基于注意力变换网络的雷达高分辨距离像目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113625227A(43)申请公布日2021.11.09(21)申请号202110757184.6(22)申请日2021.07.05(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人白雪茹赵晨杨敏佳周峰(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G01S7/02(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称基于注意力变换网络的雷达高分辨距离像目标识别方法(57)摘要本发明公开了一种基于注意力变换网络的雷达高分辨距离像目标识别方法，主要解决现有技术对雷达高分辨距离像识别时，难以关注雷达高分辨距离像的局部细节，难以聚焦于雷达高分辨距离像中更具可分性的目标区域，难以利用其全局时序信息，识别正确率较低，识别性能受限等问题。实现步骤为：(1)生成训练集；(2)构建注意力变换网络；(3)训练注意力变换网络；(4)对待分类的雷达高分辨距离像目标进行识别。本发明同时利用了高分辨距离像的局部细节特征与全局时序信息，对高分辨距离像不同距离单元的重要性进行了区分，使得本发明有效提高了高分辨距离像的识别性能。CN113625227ACN113625227A权利要求书1/2页1.一种基于注意力变换网络的雷达高分辨距离像目标识别方法，其特征在于，利用由卷积子网络和注意力增强的卷积子网络组成的卷积注意模块，提取高分辨距离像的局部特征，再利用位置编码模块对局部特征进行位置编码，利用多头注意力变换编码器模块，对位置编码后的特征进行注意力编码；所述雷达高分辨距离像识别方法的步骤包括如下：步骤1，生成训练集：(1a)将雷达在5520MHz中心频率，400MHz信号带宽，400Hz脉冲重复频率的条件下获取的三类飞机高分辨距离像中，选取147950个距离像组成样本集；(1b)对样本集中每一个高分辨距离像依次进行幅度归一化、平移对齐的预处理；(1c)以预处理后每30个连续的高分辨距离像为一组，对预处理后的样本集进行滑窗；(1d)将滑窗得到的9859组序列样本组成训练集；步骤2，构建注意力变换网络；(2a)搭建一个由卷积层，批归一化层，非线性激活层，最大值池化层组成的第一卷积子网络并设置子网络参数；(2b)搭建一个由卷积层，批归一化层，非线性激活层，最大值池化层组成的第二卷积子网络并设置子网络参数；(2c)搭建一个由全局平均注意池化层，第一卷积层，全局最大注意池化层，第二卷积层，非线性激活层组成的通道注意力层；其中全局平均注意池化层与全局最大注意池化层的输出维度均为1×1，第一卷积层具有核大小为3×3个像素的4个卷积核，第二卷积层具有核大小为3×3个像素的32个卷积核，非线性激活层采用线性整流单元激活函数；(2d)搭建一个由平均注意池化层，最大注意池化层，卷积层，非线性激活层组成的空间注意力层；其中平均注意池化层与最大注意池化层的输出通道数均为1，卷积层具有核大小为3×3个像素的1个卷积核，非线性激活层采用线性整流单元激活函数；(2e)搭建一个由卷积层，通道注意力层，空间注意力层，批归一化层，非线性激活层，最大值池化层组成的注意力增强卷积子网络；其中卷积层具有核大小为3×3个像素的32个卷积核，卷积后的填充数为1，批归一化层的通道数为32，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2×2个像素，步长为2个像素；(2f)将第一卷积子网络，第二卷积子网络，注意力增强卷积子网络级联成卷积注意模块；(2g)搭建一个由正弦编码器与余弦编码器组成的位置编码模块；其中，正弦编码器与余弦编码器的编码维度均为32，正弦编码器的位置索引为[0,96]中选取的所有偶数，余弦编码器的位置索引为[0,96]中选取的所有奇数；(2h)搭建一个由多头注意力组，多层感知器组成的多头注意力变换编码器模块；其中，多头注意力组由8个并联的注意力头组成，每个注意力头由键值、查询值和真值通过缩放点积公式计算得到，其中，键值、查询值和真值的长度均为97，维度均为32个像素；所述多层感知器由第一全连接层，高斯误差线性单元，第二全连接层级联组成，其中第一全连接层、第二全连接层的权重维度大小分别设置为32×128、128×32；(2i)将卷积注意模块，位置编码模块，多头注意力变换编码器模块级联成注意力变换网络；步骤3，训练注意力变换网络：2CN113625227A权利要求书2/2页将训练集输入到注意力变换网络中，利用交叉熵损失函数，计算网络的输出与训练图像的类别标签之间的交叉熵损失值，通过反向传播算法迭代更新网络的参数，直到网络的交叉熵损失函数收敛为止，得到