基于Transformer和时间卷积网络的雷达目标识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115079116A(43)申请公布日2022.09.20(21)申请号202210391518.7(22)申请日2022.04.14(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人夏伟杰陈晴潘勉吕帅帅蒋洁(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240专利代理师朱月芬(51)Int.Cl.G01S7/41(2006.01)G01S13/06(2006.01)权利要求书5页说明书12页附图1页(54)发明名称基于Transformer和时间卷积网络的雷达目标识别方法(57)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。CN115079116ACN115079116A权利要求书1/5页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。2.根据权利要求1所述的基于Transformer和时间卷积网络的雷达目标识别方法，其特征在于，所述步骤S1具体步骤如下：S1.1：L2范数归一化；将幅度划分到统一尺度内；将原始的雷达HRRP数据表示为X＝[x1,normx2,…,xM]，则L2范数归一化后得到的X如下：其中，X表示原始HRRP数据，M表示HRRP内包含的距离单元数量，xm表示第m个距离单元内的幅值；通过范数归一化后得到S1.2：重心对齐法；重心对齐法分为两步：首先需要计算出HRRP的重心位置，然后通过平移使其重心位于HRRP距离单元的中心位置；雷达HRRP数据通过范数归一化后得到则重心G的计算如下：通过平移得到数据3.根据权利要求2所述的基于Transformer和时间卷积网络的雷达目标识别方法，其特征在于，所述S2详细步骤为：将数据预处理之后的HRRP样本XG，经过CH个大小为1×5卷积核来进行卷积操作，得到卷积的输出其中X包含L个距离单元，CH表示通道数，Fcnn(ch)表示第ch个通道的卷积输出；Fcnn计算如下：其中，为卷积操作，Wch表示第ch个卷积核的权重矩阵参数，bch为相应的2CN115079116A权利要求书2/5页偏置，L表示序列长度；然后，将卷积输出的特征经过批归一化和激活函数ReLU得到输出Fbr，避免数据分布差异对识别性能的影响；最后，将Fbr变换成(Reshape)对比学习所需的数据格式，得到特征Fin，其中其中CH×1×L＝C×H×W，C、H、W分别是图片的通道、高和宽；经过卷积模块得到特征特征Fin的数据形式与图片一致，所以也把Fin称为卷积处理后的HRRP图片格式数据。4.根据权利要求3所述的基于Transformer和时间卷积网络的雷达目标识别方法，其特征在于，所述S3详细步骤为：所述的MoCo对比学习模块由数据增强、编码器模块和对比损失模块组成；S3.1:数据增强模块；设计了一种组合使用随机剪裁(RandomCrop)、依概率p水平翻转(HorizontalFlip)和依概率p垂直翻转(VerticalFlip)的数据增强方法；小批次的经过卷积处理后的HRRP图片格式数据为对这一批次的数据进行增强：对于其中一张图片格式数据其增强后的为其正样例，其余为负样例；同一张图片格式数据经过两种数据增强后得和分别进入梯度编码器fq和动量编码器fkS3.2