申请/专利权人：中国人民解放军空军工程大学

申请日：2023-09-04

公开（公告）日：2024-02-09

公开（公告）号：CN117540184A

主分类号：G06F18/213

分类号：G06F18/213;G06F18/25

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.01#实质审查的生效;2024.02.09#公开

摘要：本发明公开了一种基于TSF‑Transformer‑LS的HRRP序列识别方法，TSF‑Transformer‑LS的整体结构包括时间编码器模块、空间编码器模块和时空特征融合及识别模块；时间编码器模块和空间编码器模块的编码器用于特征提取，通过堆叠编码器提取深层时间和空间的全局特征，将时间特征和空间特征作为输入，经时空特征融合及识别模块进行特征融合和识别；本发明使用时间编码器模块和空间编码器模块同时提取HRRP序列的时间和空间的长程相关性，有效增强对目标区域的重要信息的提取能力，抑制噪声区域的不良影响，利用时空融合特征提高识别性能，并通过残差连接避免深层网络的信息丢失问题。

主权项：1.一种基于TSF-Transformer-LS的HRRP序列识别方法，包括TSF-Transformer-LS的整体结构和HRRP序列识别方法，其特征在于：所述TSF-Transformer-LS的整体结构包括时间编码器模块、空间编码器模块和时空特征融合及识别模块；所述时间编码器模块和空间编码器模块的编码器用于特征提取，通过堆叠编码器提取深层时间和空间的全局特征，将时间特征和空间特征作为输入，经时空特征融合及识别模块进行特征融合和识别；所述HRRP序列识别方法如下所示：以序列X＝[x1,x2,...,xn]T作为输入，序列的维度为n×c，其中n为HRRP序列长度，c为序列中每个元素的通道维度；首先对序列内的元素经过高维线性映射从c维处理为dmodel维；Ytoken＝XWe1式中，Ytoken为线性映射后的序列，通道的维度为dmodel；为线性映射的矩阵；通过高维线性映射，能够将信息聚合到高维表示中，有利于自注意力机制进行特征提取；通过位置编码，为Ytoken增加可学习的位置信息矩阵得到具有位置信息的高维序列Y；以Y作为输入，由堆叠的编码器进行特征提取，得到Transformer堆叠N个编码器并输出深层全局特征O，其中时间编码器模块输出时间全局特征OT，空间编码器模块输出空间全局特征OS，通过注意力融合机制实现时空特征融合，时间特征和空间特征权重的计算过程为：AF＝softmax[OT,OS]WF2将时间特征和空间特征与AF加权得到融合后的时空融合特征为：OFusion＝[OT,OS]AF3时空融合特征包含丰富的时间和空间特征，具有更高的分辨能力，最后将时空融合特征作为输入，使用softmax进行分类。

全文数据：

权利要求：

百度查询： 中国人民解放军空军工程大学 一种基于TSF-Transformer-LS的HRRP序列识别方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD