申请/专利权人:杭州电子科技大学
申请日:2022-04-14
公开(公告)日:2022-09-20
公开(公告)号:CN115079116A
主分类号:G01S7/41
分类号:G01S7/41;G01S13/06
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.10.11#实质审查的生效;2022.09.20#公开
摘要:本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法,首先对原始HRRP样本集进行预处理;通过卷积模块对样本进行特征提取并改变数据格式;再通过基于VIT的MoCo对比学习模块,在特征空间上学习区分不同样本;之后将经过MoCo对比学习模块得到的特征,输入时间卷积模块,进一步地加强模型的表征能力,得到可分性更强的特征;最后通过全连接层将更有效的特征进行保留,最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络,使模型获取HRRP中更为全面的信息,进一步提高模型的特征提取能力,得到可分性更强的特征用于分类。
主权项:1.基于Transformer和时间卷积网络的雷达目标识别方法,其特征在于,包括以下步骤:S1:对原始HRRP样本集进行预处理;采用L2范数归一化对HRRP原始回波数据进行处理,将幅度划分到统一尺度内消除HRRP的幅度敏感性;采用重心对齐法来改善HRRP的平移敏感性;S2:通过卷积模块对样本进行特征提取并改变数据格式;通过卷积模块CNN对预处理后的HRRP数据进行处理,通过控制和调整卷积模块卷积核的大小和步长,将一维距离像卷积成后续网络所需的数据格式;S3:通过基于VIT的MoCo对比学习模块,在特征空间上学习区分不同样本,拉近同类别样本在特征空间中的距离,同时拉开不同类别样本之间的距离;S4:将经过MoCo对比学习模块得到的特征,输入时间卷积模块,进一步地加强模型的表征能力,得到可分性更强的特征;S5:通过全连接层将更有效的特征进行保留,最后采用softmax对网络的输出进行分类。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 基于Transformer和时间卷积网络的雷达目标识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。