多脉冲雷达信号的分辨性特征融合提取方法及识别方法与流程

[0001]
本申请涉及雷达信号识别技术领域，特别是涉及一种多脉冲雷达信号的分辨性特征融合提取方法及识别方法。


背景技术：

[0002]
随着数字技术的飞速发展，雷达信号的调制方式越来越复杂，调制类型越来越多，外界电磁环境日益复杂，给电子侦察和电子对抗系统带来了严峻的挑战。在电子对抗过程中，对截获的信号进行迅速准确的识别，可以优先获得制信息权，对战场的形势发挥着至关重要的作用。然而，截获的敌方信号不仅仅是单脉冲信号，因此如何在低信噪比下对多脉冲的雷达信号进行快速准确的识别是电子对抗领域的关键问题。
[0003]
传统的雷达信号识别技术通常利用脉冲描述字（pwd），进行常规参数的匹配，设计特征提取算法和分类器进行识别。然而随着现代战场电磁环境的日益复杂，信号特征易被外界干扰所淹没，传统的雷达信号识别方法需要进行复杂的特征设计，其实现难度较大，泛化性较差。
[0004]
随着人工智能的发展，深度学习得到广泛的应用，其中卷积神经网络（convolutional neural networks,cnns）是人们研究的热点。其网络具有表征学习的能力，即能够从输入信息中提取高阶特征，并且能响应输入特征的平移不变性，可识别空间不同位置的相近特征，被广泛应用于图像分类，语义分割，目标检测等方向。但是由于不同的雷达信号二维时频图有较大重复相似的区域，而区别性的特征区域相对较小，利用卷积神经网络进行多脉冲雷达信号识别能力较差，并且参数量和计算量都比较大。


技术实现要素：

[0005]
基于此，有必要针对上述技术问题，提供一种能够提取多脉冲雷达信号的高分辨性特征的多脉冲雷达信号的分辨性特征融合提取方法及识别方法。
[0006]
一种多脉冲雷达信号的分辨性特征融合提取方法，所述方法包括：获取多脉冲雷达信号特征图。
[0007]
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。
[0008]
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。
[0009]
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。
[0010]
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。
[0011]
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。
[0012]
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。
[0013]
在其中一个实施例中，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，还包括：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函数激活后叠加，得到一维通道权重矢量。
[0014]
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。
[0015]
在其中一个实施例中，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，还包括：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。
[0016]
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。
[0017]
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。
[0018]
在其中一个实施例中，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，还包括：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。
[0019]
一种多脉冲雷达信号的识别方法，所述方法包括：获取多脉冲雷达信号。
[0020]
对所述待测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。
[0021]
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。
[0022]
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；所述特征提取网络用于提取所述训练样本的高分辨性特征；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上述任一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分辨性特征。
[0023]
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反向训练得到多脉冲雷达信号识别模型。
[0024]
获取待测多脉冲雷达信号。
[0025]
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。
[0026]
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。
[0027]
在其中一个实施例中，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。
[0028]
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。
[0029]
在其中一个实施例中，还包括，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：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、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、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、个注意力特征提取模块，其中为大于0的整数，并且。
[0030]
将所述高分辨率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。
[0031]
在其中一个实施例中，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，还包括，将所述高分辨率特征输入到输出网络的全局平均池化层，得到的特征图。
[0032]
将所述的特征图输入到输出网络的全连接层，输出分类预测结果。
[0033]
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。
[0034]
在其中一个实施例中，还包括，将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。
[0035]
一种多脉冲雷达信号的分辨性特征融合提取装置，所述装置包括：多脉冲雷达信号特征图获取模块：用于获取多脉冲雷达信号特征图。
[0036]
通道权重系数确定模块：用于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特征图和第二通道权重系数。
[0037]
通道权重特征图确定模块：用于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。
[0038]
权重特征矩阵确定模块：用于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。
[0039]
高分辨性特征图确定模块：用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。
[0040]
信息完整的高分辨性特征图确定模块：用于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。
[0041]
高分辨性特征提取模块：用于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。
[0042]
上述方法对多脉冲雷达信号特征图在空间维度上分别进行最大值池化和平均值池化，得到第一通道权重系数和第二通道权重系数；根据第一通道权重系数、第二通道权重系数、第一激活函数、第二激活函数以及多脉冲雷达信号特征图，得到通道权重特征图，通道权重特征图突出多脉冲雷达信号的特征图中高相关性的通道，抑制无关的通道，聚焦更具分辨性通道；对通道权重特征图在通道维度上分别进行最大值池化和平均值池化，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到空间与通道上的高分辨性特征图，将高分辨性特征图与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，高分辨性特征图与多脉冲雷达信号特征图相加克服了随着网络深度的加深产生的图像信息丢失、网络退化的问题；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。
附图说明
[0043]
图1为一个实施例中多脉冲雷达信号的分辨性特征融合提取方法的流程示意图；图2为一个实施例中实现多脉冲雷达信号的分辨性特征融合提取方法的网络结构图；图3为另一个实施例中多脉冲雷达信号的识别方法的流程示意图；图4为一个实施例中多脉冲雷达信号的分辨性特征融合提取装置结构框图；图5为一个实施例中10种雷达信号的二维时频图；图6为一个实施例中hrf-nets在不同网络深度下的识别率；图7为一个实施例中hrf-net157在噪声为-14db时的混淆矩阵。
具体实施方式
[0044]
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0045]
在一个实施例中，如图1所示，提供了一种多脉冲雷达信号的分辨性特征融合提取方法，包括以下步骤：步骤100：获取多脉冲雷达信号特征图。
[0046]
多脉冲雷达信号特征图可以多脉冲雷达信号经过时频处理得到的时频特征图，也可以是网络训练样本在特征提取网络中某一层输出的多脉冲雷达信号特征图。
[0047]
步骤102：对多脉冲雷达信号特征图在空间维度上分别进行最大值池化和平均值池化，得到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。
[0048]
在空间维度对输入的多脉冲雷达信号特征图分别进行最大值池化（maxpool）和平均值池化（avgpool），进行空间维度的压缩，得到第一通道权重系数和第二通道权重系数。
[0049]
第一通道权重系数和第二通道权重系数是一维矢量。
[0050]
步骤104：根据第一通道权重系数、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。
[0051]
第一通道权重系数和第二通道权重系数经过relu和sigmoid激活函数，增强网络
的非线性特征表达能力。接着将两种通道权重系数加到一起，进行综合分析，突出高相关性的通道，抑制无关的通道，聚焦输入的哪一些通道更具分辨性。最后将得到的一维通道权重矢量与输入的多脉冲雷达信号特征图相乘，保持输入大小不变，得到多脉冲雷达信号的通道权重特征图。
[0052]
步骤106：对通道权重特征图在通道维度上分别进行最大值池化和平均值池化，得到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。
[0053]
在通道维度，将上层得到的通道权重特征图继续进行maxpool和avgpool，进行通道维度上压缩，得到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。
[0054]
第一空间权重特征矩阵和第二空间权重特征矩阵为二维空间权重特征矩阵。
[0055]
步骤108：根据第一空间权重特征矩阵以及第二空间权重特征矩阵，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。
[0056]
将第一空间权重特征矩阵和第二空间权重特征矩阵按通道维度拼接在一起，得到一个通道数为2的特征图。然后进行卷积运算，再用sigmoid函数进行激活，强调高相关性的空间位置，减弱相关性较小的空间位置，聚焦输入图像的哪一些区域更具分辨性。最后将得到的综合空间权重特征矩阵与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。
[0057]
步骤110：将高分辨性特征图与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。
[0058]
随着网络深度的加深，会产生图像信息丢失，网络退化等问题，加入跳跃连接便很好的解决了这些问题。因此将得到的特征图out2与最初输入的多脉冲雷达信号特征图相加，经过激活函数relu，得到了在空间与通道上的高分辨性特征图。
[0059]
步骤112根据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。
[0060]
对特征图进行多尺度特征提取，采用多种卷积核进行多尺度融合提取，偏大的卷积核的感受野较大，语义信息表征能力强，偏小卷积核的感受野较小，几何细节信息表征能力强，分辨率高。因此采用多种尺寸的卷积核对高分辨性特征图进行特征融合提取，提取出高分辨性特征。
[0061]
上述方法对多脉冲雷达信号特征图在空间维度上分别进行最大值池化和平均值池化，得到第一通道权重系数和第二通道权重系数；根据第一通道权重系数、第二通道权重系数、第一激活函数、第二激活函数以及多脉冲雷达信号特征图，得到通道权重特征图，通道权重特征图突出多脉冲雷达信号的特征图中高相关性的通道，抑制无关的通道，聚焦更具分辨性通道；对通道权重特征图在通道维度上分别进行最大值池化和平均值池化，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到空间与通道上的高分辨性特征图，将高分辨性特征图与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，高分辨性特征图与多脉冲雷达信号特征图相加克服了随着网络深度的加深产生的图像信息丢失、网络退化的问题；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。
[0062]
在其中一个实施例中，步骤104还包括：第一激活函数为relu函数，第二激活函数
为sigmoid函数；将第一通道权重系数和第二通道权重系数使用relu函数激活后叠加，得到一维通道权重矢量。
[0063]
将一维通道权重矢量sigmoid函数激活得到的输出值与最初输入的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。
[0064]
在其中一个实施例中，步骤108还包括，将第一空间权重特征矩阵以及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；将综合空间权重特征矩阵与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。
[0065]
综合空间权重特征矩阵是一个二维空间权重特征矩阵。
[0066]
在其中一个实施例中，步骤112还包括：将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。
[0067]
卷积核选取原因：因为偶数卷积核会导致图像位置信息发生偏移，通道数不易确定，因此我们一般都采用奇数卷积，卷积核7*7，卷积核5*5属于大卷积核，卷积核3*3，卷积核1*1属于小卷积核，融合大卷积核与小卷积核特征提取时的不同优势，再选更大的卷积核会增大参数量和计算量，并无意义。
[0068]
在其中一个实施例中，如图2所示，提供了一种实现多脉冲雷达信号的分辨性特征融合提取方法的网络结构。
[0069]
首先，在空间维度对输入的特征图（base）同时进行maxpool和avgpool，进行空间维度的压缩，得到两个一维矢量，分别表示两种特征图的通道权重系数。然后经过relu激活函数，再将两种通道权重系数加到一起，进行综合分析，突出高相关性的通道，抑制无关的通道，聚焦输入的哪一些通道更具分辨性，接着采用sigmoid激活函数，增强网络的非线性特征表达能力。最后将得到的一维通道权重矢量与输入的特征图相乘，保持输入大小不变，得到通道权重特征图out1。
[0070]
在通道维度，将上层得到的通道权重特征图out1继续进行maxpool和avgpool，进行通道维度上压缩，得到两个二维的空间权重特征矩阵，将其按通道维度拼接在一起，得到一个通道数为2的特征图。之后使用conv7进行卷积运算，再用sigmoid函数进行激活，得到一个综合的二维空间权重特征矩阵，强调高相关性的空间位置，减弱相关性较小的空间位置，聚焦输入图像的哪一些区域更具分辨性。最后将综合的二维空间权重特征矩阵与out1相乘，保持输入大小不变，得到多脉冲雷达信号在空间与通道上的高分辨性特征图out2。
[0071]
随着网络深度的加深，会产生图像信息丢失，网络退化等问题，加入跳跃连接便很好的解决了这些问题。因此将得到的高分辨性特征图out2与最初输入的特征图base相加，经过激活函数relu，得到了信息完整且在空间与通道上更具分辨性的特征图out3。接着，对out3进行多尺度特征提取，分别采用“conv7”、“conv5”、“conv3”、“conv1”，偏大的卷积核的感受野较大，语义信息表征能力强，偏小卷积核的感受野较小，几何细节信息表征能力强，分辨率高。因此采用多种尺寸的卷积核对out3进行特征融合提取，提取出具有高分辨性的特征。
[0072]
在一个实施例中，如图3所示，提供了一种多脉冲雷达信号的识别方法，该方法包
括：步骤300：获取多脉冲雷达信号。
[0073]
通过gnu radio和usrp n210，usrp-lw n210通用软件无线电外设（universal software radio peripheral）模拟雷达信号发射和接收的过程，在信噪比-14~4db之间共生成10种多脉冲雷达信号，分别是barker，chaotic，eqfm，frank，fsk，lfm，lofm，ofdm，p1，p2，得到接近真实的多脉冲雷达信号，具有较高的可靠性。
[0074]
步骤302：对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；将二维时频图进行标记，作为训练样本。
[0075]
二维时频图是一种数字图像，图像信息损失较小，便于计算机处理与分析。时频分析方法是将一维时域信号变换到二维的时频平面，不同的时频分析方法有其特有的时频特性。其中有gabor变换，它是对时间和频率同时局部化，能较好地刻画信号中的瞬态结构，其时频分辨率完全由高斯窗决定。小波变换（cwt）是原始信号与经过伸缩后的小波函数族的相关运算，通过调整尺度，可得到具有不同时频宽度的小波以匹配原始信号的不同位置，达到信号的局部化分析。魏格纳威利分布（wvd）是将信号的能量分布于时频平面内，有很好的时频聚焦性，但受交叉项干扰的影响，它的各种平滑改进方法能一定程度上消除交叉项干扰影响，但又降低了时频聚焦性。
[0076]
为了提高信号的识别率，发明中需要高分辨率的图像，因此选择崔-威廉斯分布（choi-williams distribution function，cwd）它是恩克莱斯分布（cohen's class distribution）系列函数中的一种，该分布使用了指数核心函数以滤除交叉项，具有交叉项干扰最小的特点，对不同的信号都具有较高的清晰度和分辨率。
[0077]
步骤304：构建高分辨性特征融合提取网络，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；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；特征提取网络用于提取训练样本的高分辨性特征；注意力特征提取模块用于提取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；分辨性特征融合特征提取模块执行上述任一多脉冲雷达信号的分辨性特征融合提取方法，用于提取注意力特征图的分辨性特征。
[0078]
卷积网络包括卷积层和最大值池化层。输出网络包括全局平均池化层和全连接层。
[0079]
步骤306：根据训练样本对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。
[0080]
将训练样本输入到卷积网络得到卷积特征；将卷积特征输入特征提取网络，输出高分辨性特征，将高分辨率特征输入到输出网络，输出分类预测结果，根据分类预测结果和训练样本进行反向训练，得到多脉冲雷达信号识别模型。
[0081]
步骤308：获取待测多脉冲雷达信号。
[0082]
步骤310：将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。
[0083]
步骤312：将待测二维时频图输入到多脉冲雷达信号识别模型中，得到多脉冲雷达信号的类别。
[0084]
在其中一个实施例中，步骤304还包括，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；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。
[0085]
在其中一个实施例中，步骤306还包括，将训练样本输入卷积网络，得到卷积特征；将卷积特征输入特征提取网络，输出高分辨性特征；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。将高分辨率特征输入到输出网络，输出分类预测结果，根据分类预测结果和训练样本进行反向训练，得到多脉冲雷达信号识别模型。
[0086]
在其中一个实施例中。
[0087]
在其中一个实施例中。
[0088]
在其中一个实施例中。
[0089]
在其中一个实施例中，前一个实施例中的步骤还包括，将高分辨率特征输入到输出网络的全局平均池化层，得到的特征图；将的特征图输入到输出网络的全连接层，输出分类预测结果；根据分类预测结果和训练样本进行反向训练，得到多脉冲雷达信号识别模型。
[0090]
在其中一个实施例中，前一个实施例中的步骤还包括，将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。
[0091]
应该理解的是，虽然图1和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0092]
在一个实施例中，如图4所示，提供了一种多脉冲雷达信号的分辨性特征融合提取装置，包括：多脉冲雷达信号特征图获取模块、通道权重系数确定模块、通道权重特征图确定模块、权重特征矩阵确定模块、高分辨性特征图确定模块、信息完整的高分辨性特征图确定模块以及高分辨性特征提取模块，其中：多脉冲雷达信号特征图获取模块：用于获取多脉冲雷达信号特征图。
[0093]
通道权重系数确定模块：用于对多脉冲雷达信号特征图在空间维度上分别进行最大值池化和平均值池化，得到多脉冲雷达信号特征图的第一通道权重系数和特征图和第二通道权重系数。
[0094]
通道权重特征图确定模块：用于根据第一通道权重系数、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。
[0095]
权重特征矩阵确定模块：用于对通道权重特征图在通道维度上分别进行最大值池化和平均值池化，得到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。
[0096]
高分辨性特征图确定模块：用于根据第一空间权重特征矩阵以及第二空间权重特征矩阵，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。
[0097]
信息完整的高分辨性特征图确定模块：用于将高分辨性特征图与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。
[0098]
高分辨性特征提取模块：用于根据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。
[0099]
在其中一个实施例中，通道权重特征图确定模块还包括：第一激活函数为relu函数，第二激活函数为sigmoid函数；将第一通道权重系数和第二通道权重系数使用relu函数激活后叠加，得到一维通道权重矢量。
[0100]
将一维通道权重矢量sigmoid函数激活得到的输出值与最初输入的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。
[0101]
在其中一个实施例中，高分辨性特征图确定模块还包括，用于根据第一空间权重特征矩阵以及第二空间权重特征矩阵，得到通道数为2的特征图；根据通道数为2的特征图及通道权重特征图，得到多脉冲雷达信号在空间与通道上的高分辨性特征图。
[0102]
在其中一个实施例中，高分辨性特征提取模块还包括：将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。
[0103]
关于多脉冲雷达信号的分辨性特征融合提取装置的具体限定可以参见上文中对于多脉冲雷达信号的分辨性特征融合提取方法的限定，在此不再赘述。上述多脉冲雷达信号的分辨性特征融合提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0104]
在一个实施例中，构建了三种高分辨性特征融合提取网络(high-resolution feature fusion extraction network，hrf-net）结构，分别是hrf-net157，hrf-net187，hrf-net217。其中“conv”表示为一个包含了“卷积”、“批标准化”和“激活函数”的复合结构，c-[maxpool,avgpool]表示对图像空间维度进行压缩，得到具有通道权重系数的特征图，s-[maxpool,avgpool]表示对图像通道维度进行压缩，得到具有空间权重系数的特征图。网络结构如表1所示。
[0105]
表1.hrf-net参数
当使用不同的分类器对10种多脉冲雷达信号进行识别时，网络的参数量和计算量是不同的。设网络最后一层输出特征图大小为，当使用3层全连接层时，则分类器中参数量有个。当采用单层全连接层时，分类器中参数量有个。当使gap进行分类时，以全局平均池化代替了全连接层，由于池化层没有参数，因此可以进一步减少参数量，节省内存，其参数量为。不同网络的参数量如表2所示，不同网络的计算量如表3所示。
[0106]
表2：不同网络的参数量
表3：不同网络的计算量由表2可以看出，同类型的网络随着网络深度的增加参数量也在逐步增加，说明网络深度对参数量有一定的影响。vgg-nets采用三层全连接层作为分类器，hrf-nets的分类器采用的是gap加单层全连接，虽然vgg13网络深度只有13层，但是其参数量是hrf-net157的4.18倍，是hrf-net187的3.64倍，是hrf-net217的3.16倍，因此可以看出分类器是影响网络参数量的关键因素。sknet152，senet152，resnet152的参数量相对于hrf-net157较大，resnet152的参数量是hrf-net157的1.89倍，多大约28.37millions个参数量。resnet152与hrf-net157采用同等分类器，但是网络深度浅的resnet152参数量依然大于hrf-net157，这是因为resnet152中大部分为卷积层，在不考虑偏置的情况下，卷积层的参数量为，其中代表卷积核大小，为输入通道数，为输出通道数，而hrf-nets采用了大量的池化层，池化层没有参数，因此在深度越深的情况下，hrf-nets的参数量减少的更加明显。由表3可知，vgg网络的计算量十分庞大，13层的vgg网络浮点数运算量高达113.21亿，是157层hrf-net的1.56倍，hrf-net157相较于resnet152网络深度更深，但是resnet152的计算量是hrf-net157的1.59倍，多了43.09亿。这是由于resnet152采用了大量卷积层，在不考虑偏置的情况下，卷积层计算量为，其中表示输出特征图的长宽，hrf-nets包含大量的池化层，池化层的计算量为，因此hrf-net157相较于resnet152具有较小的计算量，随着网络深度的增加，差别越来越明显。网络结构和网络深度对计算量均有较大的影响，hrf-net217的计算量比hrf-net157多了30.32%，hrf-net187的计算量比hrf-net157多了15.21%。雷达系统要求高实时性，尤其是在弹载等小型设备内时，内存不足，硬件条件不支持过多的参数量和计算量，hrf-net157相对而言参数量和计算量较小，因此在信号识别率相差较小时，hrf-net157的性价比最高，是一种较优的选择。
[0107]
本实施例中实验数据集是通过gnu radio和usrp n210，usrp-lw n210模拟真实雷达信号发射接收过程产生的。由于我们在截获敌方信号时，截获的应为多脉冲信号，因此为了更加接近真实的雷达信号，本文生成的是多脉冲雷达信号，脉冲数为4。将产生的信号进
行cwd，得到tfi，tfi是一种数字图像，图像信息损失较小，便于计算机处理与分析。
[0108]
本实施例中的雷达信号数据集中，共计10类信号，每一类信号生成2880张tfi，在信噪比-14~4db内，每类信号每隔2db包含288个样本，共计28800个样本，图5给出了10种雷达信号经过cwd后的tfi，其中：图5（a）是barker信号经过cwd后的tfi；图5（b）是chaotic信号经过cwd后的tfi，图5（c）是 eqfm信号经过cwd后的tfi，图5（d）是frank信号经过cwd后的tfi, 图5（e）是 fsk信号经过cwd后的tfi， 图5（f）是lfm信号经过cwd后的tfi，图5（g）是lofm信号经过cwd后的tfi，图5（h）是ofdm信号经过cwd后的tfi，图5（i）是p1信号经过cwd后的tfi，图5（j）是p2信号经过cwd后的tfi。
[0109]
由图5可以看出，不同的雷达信号tfi均有大量重复相似的区域，而区别性特征的区域相对较小，因此本文设计分辨性特征融合提取模块，可以聚焦提取分辨性强的区域特征，达到提高信号识别率的目的。
[0110]
在实验中，我们对训练集和测试集的样本下采样到224*224的固定分辨率，然后进行数据扩充，对图像进行随机水平翻转，随机垂直翻转和随机旋转90
°
，数据集扩充了3倍，防止网络过拟合。为了保持实验的统一性，实验均在相同的平台和环境下进行，信号产生的平台如表4所示。
[0111]
表4信号产生平台参数实验平台的软件和硬件配置信息如表5所示。在实验过程中，batchsize是16，学习率是0.001，权值衰减是5e-4，冲量是0.9，实验一共进行60个周期。
[0112]
表5 . 试验平台参数为了使雷达信号的识别更具真实性，在信号中加入噪声，来模拟外界复杂环境干扰，使信噪比保持在-14~4db。再通过gnu radio和usrp n210，usrp-lw n210生成更加真实的多脉冲雷达信号。我们通过不同深度的hrf-net来识别不同信噪比下的多脉冲雷达信号。实验结果如图6所示。
[0113]
由图6可知，hrf-nets在信噪比-8db的情况下，信号识别率均有99%以上，信噪比在-14db时，噪声已经对信号产生了很大干扰，但识别率仍有97%以上，说明hrf-nets网络具有很好的鲁棒性。hrf-net157的识别率相较其他两个网络的识别率稍低，在1%以内，表明随着网络深度的继续加深，信号特征的提取能力已经趋近饱和，信号识别率没有明显提升。hrf-net217和hrf-net187的参数量分别比hrf-net157多了32.46%和14.93%，其计算量分别多了30.32%，15.21%。根据实验结果我们发现hrf-net217的识别率最高，相较于hrf-net157提升在1%以内，但是网络参数与计算量有大幅增长，通过综合分析认为hrf-net157的性价比最高，将hrf-net157同其它cnn网络进行比较，实验结果如表6所示。
[0114]
表6 其它cnn网络识别滤 (%)根据表6可知，其他cnn在信噪比-2db以上时，对雷达信号有很好的识别率，但是在低信噪比-14~-2db之间，hrf-nets的识别性能相对较高。由于现代战场的电磁环境越来越复杂，信号受到的干扰也越来越大，因此在低信噪比下对雷达信号进行识别具有更重要的意义，其识别难度也更大。在-14db情况下，vgg-nets的信号识别率与hrf-net157相比，低7%左右，由于其网络深度偏浅，不能够充分的提取图像的特征，导致信号识别率偏低，且vgg-net参数量和计算量过于庞大，对硬件设别要求过高，计算时间偏长，不适用高实时性的雷达电子对抗领域。
[0115]
hrf-net157的识别率相较于resnet152，senet152，sknet152有2%左右的提升，比resnet152高2.418%，其计算量和参数量也相对较少。虽然resnet152采用跳跃连接，一定程度上解决“网络退化”问题，保持了信息完整性。但是多脉冲雷达信号的tfi区别性特征区域较小，重复性区域较大，resnet152在提取图像特征时，对图像全局进行的是同等处理，对区别性特征区域并无针对性。本文提出的dffe模块，在一定程度上解决了这个问题，聚焦提取图像高分辨性的区域特征，提高信号识别率，增强泛化性。
[0116]
进一步将hrf-net157同其他雷达信号识别方法进行比较，结果如表7所示。
[0117]
根据表7可以看出，cldnn网络在-8db以上均有较好的识别率，达到90%以上，但在-14~-8db之间的识别率相对较差，hrf-net157在-14db下的综合识别率仍高达97.500%，说明在低信噪比下，hrf-net157依然可以充分提取图像特征，具有较强的抗干扰能力，鲁棒性较好。fcbf-adaboost采用传统的特征选择和分类器设计，在干扰较小的情况下具有良好的识别率，但是其方法多是针对某种类型图像进行识别，在多任务，低信噪比环境下，其识别率相对较差。cnn-kcrdp，alexnet，i-cnn在一定程度上都结合了深度学习对图像进行识别，可
自适应提取图像特征，在-6db以上的识别率与hrf-net157相差不大，但是在干扰更加严重的情况下，信号特征被噪声所淹没，普通的cnn很难提取到信号特征，而hrf-net157通过dffe模块可以更大程度上提取到更具分辨性的特征，在低信噪比依然可以达到较高的识别率。
[0118]
表7 hrf-net157同其他雷达信号识别方法识别率比较(%)在3种深度的hrf-net下，不同类型的雷达信号识别率如表8所示。
[0119]
表8 不同类型的雷达信号识别率(-14db) (%)通过表8可以看出，在低信噪比的环境下（-14db），hrf-net的3种深度的网络对同一类型的雷达信号识别效果差异不大，说明网络深度达到一定程度时，已经可以充分提取信号特征，网络深度的增加反而增加了大量的参数和计算量，识别效果并没有明显提升。同一网络下的不同类型的雷达信号识别效果差异较大，其中barker，chaotic，frank，ofdm，fsk，lfm，eqfm，lofm的识别率均在94%以上，p1和p2的识别效果相对较差，在90%左右，且波动较大。
[0120]
选择性价比最优的hrf-net157，在-14db下生成混淆矩阵进一步分析，如图7所示。由图7可以看出，p1被识别错误的类别全部为p2，p2的6个错误类别中，5个为p1，这是因为 p1与p2的tfi十分相似，在-14db的环境下，噪声的能量远大于信号，信号的特征已被噪声所覆盖，导致p1和p2更加相似，识别难度大大增加，但p1和p2的识别率依然达到90%左右，hrf-net157在-14db下的综合识别率达到了97.500%，其识别性能高于其他方法。
[0121]
本发明提出的hrf-nets针对区别性区域较小的图像，可聚焦提取高分辨性的图像特征，得到较好的识别效果。其他传统方法多是针对特定种类图像进行分类器的设计和特征选择，当图像变化较大时，其识别效果较差，人工设计的特征提取算法也较为复杂，泛化性能偏低，与其他的cnn相比，hrf-nets在-14db信噪比下，仍有97.500%的识别率，高于其他cnn，具有较好的鲁棒性。
[0122]
本实施例中提出了3种hrf-net结构，分别是hrf-net157，hrf-net187，hrf-net217，根据实验结果可知，在-6db以上，信号的识别率在99%以上，在-14db的情况下，信号的识别率也高达97.500%，随着网络深度的增加，三种网络的识别率差异仅在1%以内，但是参数量和计算量却有大幅增加，综合考虑，我们认为hrf-net157的性价比最高，在同其他cnn比较过程发现，hrf-net157在信噪比-14db到-6db之间识别率均高于其他cnn，在低信噪比情况下更加明显。在同其他方法进行比较时，发现hrf-net157在-14db的条件下，信号识别率均高于其他方法，具有较好的鲁棒性。在-14db的情况下，hrf-nets对不同类别的雷达信号也均具有较好的识别效果。
[0123]
根据雷达信号tfi，我们可以看出不同图像之间相似性区域较大，区别性区域较小，因此在对图像特征进行提取时，应考虑图像不同区域的重要程度，聚焦提取更具分辨性的区域特征，网络深度要保持适度，太浅不能充分提取图像特征，太深的网络识别率并没有显著变化，还可能出现网络退化问题，参数量和计算量还会大幅增加，采用跳跃连接，在一定程度上可以解决网络退化问题，保持图像信息完整性。分类器采用gap后加单层全连接，可减少网络的参数量和计算量。本文设计的dffe模块可对图像进行分辨性特征融合提取，首先采用maxpool和avgpool对空间维度进行压缩，得到具有通道权重特征图。接着采用maxpool和avgpool对通道维度进行压缩，得到高分辨性特征图。将高分辨性特征图与输入的特征图相加得到信息完整的高分辨性特征图，通过conv1，conv3，conv5，conv7对其特征进行多尺度融合提取，得到具有高分辨性的特征，提升信号识别率。
[0124]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0125]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。