欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021100286013
申请人: 长沙理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种多脉冲雷达信号的识别方法,其特征在于,所述方法包括:获取多脉冲雷达信号;

对所述多脉冲雷达信号进行CWD时频分析,得到多脉冲雷达信号的二维时频图;将所述二维时频图进行标记,作为训练样本;

构建高分辨性特征融合提取网络,所述高分辨性特征融合提取网络包括卷积网络、特征提取网络和输出网络;所述特征提取网络包括注意力特征提取模块和分辨性特征融合特征提取模块;所述注意力特征提取模块用于提取所述训练样本的空间注意力特征和通道注意力特征,得到多脉冲雷达信号的注意力特征图;所述分辨性特征融合特征提取模块执行多脉冲雷达信号的分辨性特征融合提取方法,用于提取所述注意力特征图的高分辨性特征;

根据所述训练样本对所述高分辨性特征融合提取网络进行训练得到多脉冲雷达信号识别模型;

获取待测多脉冲雷达信号;

将所述待测多脉冲雷达信号进行CWD时频分析,得到待测二维时频图;

将所述待测二维时频图输入到所述多脉冲雷达信号识别模型中,得到多脉冲雷达信号的类别;

所述多脉冲雷达信号的分辨性特征融合提取方法包括:获取多脉冲雷达信号特征图;

对所述多脉冲雷达信号特征图在空间维度分别进行最大值池化和平均值池化,得到所述多脉冲雷达信号特征图的第一通道权重系数和第二通道权重系数;

根据所述第一通道权重系数、所述第二通道权重系数、预设的第一激活函数、预设的第二激活函数以及所述多脉冲雷达信号特征图,得到多脉冲雷达信号的通道权重特征图;

对所述通道权重特征图在通道维度分别进行最大值池化和平均值池化,得到所述通道权重特征图的第一空间权重特征矩阵和第二空间权重特征矩阵;

根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵,得到通道数为2的特征图;根据所述通道数为2的特征图及所述通道权重特征图,得到多脉冲雷达信号在空间与通道上的高分辨性特征图;

将所述高分辨性特征图与所述多脉冲雷达信号特征图相加,得到信息完整的高分辨性特征图;

根据所述信息完整的高分辨性特征图,采用多种卷积核进行多尺度融合提取,得到多脉冲雷达信号的高分辨性特征。

2.根据权利要求1所述的方法,其特征在于,所述第一激活函数为ReLU函数,所述第二激活函数为sigmoid函数;

根据所述第一通道权重系数、所述第二通道权重系数、第一激活函数、第二激活函数以及所述多脉冲雷达信号特征图,得到多脉冲雷达信号的通道权重特征图,包括:将所述第一通道权重系数和所述第二通道权重系数使用ReLU函数激活后相加,得到一维通道权重矢量;

将所述一维通道权重矢量使用sigmoid函数激活得到的输出值与所述多脉冲雷达信号特征图相乘,得到多脉冲雷达信号的通道权重特征图。

3.根据权利要求1所述的方法,其特征在于,根据所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵,得到通道数为2的特征图;根据所述通道数为2的特征图及所述通道权重特征图,得到多脉冲雷达信号在空间与通道上的高分辨性特征图,包括:将所述第一空间权重特征矩阵以及所述第二空间权重特征矩阵按通道维度拼接在一起,得到通道数为2的特征图;

将所述通道数为2的特征图使用卷积核7*7进行卷积运算得到的值采用sigmoid函数激活,得到综合空间权重特征矩阵;

将所述综合空间权重特征矩阵与所述通道权重特征图相乘,得到多脉冲雷达信号在空间与通道上的高分辨性特征图。

4.根据权利要求1所述的方法,其特征在于,根据所述高分辨性特征图,采用多种卷积核进行多尺度融合提取,得到多脉冲雷达信号的高分辨性特征,包括:将所述高分辨性特征图分别采用卷积核7*7、卷积核5*5、卷积核3*3及卷积核1*1进行多尺度融合提取,得到多脉冲雷达信号的高分辨性特征。

5.根据权利要求1所述的方法,其特征在于,所述注意力特征提取模块由6层组成,包括:第一卷积层、第二卷积层、通道池化层、空间池化层、第三卷积层以及第四卷积层;

所述第一卷积层的卷积核为卷积核1*1、第二卷积层的卷积核为卷积核3*3、第三卷积层的卷积核为卷积核7*7、第四卷积层的卷积核为卷积核1*1。

6.根据权利要求1所述的方法,其特征在于,根据所述训练样本对所述高分辨性特征融合提取网络进行训练得到多脉冲雷达信号识别模型,包括:将所述训练样本输入卷积网络,得到卷积特征;

将所述卷积特征输入所述特征提取网络,输出高分辨性特征;所述特征提取网络包括:a个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、b个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、c个注意力特征提取模块、多脉冲雷达信号分辨性特征融合提取模块、d个注意力特征提取模块,其中 为大于0的整数,并且 ;

将所述高分辨性特征输入到输出网络,输出分类预测结果,根据所述分类预测结果和所述训练样本进行反向训练,得到多脉冲雷达信号识别模型。

7.根据权利要求6所述的方法,其特征在于,将所述高分辨性特征输入输出网络,输出分类预测结果,根据所述分类预测结果和所述训练样本进行反向训练,得到多脉冲雷达信号识别模型,包括:

将所述高分辨性特征输入到输出网络的全局平均池化层,得到1 1的特征图;

将所述1 1的特征图输入到输出网络的全连接层,输出分类预测结果;

根据所述分类预测结果和所述训练样本进行反向训练,得到多脉冲雷达信号识别模型。

8.根据权利要求7所述的方法,其特征在于,将所述1 1的特征图输入到输出网络的全连接层,输出分类预测结果,包括:将所述1 1的特征图输入到输出网络的全连接层得到的值使用Softmax进行计算,输出分类预测结果。