征中心的距离越小越好,达到约束类内紧凑的效果。
然后,计算每个训练集样本标签传播对应的交叉熵损失函数:
;/>
式中,表示训练样本/>的真实标签,/>表示预测结果的概率分布。
最后,重构模块用归纳的预测结果重新构建出该类别代表的输入干扰时频谱图,均方误差损失函数由计算输出图像像素与原始图像像素点的欧式距离构建,它的计算公式为:
;
式中,为重构像素点,/>为原始图像像素点。
综合上述三个损失函数,得到一个增强的混合损失函数:
;
式中和/>为可调权重超参数,在本例中/>设置为0.5,/>设置为5e-4。
增强的混合损失函数的设计基于多任务学习的思想,在常用的交叉熵损失基础上加入聚类损失和均方误差损失。聚类损失能够在高维特征空间实现同类型干扰特征向量的聚合,增强网络所提取特征的鲁棒性,而均方误差损失能够减少网络传播中特征的丢失。增强的混合损失函数利用不同优化过程之间的信息交流和辅助训练,提高标签传播在嵌入空间中的分类性能。
S204、利用混合损失函数对多损失特征自校准网络的参数进行更新。
具体的,根据增强的混合损失函数对网络的参数进行更新,重复上述步骤直至完成训练次数,达到网络收敛。
S205、利用验证集样本和验证集样本标签对每轮训练结束后的网络进行选择,将识别准确率最高的模型作为训练好的多损失特征自校准网络。
具体的,利用验证集样本和验证集样本标签对每轮训练结束后固定超参数的网络进行选择,将识别准确率最高的模型作为训练好的多损失特征自校准网络。
进一步,在得到训练好的多损失特征自校准网络后,可以将测试集样本输入网络进行识别测试,并计算识别准确率。
本实施例中,输入的原始时频谱图数据先后经过特征提取模块和特征映射模块,通过特征向量嵌入函数将干扰时频谱图从原空间映射到特征空间,其中/>表示学习参数,/>表示向量空间,/>表示映射前的向量空间维度,/>表示映射后的向量空间维度。经过训练后,多损失特征自校准网络能够自适应关注辨识性更强的干扰特征,并且能够自适应缩小同类别样本的特征向量在高维特征空间中的距离,拉大不同类别样本在特征空间的距离,以此来降低不同类型干扰特征向量降维映射后的分类难度;由于跳跃连接结构解决了因模型加深带来的梯度消失问题,且更容易优化,所以特征提取模块采用跳跃连接结构;进一步,在多层卷积操作后加入特征自校准模块,使网络能够进行自适应细化特征,增强不同类型干扰特征的可分性。最后,由于池化过程会带来信息损失,因此分类器后连接输入重构模块,直接建立潜在特征映射空间与输入的关系,辅助网络的优化。
综上,本实施例提出的基于多损失特征自校准网络的雷达有源干扰识别方法,利用深度非线性神经网络深入挖掘不同类型干扰之间的时频特征,并将其映射到高维特征空间中拟合出可分离平面,实现高精度干扰智能识别。一方面设计了特征自校准卷积块,克服了传统卷积模块只关注局部信息,而往往忽略全局信息的弊端。通过引入空间维度和通道维度的特征校准模模块,自适应校准网络对干扰的特征提取,提高网络对不同类型干扰的提取精度与表征效果进行自适应特征细化,而跳跃连接结构能够消除网络深度增加带来的梯度消失问题;另一方面引入多重约束的混合损失函数聚合干扰在高维空间的类内特征,扩增干扰类间特征,提升网络的雷达有源干扰识别性能,为雷达干扰识别提供了新的方法。因此,该方法可用于雷达抗干扰处理中,为雷达抗干扰策略选择提供重要的先验信息,提升SAR在复杂电磁环境下的抗干扰能力和信息获取能力。
进一步,本实施例通过仿真实验对基于多损失特征自校准网络的雷达有源干扰识别方法的效果进行说明。
一、数据集
实验所用数据为十九类雷达干扰仿真时频图和一类无干扰雷达回波信号时频图,如图4所示,图4为本发明实施例构建的19类雷达有源干扰和1类无干扰雷达回波的时频图像示意图。干扰类型包括单个干扰和复合干扰两大类。单个干扰类型有:噪声调幅干扰、噪声调频干扰、噪声乘积干扰、噪声卷积干扰、多点频干扰、正弦波调制扫频干扰、锯齿波调制扫频干扰、方波调制扫频干扰、密集假目标干扰、间歇采样转发干扰、间歇采样重复转发干扰、示样脉冲干扰、多假目标干扰以及梳状谱调制干扰。复合干扰包括:调频+密集假目标干扰、调频+间歇采样转发干扰、调频+间歇采样重复转发干扰、噪声卷积+密集假目标干扰、噪声卷积+间歇采样转发干扰。根据每种干扰信号的调制原理和不同的干噪比(Jamming-to-Noise Ratio,JNR),干噪比选择0dB、5dB、10dB、15dB、20dB、25dB和30dB共7种,通过短时傅里叶变换生成干扰信号的时频图像。同时为了保证样本中类别的平衡,每一种干扰随机产生1000个样本,每个样本的尺寸为。样本均按照训练集:验证集:测试集=6:2:2的比例进行划分。
二、实现细节
1)按上述要求选取实验数据,划分训练集、验证集和测试集;
2)本发明的仿真实验的硬件平台为:CPU为AMD Ryzen 9 5900HX RadeonGraphics,十六核,主频为3.30GHz,内存大小为32GB;显存大小为16GB。本发明使用AdamW优化器以及StepLR的学习率更新方法,设置初始学习率为0.0005,衰减步长为10,衰减率为0.5。将训练样本输入到网络中进行训练,对于所有模型均训练30个epoch,根据每轮训练结束后固定超参数的网络在验证集上的效果,保存在验证集上识别准确率最高的模型。
3)将测试样本输入到最优模型中进行测试并得到识别率,与其它智能干扰识别方法的识别准确率进行比较,结果如表1和表2所示:
表1 本发明所提方法和其它识别网络识别准确率在JNR=30dB、25dB、20dB和15dB数据集的对比结果
表2 本发明所提方法和其它识别网络识别准确率在JNR=10dB、5dB和0dB数据集的对比结果
上述结果表明,本发明提出的基于多损失特征自校准网络的雷达有源干扰识别方法,在0dB、5dB、10dB、15dB、20dB、25dB和30dB干噪比全样本训练的结果,均表现出更高的识别准确率,并且JNR的改变没有造成本发明所提方法识别精度的大范围波动,显示出本方法的鲁棒性。
请参见图5a-图5h,图5a-图5h为本发明实施例提供的不同方法下t-SNE(t-Distributed Stochastic Neighbor Embedding)聚类结果可视化示意图,其中,图5a为ResNet方法,图5b为JRNet方法,图5c为2DCNN方法,图5d为RCNN方法,图5e为AlexNet方法,图5f为1DCNN方法,图5g为DFCNN方法,图5h为本实施例方法。从图5a-图5h中可以发现,本发明所提方法在特征空间内形成了20个明显紧凑的聚类簇,且簇与簇之间相互远离。这说明相较于其它干扰识别方法,本方法在高维特征空间实现了类内更聚集,类间更分离的特征映射效果,显示了本方法的鲁棒性。
请参见图6,图6为本发明所提方法和其它对比方法的特征可视化结果示意图。由于WECNN、ECNN、1DCNN和DFCNN方法所处理数据的特殊性,无法产生特征可视化的热力图。由图中结果可知,本发明所提方法分类的依据更集中于时频图的干扰区域。特征可视化的结果证明了本发明所提方法对于干扰特征的表征精度明显优于其它干扰识别方法。
因此,本实施例的基于多损失特征自校准网络的雷达有源干扰识别方法结合干扰时频图像,在传统卷积网络的基础上配合特征自校准模块和输入重构模块,前者能够自适应捕捉特征,实现特征的精细化表征,从而增强网络的特征提取能力;后者建立特征空间和输入之间的联系,进而提高标签传播在空间中的分类性能。通过交叉熵损失、聚类损失和均方误差损失三项构成的增强的混合损失函数对模型进行优化,使模型提取到的特征向量在高维特征空间类内更聚集,类间更分散。同时,在仿真数据集上的测试结果表明,本发明所提方法在不同干噪比上的表现优于其它智能干扰识别方法。
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 (7)
1.一种基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,包括步骤:
获取包括雷达有源干扰信号的待识别时频谱图数据;
将所述待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别,得到识别分类结果;
其中,所述训练好的多损失特征自校准网络包括依次连接的特征提取模块、特征映射模块和重构模块,所述训练好的多损失特征自校准网络为利用混合损失函数对多损失特征自校准网络的参数进行训练更新得到,所述混合损失函数由训练集样本标签传播的交叉熵损失、所述特征映射模块的聚类损失和所述重构模块的均方误差损失确定,按照如下步骤进行干扰类型识别:
通过所述特征提取模块对所述待识别时频谱图数据进行干扰特征自适应提取,并且自适应缩小同类别干扰特征在特征空间的距离,拉大不同类别干扰特征在特征空间的距离,得到不同类型干扰特征向量;
通过所述特征映射模块对所述不同类型干扰特征向量降维映射后进行分类,得到所述识别分类结果;
所述特征提取模块包括依次连接的第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块,所述第一特征自校准卷积块、所述第二特征自校准卷积块、所述第三特征自校准卷积块和所述第四特征自校准卷积块的结构相同,均包括第一卷积块、第二卷积块、第三卷积块、通道特征自校准模块、空间特征自校准模块、升维模块、第一相加模块和第一最大池化层,其中,所述第一卷积块、所述第二卷积块、所述第三卷积块依次连,用于对特征自校准卷积块的输入特征图依次进行卷积处理,得到第三卷积块的输出特征图;所述通道特征自校准模块用于对所述第三卷积块的输出特征图进行通道特征自校准,得到通道特征自校准特征图;所述空间特征自校准模块用于对所述通道特征自校准特征图进行空间特征自校准,得到空间特征自校准特征图;所述升维模块用于对特征自校准卷积块的输入特征图进行升维操作,得到升维特征图;所述第一相加模块用于将所述升维特征图加在所述空间特征自校准特征图上,得到相加特征图;所述第一最大池化层用于对所述相加特征图进行下采样,得到特征自校准卷积块的输出特征图;
所述通道特征自校准模块包括自适应最大池化层、自适应平均池化层、多层感知机、第二相加模块、通道权重归一化模块和第一相乘模块,其中,所述自适应最大池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应最大池化,归纳出每一通道维上的最大值响应;所述自适应平均池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应平均池化,归纳出每一通道维上的平均响应;所述多层感知机用于对每一通道维上的最大值响应依次进行特征缩放、特征还原、提取通道维信息得到最大值响应输出,并对所述每一通道维上的平均响应依次进行特征缩放、特征还原、提取通道维信息得到平均响应输出;所述第二相加模块用于将所述最大值响应输出和所述平均响应输出进行相加融合,得到相加特征图;所述通道权重归一化模块用于利用激活函数将所述相加特征图中通道的权重归一化,得到通道归一化权重;所述第一相乘模块用于将所述通道归一化权重与所述第三卷积块的输出特征图相乘得到通道特征自校准特征图;
所述空间特征自校准模块包括第二最大池化层、平均池化层、拼接模块、卷积模块、空间权重归一化模块和第二相乘模块,其中,所述第二最大池化层用于对所述通道特征自校准特征图进行通道维最大池化,得到压缩到空间维的最大池化特征图;所述平均池化层用于对所述通道特征自校准特征图进行通道维平均池化,得到压缩到空间维的平均池化特征图;所述拼接模块用于采用拼接方法将所述最大池化特征图和所述平均池化特征图进行融合,得到拼接特征图;所述卷积模块用于对所述拼接特征图进行卷积映射,得到映射特征图;所述空间权重归一化模块用于利用激活函数将所述映射特征图中空间的权重归一化,得到空间归一化权重;所述第二相乘模块用于将所述空间归一化权重与所述通道特征自校准特征图相乘得到空间特征自校准特征图;
所述特征映射模块包括第一全连接层和第二全连接层,其中,所述第一全连接层用于将所述不同类型干扰特征向量的展平特征投影到特征空间,得到嵌入向量;所述第二全连接层用于对所述嵌入向量进行分类,得到所述识别分类结果;
所述重构模块包括依次连接的第三全连接层、第四非线性层、第四全连接层、第五非线性层、第五全连接层和激活函数层。
2.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述多损失特征自校准网络的训练方法包括:
获取包括雷达有源干扰信号和无干扰雷达回波的原始时频谱图数据集,其中,所述原始时频谱图数据集包括训练集样本、训练集样本标签、验证集样本和验证集样本标签;
将所述训练集样本和所述训练集样本标签输入所述多损失特征自校准网络中进行训练;
根据所述训练集样本标签传播的交叉熵损失、所述特征映射模块的聚类损失以及重构模块的均方误差损失确定所述混合损失函数;
利用所述混合损失函数对所述多损失特征自校准网络的参数进行更新;
利用所述验证集样本和所述验证集样本标签对每轮训练结束后的网络进行选择,将识别准确率最高的模型作为所述训练好的多损失特征自校准网络。
3.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述特征自校准卷积块的输出特征图为:
xl+1=MaxPool(h(xl)+F(xl,Wl));
其中,h(·)表示升维操作,F(·,Wl)表示提取特征,xl表示第l个特征自校准卷积块的输入特征图,Wl表示第l个特征自校准卷积块的权重参数,MaxPool表示最大池化。
4.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述通道特征自校准特征图为:
其中,Mc(F)表示通道特征自校准模板,Sigmoid表示激活函数,MLP表示多层感知机,AdaptiveAvgPool表示自适应平均池化,AdaptiveMaxPool表示自适应最大池化,F表示第三卷积块的输出特征图,表示向量空间,C表示特征图F通道数,H表示特征图F高度,W表示特征图F宽度。
5.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述空间特征自校准特征图为:
Ms(FC)=Sigmoid(WC([AvgPool(FC),MaxPool(FC)]));
其中,MS(FC)表示空间特征自校准模板,WC表示卷积权重,Sigmoid表示激活函数,AvgPool表示平均池化,MaxPool表示最大池化,FC表示通道特征自校准特征图,表示向量空间,C′表示特征图FC通道数,H′表示特征图FC高度,W′表示特征图FC宽度。
6.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述通道特征自校准模块和空间特征自校准模块的整体公式表示为:
其中,F'表示空间特征自校准模块的输出特征图,F表示第三卷积块的输出特征图,表示向量空间,C表示特征图F通道数,H表示特征图F高度,W表示特征图F宽度,Mc(F)表示通道特征自校准模板,MS(·)表示空间特征自校准模板,/>表示逐元素相乘。
7.根据权利要求1所述的基于多损失特征自校准网络的雷达有源干扰识别方法,其特征在于,所述混合损失函数为:
Leh=LS+αLC+βLmse;
其中,α和β表示可调权重超参数,LS表示交叉熵损失函数,N表示批次大小,yi表示训练样本i的真实标签,/>表示预测结果的概率分布,LC表示聚类损失函数,cyi表示特征向量zi所属类别的特征中心,Lmse表示均方误差损失函数,/> 表示重构像素点,/>表示原始图像像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310741199.2A CN116482618B (zh) | 2023-06-21 | 2023-06-21 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310741199.2A CN116482618B (zh) | 2023-06-21 | 2023-06-21 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482618A CN116482618A (zh) | 2023-07-25 |
CN116482618B true CN116482618B (zh) | 2023-09-19 |
Family
ID=87212292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310741199.2A Active CN116482618B (zh) | 2023-06-21 | 2023-06-21 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482618B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233706B (zh) * | 2023-11-16 | 2024-02-06 | 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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2451710C1 (de) * | 1972-12-08 | 1992-05-14 | Siemens Ag | Anordnung zur Stoerung einer Monopuls-Zielverfolgungs-Radareinrichtung durch Wiederausstrahlung in Kreuzpolarisation |
US5239309A (en) * | 1991-06-27 | 1993-08-24 | Hughes Aircraft Company | Ultra wideband radar employing synthesized short pulses |
RU2193782C2 (ru) * | 2000-09-19 | 2002-11-27 | Федеральное государственное унитарное предприятие "Научно-исследовательский институт измерительных приборов" | Способ оценки характеристик радиолокационной станции при действии активных шумовых помех |
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
CN114201987A (zh) * | 2021-11-09 | 2022-03-18 | 北京理工大学 | 一种基于自适应识别网络的有源干扰识别方法 |
CN114488140A (zh) * | 2022-01-24 | 2022-05-13 | 电子科技大学 | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 |
CN114895263A (zh) * | 2022-05-26 | 2022-08-12 | 西安电子科技大学 | 基于深度迁移学习的雷达有源干扰信号识别方法 |
CN115494466A (zh) * | 2022-09-22 | 2022-12-20 | 东南大学 | 一种针对分布式雷达的自校准方法 |
CN116047427A (zh) * | 2023-03-29 | 2023-05-02 | 西安电子科技大学 | 一种小样本雷达有源干扰识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220349986A1 (en) * | 2021-04-30 | 2022-11-03 | Nxp B.V. | Radar communication with interference suppression |
-
2023
- 2023-06-21 CN CN202310741199.2A patent/CN116482618B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2451710C1 (de) * | 1972-12-08 | 1992-05-14 | Siemens Ag | Anordnung zur Stoerung einer Monopuls-Zielverfolgungs-Radareinrichtung durch Wiederausstrahlung in Kreuzpolarisation |
US5239309A (en) * | 1991-06-27 | 1993-08-24 | Hughes Aircraft Company | Ultra wideband radar employing synthesized short pulses |
RU2193782C2 (ru) * | 2000-09-19 | 2002-11-27 | Федеральное государственное унитарное предприятие "Научно-исследовательский институт измерительных приборов" | Способ оценки характеристик радиолокационной станции при действии активных шумовых помех |
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
CN114201987A (zh) * | 2021-11-09 | 2022-03-18 | 北京理工大学 | 一种基于自适应识别网络的有源干扰识别方法 |
CN114488140A (zh) * | 2022-01-24 | 2022-05-13 | 电子科技大学 | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 |
CN114895263A (zh) * | 2022-05-26 | 2022-08-12 | 西安电子科技大学 | 基于深度迁移学习的雷达有源干扰信号识别方法 |
CN115494466A (zh) * | 2022-09-22 | 2022-12-20 | 东南大学 | 一种针对分布式雷达的自校准方法 |
CN116047427A (zh) * | 2023-03-29 | 2023-05-02 | 西安电子科技大学 | 一种小样本雷达有源干扰识别方法 |
Non-Patent Citations (3)
Title |
---|
Deceptive jamming template synthesis for SAR based on generative adversarial nets;Weiwei Fan;Signal Processing;全文 * |
基于无载波超宽带雷达的小样本人体动作识别;蒋留兵;周小龙;车俐;;电子学报(03);全文 * |
基于贝叶斯深度学习的一维雷达有源干扰信号识别方法;马博俊;信号处理;第39卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116482618A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN109949255B (zh) | 图像重建方法及设备 | |
CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
Dong et al. | Exploring vision transformers for polarimetric SAR image classification | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109145979A (zh) | 敏感图像鉴定方法及终端*** | |
CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
Awad | An Unsupervised Artificial Neural Network Method for Satellite Image Segmentation. | |
CN113050042A (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
CN115965864A (zh) | 一种用于农作物病害识别的轻量级注意力机制网络 | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
CN114065831A (zh) | 基于多尺度随机深度残差网络的高光谱图像分类方法 | |
CN116486183B (zh) | 基于多种注意力权重融合特征的sar图像建筑区分类方法 | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、***、设备及介质 | |
CN114998725B (zh) | 基于自适应空谱注意力核生成网络的高光谱图像分类方法 |
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 |