基于Transformer和时间卷积网络的雷达目标识别方法.pdf
Th****s3
亲,该文档总共19页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于Transformer和时间卷积网络的雷达目标识别方法.pdf
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
基于卷积神经网络和Bert的雷达目标识别方法.pdf
本发明公开了一种基于卷积神经网络和Bert的雷达目标识别方法,包括以下步骤:S1,收集数据并划分训练集和测试集,对数据进行强度归一化和重心对齐处理;S2,将上述处理的HRRP样本输入到CNN模块,用CNN对处理后的样本进行提取特征;S3,用Bert处理CNN提取的有效特征,提取更加深层的特征;S4,搭建分类器,对HRRP目标分类,对Bert的输出,再次使用注意力机制,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;S5,将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完
基于卷积神经网络和DAE_Transformer的调制识别方法.pdf
本发明公开了基于卷积神经网络和DAE_Transformer的调制识别方法,包括:以训练集中的调制信号为输入,其对应的融合注意力特征图为输出,结合Transformer注意力机制,构建去噪自动编码器。以融合注意力特征图为输入,调制信号的识别结果为输出,构建基于ResidualNetwork网络结构的classifier模块。基于去噪自动编码器和classifier模块,以调制信号为输入、调制信号的识别结果为输出,构建基于卷积神经网络和DAE_Transformer的调制识别模型。在公共数据集RadioM
一种基于Transformer的雷达目标识别方法.pdf
本发明公开了一种基于Transformer的雷达目标识别方法,首先对原始HRRP样本集进行预处理,然后采用多尺度CNN来融合多种不同感受野的特征,并用SE模块基于通道之间的依赖关系进行建模,再采用Albert模型对HRRP数据进行建模。最后通过注意力分类模块对特征进行分类,完成HRRP识别。本发明应用堆叠Albert模块结合多头注意力机制来提取HRRP的双向特征。采用多尺度CNN结合SE模块来代替嵌入表示。针对HRRP的特殊性,利用多尺度卷积提取HRRP的多层次空间特征,通过不同的卷积核提取不同尺度的结构
基于多尺度卷积神经网络的雷达HRRP目标识别方法.pdf
本发明公开了一种基于多尺度卷积神经网络的雷达HRRP目标识别方法,该方法首先进行预处理降低HRRP样本中的敏感性,然后后接的多尺度卷积神经网络可在保留HRRP样本内所蕴含的序列相关性同时,提取出HRRP包络中所含的信息,最后采用基于RNN的深度学习方法进行目标识别:该方法基于序列相关性进行建模,对物理结构特征进行建模描述,最后通过softmax进行分类识别。