[發明專利]基于卷積塊注意力的雷達個體輻射識別方法、系統及介質

在審

• 申請號: 202210230576.1
• 申請日: 2022-03-09
• 公開（公告）號: CN114742091A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 王偉;施皓然;周永坤;饒彬;王濤
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01S7/41
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁嘉琦

本發明公開了一種基于卷積塊注意力的雷達個體輻射識別方法、系統及介質，方法包括：構建卷積塊注意力關系網絡，卷積塊注意力關系網絡包括特征提取網絡、卷積塊注意力模塊和相似網絡；獲取訓練數據集，根據訓練數據集訓練卷積塊注意力關系網絡；向訓練完成的卷積塊注意力關系網絡輸入目標數據集，得到關系分數向量，目標數據集包括支撐集和查詢集；根據關系分數向量，確定目標數據集的數據類型，完成雷達個體輻射源識別。本發明通過在關系網絡中引入卷積塊注意力模塊，指導網絡關注更關鍵的區域，增強了網絡的特征提取能力，使得網絡在低信噪比下仍能有較好的性能，可廣泛應用于輻射源識別技術領域。

技術領域

本發明涉及輻射源識別技術領域，尤其是基于卷積塊注意力的雷達個體輻射識別方法、系統及介質。

背景技術

在雷達個體輻射源識別領域，傳統方法是通過設計和提取手工特征來實現的。然而，隨著雷達系統的快速發展，傳統方法的性能大幅下降。

近年，深度學習被成功用到了信號識別領域，其基本思路為：首先對信號進行域變換，得到相應的域變換圖(如時頻圖)，然后域變換圖作為深度學習網絡的輸入，完成識別的任務。雖然深度學習在信號識別任務具有較好的性能，但其仍具有一定的缺陷。首先，要使深度學習模型達到較好的性能，需要大量的標注數據支撐，這在雷達個體輻射源識別領域是比較困難的。由于低截獲雷達的存在以及電磁環境信號交疊嚴重，因此較難獲得高質量的雷達輻射源標注數據。其次，深度學習模型良好的性能一般只針對于訓練集存在的數據類別，即對新信號類別的泛化性能較差。如果我們需要對新信號類別進行識別，就需要重新設計并訓練網絡，大幅增加了成本。

發明內容

有鑒于此，本發明實施例提供基于卷積塊注意力的雷達個體輻射識別方法、系統及介質，能夠增強網絡的特征提取能力，從而提高輻射源個體識別方法的準確率和適應性，解決部分雷達設備輻射源信號樣本不足的問題，使得偵察系統更具實用性。

本發明實施例的第一方面提供了一種基于卷積塊注意力的雷達個體輻射識別方法，包括：

構建卷積塊注意力關系網絡，所述卷積塊注意力關系網絡包括特征提取網絡、卷積塊注意力模塊和相似網絡；

獲取訓練數據集，根據所述訓練數據集訓練所述卷積塊注意力關系網絡；

向訓練完成的卷積塊注意力關系網絡輸入目標數據集，得到關系分數向量，所述目標數據集包括支撐集和查詢集；其中，所述支撐集用于表征標注數據，所述查詢集用于表征待識別數據；

根據所述關系分數向量，確定所述目標數據集的數據類型，完成雷達個體輻射源識別。

可選地，所述構建卷積塊注意力關系網絡，包括：

根據第一卷積模塊和第二卷積模塊，構建特征提取網絡；

根據通道注意力模塊和空間注意力模塊，構建卷積塊注意力模塊；

根據第一卷積模塊和全連接層，構建相似網絡；

根據所述特征提取網絡、所述卷積塊注意力模塊和所述相似網絡構建卷積塊注意力關系網絡；

其中，所述第一卷積模塊包括卷積層、批標準化層、激活函數和最大池化層，所述第二卷積模塊包括卷積層、批標準化層和激活函數。

可選地，所述根據通道注意力模塊和空間注意力模塊，構建卷積塊注意力模塊，包括：

根據并行池化層、共享多層感知器和激活層，構建通道注意力模塊；

根據雙層池化層、卷積層和激活層，構建空間注意力模塊；

根據所述通道注意力模塊和所述空間注意力模塊，構建卷積塊注意力模塊。

可選地，所述獲取訓練數據集，根據所述訓練數據集訓練所述卷積塊注意力關系網絡，包括：