申请/专利权人：北京理工大学

申请日：2024-03-12

公开（公告）日：2024-05-17

公开（公告）号：CN118051799A

主分类号：G06F18/23213

分类号：G06F18/23213;G01S7/02;G01S7/36;G06F18/213;G06N3/0464;G06N3/045;G06F18/241;G06N3/048;G06N3/047;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开的一种基于PDW聚类的混叠雷达个体识别方法，属于雷达信号识别领域。本发明实现方法为：利用PDW中的载波频率、脉冲宽度和到达方向进行k‑means聚类来提取雷达信号中隐藏的PRI和二阶PRI的特征；利用PRI、二阶PRI、到达时间、载波频率、脉冲宽度、脉冲幅度、到达方向七个特征。构建用于雷达信号识别的深度卷积神经网络AAVGGPro模型，通过在自适应通道注意力子模块和自适应空间注意力子模块分别增加全连接层得到AAVGG模型，通过在AAVGG模型中调整通道数与卷积核尺寸、增加全连接层得到AAVGGPro模型。利用改进后的损失函数来训练深度卷积神经网络AAVGGPro模型提取雷达信号的高维特征，改进后的损失函数是由交叉熵损失函数、类间损失函数和类内损失函数组成；根据训练收敛后的AAVGGPro模型对输入的雷达信号进行类别判断，实现雷达信号自动识别。

主权项：1.一种基于PDW聚类的混叠雷达个体识别方法，其特征在于：包括如下步骤：步骤一、对数据集进行预处理；训练数据集中只包括各个雷达纯净无干扰的脉间特征数据，根据后续步骤二构建的AAVGGPro模型参数量按照时间混叠得到混杂的数据集；针对每一个混叠后的数据集，使用该数据集中的载波频率、脉冲宽度以及到达方向三个脉间调制特征，利用k-means算法将数据集划分为k个簇；步骤二、构建基于PDW聚类的混叠雷达信号识别AAVGGPro模型；所述AAVGGPro模型包括VGG模型、自适应注意力机制层和新增的高维特征全连接层，自适应注意力机制层由自适应通道注意力子模块和自适应空间注意力子模块串联组成；通过在自适应通道注意力子模块和自适应空间注意力子模块分别增加全连接层得到AAVGG模型，通过在AAVGG模型中调整通道数、卷积核尺寸和新增高维特征全连接层得到AAVGGPro模型，强化AAVGGPro模型对雷达识别信号的非线性特征提取能力；所述VGG模型包括卷积层和全连接层；所述高维特征全连接层用于提取雷达信号识别的高维特征；每个卷积层由一个一维卷积层、一个激活层和一个池化层组成，一维卷积层用于提取雷达信号位置之间的信息，激活层用于增强雷达信号特征的非线性表征能力，池化层用于减小雷达信号特征的尺寸和减少计算量；自适应通道注意力子模块通过关注雷达识别信号输入七个特征的不同通道来捕获通道间的依赖关系，自动学习并确定雷达信号的特征通道的重要性，从而为每个雷达信号的特征通道赋予不同的权重系数；自适应空间注意力子模块专注于雷达信号的特征空间维度上的关键区域，通过沿通道轴应用平均池化和最大池化操作来生成有效的雷达信号特征描述符，从而确定包含关键信息的雷达信号特征位置，提取雷达信号特征的位置信息，增强AAVGGPro模型的鲁棒性，防止AAVGGPro模型过度拟合；池化操作在此处是对比不同雷达信号的特征通道之间的数值，而非同一个通道不同区域之间的数值；三层全连接层进行识别预测，中间一层的全连接层是用于步骤三中损失函数优化的部分，通过中间的一层的全连接层的输出可以获得雷达信号样本的高维特征，通过最后一层全连接进行雷达信号分类预测，根据预测的类别进行雷达信号自动识别；步骤三、基于步骤一生成的雷达识别数据集，训练步骤二构建的基于PDW聚类的混叠雷达个体识别深度卷积神经网络AAVGGPro模型；在步骤一中将雷达信号识别数据特征形状由1*5转换为n*7作为AAVGGPro模型的输入，采用交叉熵损失函数度量雷达信号识别预测标签与真实标签之间的差异；使用欧式距离计算雷达信号特征与对应雷达信号识别类中心之间的欧式距离的均值来度量类内损失；使用欧式距离计算雷达信号识别类中心之间的欧式距离的总和，然后进行归一化来度量类间损失，最终的损失值由分类损失、类内损失和类间损失的加权组合得到的，其中权重参数由参数α和β控制，该组合损失函数的目的是同时优化雷达信号识别准确率和雷达信号在特征空间中的聚类效果，增强AAVGGPro模型对雷达信号识别任务的鲁棒性；使用Adam优化算法自适应调整学习率，使用反向传播方法更新AAVGGPro模型的参数以最小化总损失函数；根据步骤一预处理后的雷达信号识别数据集的大小和样本长度调整批处理大小和初始学习率，训练AAVGGPro模型至收敛并保存AAVGGPro模型参数；用雷达识别测试样本集测试AAVGGPro模型对雷达信号识别的准确率，根据测试结果选取满足预设收敛要求的AAVGGPro模型，即得到训练好的AAVGGPro模型；分别将不同的混合重叠雷达信号识别样本数据输入到保存的训练好的AAVGGPro模型，输出得到每个雷达信号的预测标签，将输出的预测标签结果作为雷达信号所对应的类别，得到雷达信号的识别结果，根据雷达信号的识别结果计算在不同混合场景下的雷达识别准确率，即基于PDW聚类算法的AAVGGPro模型实现雷达信号自动识别。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于PDW聚类的混叠雷达个体识别方法

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