技术特征：
1.一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述方法包括以下步骤：步骤1，构建训练样本集，所述训练样本集中任一训练样本包括三维阵元域频域数据x
sample
和对应的真实高分辨空间能量谱标签y
lable
；步骤2，基于训练样本构建多尺度深度卷积神经回归网络模型；步骤3，构建关于多尺度深度卷积神经回归网络模型的加权增强损失函数；步骤4，基于训练样本集和加权增强损失函数训练多尺度深度卷积神经回归网络模型；步骤5，将新的三维阵元域频域数据作为输入，通过训练后的多尺度深度卷积神经回归网络模型得到预测的高分辨空间能量谱。2.如权利要求1所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，任一所述训练样本的构建包括以下步骤：步骤1.1，设定被动宽带警戒检测模型输入参数的范围，所述输入参数包括目标参数，目标参数包括目标数量、目标信噪比及目标方位；步骤1.2，设定输入参数的参数值，并通过被动宽带警戒检测模型生成二维阵元域频域数据x
f
及对应的一维空间能量谱y；步骤1.3，对二维阵元域频域数据x
f
进行三维扩展拼接处理，得到三维阵元域频域数据x
sample
；步骤1.4，对一维空间能量谱y进行高分辨增强处理，得到真实高分辨空间能量谱标签y
lable
。3.如权利要求2所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤1.3包括以下步骤：步骤1.3.1，对二维阵元域频域数据x
f
求实部、虚部及求模，分别得到三个二维矩阵x
f，real
、x
f，imag
、x
f，mod
；步骤1.3.2，各二维矩阵分别扩展1维得到三维矩阵x
f，real_m
、x
f，imag_m
、x
f，mod_m
，并在扩展维度上进行拼接操作，得到三维阵元域频域数据x
sample
。4.如权利要求2所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤1.4包括以下步骤：步骤1.4.1，从一维空间能量谱y中按波束号依次取出滑动窗口长度的序列y
sub
；步骤1.4.2，基于序列y
sub
中最小的m个值计算中值并作为该波束的背景，得到背景序列y
back
；步骤1.4.3，生成与一维空间能量谱的长度length(y)相同的零值序列y
target
，按目标方位对应的波束号序列n
target
对零值序列赋值为对应的空间能量谱，记为y
target
(n
target
)＝y(n
target
)；步骤1.4.4，计算真实高分辨空间能量谱标签y
lable
为赋值后的零值序列与背景序列之和y
lable
＝y
target
+y
back
。5.如权利要求2所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述训练样本集包括第一训练样本集和第二训练样本集，第二训练样本集中的生成过程中，设定的目标数量不小于2，且至少有2个目标方位间隔不大于2个波束。6.如权利要求1所述的一种基于多尺度卷积神经回归网络的被动高分辨处理方法，其
特征在于，所述多尺度卷积神经回归网络模型的构建包括以下步骤：添加卷积层和layernorm层；添加若干基本模块1；添加layernorm层和卷积层；添加若干基本模块2；添加layernorm层和卷积层；添加若干基本模块3；添加layernorm层和卷积层；添加若干基本模块4；添加全局平均池化层和全连接层。7.如权利要求6所述的一种基于多卷积神经回归网络的被动高分辨处理方法，其特征在于，所述基本模块1、基本模块2、基本模块3及基本模块4均包括3个并行分支；分支1和分支2均包括依次连接的卷积层、卷积通道维归一化的layernorm层、卷积层、gelu激活函数、全连接层、系数加权层，其中系数加权层针对卷积特征在通道维点乘加权向量，该加权向量长度与卷积特征通道数量相同；分支3为直连层；三个分支输出的卷积特征进行相加，得到模块的输出。8.如权利要求5所述的一种基于多尺度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤3包括以下步骤：步骤3.1，对真实高分辨空间能量谱标签y
lable
进行逐渐零值统计并划分为非零子序列和零值子序列其中，l0和l1分别表示真实高分辨空间能量谱中无目标和有目标的结果，length(y
lable
)表示真实高分辨空间能量谱标签的序列长度，i0、i1均为高分辨空间能量谱的索引；步骤3.2，按照真实非零子序列和真实零值子序列划分情况对预测高分辨增强空间能量谱r
model
进行同位置划分步骤3.3，构建加权增强损失值其中，n
b
为训练时的batch大小，α0和α1为加权系数。9.如权利要求8所述的一种基于多卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤4包括以下步骤：步骤4.1，通过第一训练样本集对多尺度深度卷积神经回归网络模型进行训练，其中，加权增强损失函数中α0和α1均为1.0；步骤4.2，通过第二训练样本集对多尺度深度卷积神经回归网络模型进行二次训练，其中，加权增强损失函数中α0＝1.0和α1＝2.0。
技术总结
本发明公开了一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，包括：步骤1，构建训练样本集，所述训练样本集中任一训练样本包括三维阵元域频域数据x
技术研发人员：陈越超 杜栓平 王庆 陈孝森 罗兆瑞 王青翠
受保护的技术使用者：中国船舶重工集团公司第七一五研究所
技术研发日：2022.11.23
技术公布日：2023/3/7