一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法与流程

本发明涉及雷达信号处理，更具体的说是涉及一种基于cnn-cbam收缩二分类网络的雷达信号处理方法。

背景技术：

1、雷达信号处理是一项关键技术，广泛用于军事、航空航天、气象和地质勘探等领域。在雷达信号处理领域，深度学习已经得到广泛应用，用于改进雷达信号的目标检测、跟踪、特征提取和分类等任务。随着技术的不断进步，现代雷达信号处理领域也引入了更多先进的技术，用于实现活体检测、生物特征识别等新兴应用。

2、目前，传统的活体检测领域的雷达信号分类算法如支持向量机（svm）和最近邻算法（k-nn），在该领域中svm通过使用核函数可以有效地处理复杂的非线性关系，这对于某些类型的活体雷达信号数据可能非常重要，然而svm对特征的质量和选择相当敏感，需要精心设计和选择合适的特征；k-nn是一种非参数化的方法，它不对数据的分布做出任何假设，因此也适用于各种不同类型的活体雷达信号，然而其性能高度依赖于距离度量的选择，选择不合适的距离度量可能导致性能下降。

3、因此，如何提供一种cnn-cbam收缩二分类网络来对活体生物雷达信号进行处理的方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于cnn-cbam收缩二分类网络的雷达信号处理方法，解决了复杂背景条件下活体雷达信号处理泛化能力弱、效率低等问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于cnn-cbam收缩二分类网络的雷达信号处理方法，包括以下步骤：

4、s1，获取活体雷达信号数据，并为所述活体雷达信号数据分配对应的标签；

5、s2，将所述活体雷达信号数据与所述标签组合形成数据集，并将所述数据集划分为训练集样本、测试集样本和验证集样本；

6、s3，构建cnn-cbam收缩二分类网络模型；

7、s4，将所述训练集样本输入所述cnn-cbam收缩二分类网络模型中进行训练，得到初始模型，并利用所述验证集样本对所述初始模型进行超参数调优，获得最佳模型；

8、s5，将所述测试集样本输入所述最佳模型中，获得活体分类结果。

9、进一步的，所述步骤s3中构建的cnn-cbam收缩二分类网络模型包括自定义数据集模块、注意力机制模块、深度残差收缩网络、批归一池化模块和二分类模型。

10、进一步的，所述注意力机制模块由卷积神经网络结合通道注意力机制和空间注意力机制构成，包括2个全局最大池化层、2个全局平均池化层、1个1d卷积层、1个sigmoid 激活函数层、通道注意力机制模块和空间注意力机制模块。

11、进一步的，参见附图3所示，所述深度残差收缩网络由shrink-attention残差块结合频谱注意力机制和收缩机制构成，包括幅相分离模块、频谱注意力机制模块和收缩机制模块。

12、进一步的，所述幅相分离模块包括幅值提取模块和相位提取模块；

13、所述幅值提取模块包括2个卷积层、4个实例归一化层和2个relu激活函数；

14、所述相位提取模块与所述幅值提取模块结构组成相同。

15、进一步的，所述批归一池化模块包括卷积块、池化层和实例归一化层；

16、所述卷积块包括2个卷积层、1个实例归一化层、1个实例归一化和1个relu激活函数。

17、进一步的，所述二分类模型包括第一卷积块、第二卷积块、cbam模块和第三卷积块。

18、进一步的，所述第一卷积块包括两个卷积层、一个实例归一化层、一个惰性卷积层以及一个silu激活函数；

19、所述第二卷积块包括两个惰性卷积层、一个relu激活函数层以及一个实例归一化层；

20、所述cbam模块包括两个basicblock残差块和一个cbam层；

21、所述第三卷积块包括两个惰性卷积层、两个惰性实例归一化层、一个最大池化层、一个惰性的1d卷积层以及一个silu激活函数层。

22、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于cnn-cbam收缩二分类网络的雷达信号处理方法，在自定义的数据集中，通过使用cbamlayer实现了通道注意力与空间注意力的组合，增强了特征选择，同时使用resblock-s-a(shrink-attention残差块)来构建深度残差收缩网络，既提高了网络的泛化能力，也保证了雷达信号数据处理的效率和准确度。

技术特征：

1.一种基于cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述步骤s3中构建的cnn-cbam收缩二分类网络模型包括自定义数据集模块、注意力机制模块、深度残差收缩网络、批归一池化模块和二分类模型。

3.根据权利要求2所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述注意力机制模块由卷积神经网络结合通道注意力机制和空间注意力机制构成，包括2个全局最大池化层、2个全局平均池化层、1个卷积层和2个sigmoid 激活函数。

4.根据权利要求2所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述深度残差收缩网络由shrink-attention残差块结合频谱注意力机制和收缩机制构成，包括幅相分离模块、频谱注意力机制模块和收缩机制模块。

5.根据权利要求4所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述幅相分离模块包括幅值提取模块和相位提取模块；

6.根据权利要求2所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述批归一池化模块包括卷积块、池化层和实例归一化层；

7.根据权利要求2所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述二分类模型包括第一卷积块、第二卷积块、cbam模块和第三卷积块。

8.根据权利要求7所述的一种cnn-cbam收缩二分类网络的雷达信号处理方法，其特征在于，所述第一卷积块包括两个卷积层、一个实例归一化层、一个惰性卷积层以及一个silu激活函数；

技术总结
本发明公开了一种基于CNN‑CBAM收缩二分类网络的雷达信号处理方法，包括以下步骤：S1，获取活体雷达信号数据，并为活体雷达信号数据分配对应的标签；S2，将活体雷达信号数据与标签组合形成数据集，并将数据集划分为训练集样本和测试集样本；S3，构建CNN‑CBAM收缩二分类网络模型；S4，将训练集样本输入CNN‑CBAM收缩二分类网络模型中进行训练，得到初始模型，并利用验证集样本对初始模型进行超参数调优，得到最佳模型；S5，将测试集样本输入最佳模型中，获得活体分类结果。本发明通过在自定义的数据集中使用CBAMLayer类，增强了特征选择，同时使用Shrink‑Attention残差块构建深度残差收缩网络，既提高了网络的泛化能力，也保证了雷达信号数据处理的效率和准确度。

技术研发人员：梁培,张玉禄,贺云,杨远冀,李燕,吴文忠,陈蓉蓉
受保护的技术使用者：厦门中为科学仪器有限公司
技术研发日：
技术公布日：2024/2/21