1.一种雷达信号分选方法,其特征在于,该方法包括以下步骤:
步骤A:生成长度为512的雷达信号脉冲的TOA序列,格式为CSV,其中每个序列中包含六种雷达信号调制模式的全排列组合,构建一个长宽为512的矩阵,计算CSV文件中每两个元素之间的差的绝对值,并填在矩阵的相应位置,其余位置值为0,并将这个矩阵转化为
512pix*512pix的图像;
步骤B:对步骤A中的图像进行正则化操作,统计每个像素的频次,并用这个频次代替像素原来的值,把正则化后的数据集分成三个部分,即训练集、验证集和测试集;
步骤C:构建基于卷积神经网络和Transformer的RDNet来进行雷达信号分选,RDNet包括特征提取编码器、解码器以及雷达信号分选头;输入的雷达信号图像首先经过特征提取编码器进行特征提取,然后将提取的特征送入到解码器进行尺度的重建,最后将与原始图像相同尺寸的特征输入到雷达信号分选头,从而得到最终的分选结果;
步骤D:使用步骤B中所得到的训练集和验证集对RDNet进行训练,生成训练好的RDNet模型;
步骤E:使用步骤B中所得到的测试集对步骤D中训练好的RDNet模型进行测试。
2.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤A中,所述六种雷达信号调制模式包括恒参调制模式、抖动调制模式、参差调制模式、组参差调制模式、滑变调制模式以及正弦PRI调制模式。
3.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤A中生成雷达信号脉冲的TOA序列时,使用六种雷达信号调制模式的全排列组合,总计生成65700个数据。
4.根据权利要求1所述的雷达信号分选方法,其特征在于,在步骤C中,所述RDNet还包括卷积径;
所述特征提取编码器包括卷积编码器和混合编码器。
5.根据权利要求4所述的雷达信号分选方法,其特征在于,步骤C具体包括:
RDNet的输入是PNG图像,输入的PNG图像首先经过卷积径,随后经过卷积编码器和混合编码器,并通过部分跳跃连接弥补采样造成的损失,之后将特征送入雷达信号分选头,完成雷达信号分选;
在卷积径中,输入图像经过了一个TDC模块,每个TDC模块包括三个深度可分离卷积层、BN层以及ReLU层;深度可分离卷积层首先对输入特征进行逐通道卷积,卷积核大小为3*3,步长为1,补全为1,组数为输入通道数;之后对这些特征进行逐点卷积,卷积核大小为3*3,步长为1,补全为0,组数为1;原始图像经过卷积径后输入到卷积编码器中;
在卷积编码器中,首先经过一个卷积核大小为3*3,步长为1的卷积,再经过BN层和ReLU层来降低通道数;之后经过一个DDC模块,每个DDC模块包括两个深度可分离卷积层、BN层以及ReLU层;将最后一个ReLU层的输出,输入到另一个卷积核大小为3*3,步长为1的卷积,再输入BN层和ReLU层,将通道数调整为输出的通道数;再经过一个下采样层,将特征图的大小减半;最终得到提取的底层特征,然后将该底层特征输入到混合编码器中;
在混合编码器中,先将输入的底层特征经过一个下采样层,使特征图大小减半,下采样层的采样方法同卷积编码器;并引入两个分支:第一个分支为一个MBBA模块,用来提取条形特征;第二个分支为一个Vision Transformer层,利用多头自注意力机制来建模输入的全局特征;将这两个分支的输出使用MCAF模块融合起来;在使用1*1的卷积层调整条形特征和全局特征的通道后,对融合后的特征使用通道注意力,使模型更集中于重要的特征;最后将该特征输入到解码器中;
在解码器中,输入混合编码器处理后特征,并经过四个解码器模块,每个解码器模块包含一个DDC模块和一个上采样层;上采样层的采样方法使用转置卷积,卷积核大小为4*4,步长为2,补全为1;最后一个上采样层的输出进入到雷达信号分选头;
在雷达信号分选头中,被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积,BN层和ReLU层来减少通道数;之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头;最后将得到的特征进行计算,从而得到雷达信号分选的结果。
6.根据权利要求5所述的雷达信号分选方法,其特征在于,在卷积编码器中,下采样方法采用的是卷积方法,使用一个卷积核大小为3*3,步长为2,补全为1的卷积层。
7.根据权利要求5所述的雷达信号分选方法,其特征在于,在混合编码器中,MBBA将输入的特征通过一个1*1的卷积层,以减少通道的数量和计算的复杂性;随后,MBBA采用三个条形卷积块分支来提取不同长度的条形特征;之后,MBBA将每个分支的输出与输入特征相结合,然后将其作为注意力权重,对MBBA模块的输入进行重新加权;条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加。
8.根据权利要求5所述的雷达信号分选方法,其特征在于,在混合编码器中,在MCAF模块中,在处理Vision Transformer输出的全局特征时使用空间注意力;再将来自MBBA中的特征与空间注意力处理后的ViT特征按特定维度拼接后,使用通道注意力来聚合融合特征。
9.根据权利要求1所述的雷达信号分选方法,其特征在于,所述的步骤D具体为:
使用步骤B中得到的训练集对所提出的网络RDNet进行训练,设置初始学习率,并在训练过程中使用余弦退火方法动态调整学习率;Batch size设置为4,优化器选择adam优化器,损失函数使用CE loss和Dice loss的组合,训练轮次为150。
10.根据权利要求1所述的雷达信号分选方法,其特征在于,所述的步骤E具体为:
使用步骤B获得的测试集,对已经训练好的RDNet模型进行测试,将网络输出的雷达信号分选结果与标签做对比,判断分选的准确率。