一种基于多尺度视觉Transformer的雷达工作模式识别方法

本发明涉及一种雷达工作模式识别方法，属于数字信号处理。

背景技术：

1、雷达工作模式识别作为侦察系统中的一项关键技术，具体是指在获取截获信号的型号信息后，进一步根据其脉冲数据特征挖掘信号规律并识别其工作模式。雷达工作模式识别是后续实现威胁估计、行为意图推理、自适应雷达对抗等重要环节的基础，其水平高低决定着电子情报侦察、电子支援侦察、电子对抗、引导攻击等关键军事行动的有效性。随着有源相控阵等技术的快速发展，相控阵雷达得到了广泛的应用，可轻易实现灵活的波束指向、波形捷变及随机调制，并具备同时执行搜索、多目标跟踪、制导等多种工作模式，展现出极强的灵活性和自适应能力，给雷达情报侦察和对抗带来前所未有的技术挑战。如何挖掘雷达脉冲与工作模式之间的潜在映射关系，提高智能感知电磁环境能力，是战应对未来复杂战场环境挑战的关键科学技术问题之一。

2、biformer是一种基于双层路由注意力机制的通用视觉网络架构，与其他视觉transformer模型相比，biformer采用了一种动态稀疏的注意力机制，以实现更灵活的计算分配和内容感知，使其具备动态的查询感知稀疏性。biformer采用了分阶段处理的策略，将输入图像分割成小的块，并通过双层路由注意力机制以查询自适应的方式关注一小部分相关块，而不会分散其他不相关块的注意力，通过建立块之间动态稀疏的依赖关系，以捕捉必要的全局和局部的上下文信息，它已在图像分类、目标检测和语义分割等任务中展现出卓越的性能。本发明将biformer应用于雷达工作模式识别领域，并取得了较好的效果。

技术实现思路

1、本发明为解决传统雷达工作模式识别算法全局特征提取能力差，识别功能泛化性差的问题，进而提出一种基于多尺度视觉transformer的雷达工作模式识别方法。

2、本发明为解决上述问题采取的技术方案是：本发明的步骤包括：

3、步骤一、对雷达脉冲数据集中的样本进行预处理，得到采样时间长度统一的雷达脉冲信号；

4、步骤二、通过cwd时频变换将雷达脉冲信号转为时频图以构成图像数据集；

5、步骤三、将数据集输入基于biformer的深度学习网络架构进行训练与验证，保留在验证集上精度最高的网络模型参数作为最终训练结果，得到特征提取模块与分类模块；

6、步骤四、对测试雷达脉冲信号进行预处理，得到采样时间与数据集一致的雷达脉冲信号；

7、步骤五、将测试雷达脉冲信号经cwd变换模块转为时频图；

8、步骤六、将时频图输入特征提取模块，并输出至分类模块得到分类结果。

9、进一步的，步骤一中对雷达脉冲数据集中的样本进行预处理，得到样本长度统一的雷达脉冲信号，其过程如下：

10、设脉冲信号为x(n),n＝0,1,l,l-1，其中l为原始信号样本长度，根据数据集中脉冲信号的样本长度分布，选定统一长度目标m；

11、对于长度l＜m的信号，利用雷达脉冲信号的循环特性，对样本进行首尾重复拼接得到适合作为模型输入的新信号xc(n)：

12、

13、公式(1)中，n mod l表示n除以l的余数；

14、对于长度l＞m的信号，则对样本进行首尾重复到2m后，分割成两个长度为m的新信号xc1(n)和xc2(n)：

15、xc1(n)＝x(n),0≤n＜m

16、

17、进一步的，步骤二中将信号通过cwd变换转为时频图，其过程如下：

18、选择kaiser窗作为窗函数，其表达式为：

19、

20、公式(3)中，n是窗口的离散时间索引，n是窗口长度，i0是零阶修正的第一类贝塞尔函数，β是kaiser窗的形状参数；

21、将kaiser窗应用于雷达脉冲信号，窗口的长度可以根据需要选择，然后以一定的步长进行平移；

22、对于每个窗口，将信号与kaiser窗进行逐点相乘，即：

23、xw(n)＝x(n)·w(n)(4)，

24、公式(4)中，xw(n)是加权后的信号，x(n)是雷达脉冲信号；

25、对加权后的信号xw(n)进行离散傅里叶变换(dft)以获取频域信息；dft的公式为：

26、

27、公式(5)中，x(k)是频域上的dft系数，k是频率索引，n是窗口长度；

28、重复窗口平移和傅里叶变换的过程，得到每个窗口的频谱x(k)；将所有频谱按照时间和频率坐标进行排列，构成时频图；

29、将计算得到的时频图可视化，使用色彩编码来表示幅度大小，以二维图像x∈rh×w×c的形式呈现，从而反映信号在时频域上的变化。

30、进一步的，步骤三中通过将雷达脉冲时频图构成的数据集送入基于biformer的深度学习网络架构中进行训练以得到特征提取模块与分类模块，其过程如下：

31、首先将对输入图像进行patch embedding操作，将输入图像分割成一组小的图像块，再将其沿着通道方向进行堆叠和卷积，这些patch将用作biformer模块的输入，以进行后续的动态稀疏自注意力操作和多尺度特征提取；

32、在多尺度特征提取过程中，各个尺度特征提取部分中都有patch merging操作，是将在同一尺度内的特征图划分为多个patch，再对相邻的patch使用线性投影进行聚合，从而减少特征图的空间分辨率，以提取更高层次的语义特征，捕捉长距离依赖关系。

33、进一步的，步骤三中对于biformer模块中的双层路由注意力，其过程如下：

34、对于经图像化得到的雷达脉冲时频图x∈rh×w×c，首先将其划分为s×s个非重叠区域，使得每个区域包含个特征向量；这一步通过将x重塑为来完成；然后通过线性投影，来得到查询、键、值向量

35、q＝xrwq,k＝xrwk,v＝xrwv(6)，

36、公式(6)中wq,wk,wv∈rc×c分别是查询、键、值的投影权重；

37、然后，通过构造一个有向图来寻找关注关系，具体而言，首先通过对q和k分别进行每个区域的平均来派生区域级的查询和键，即然后，对qr和kr的转置进行的矩阵相乘，得到区域到区域匹配图的邻接矩阵

38、ar＝qr(kr)t  (7)，

39、公式(7)中，矩阵ar中的条目值ar为计算得到的两个区域在语义上的相关程度；接下来通过仅保留每个区域的top-k连接来修剪匹配图，对ar进行逐行top-k运算得到路由索引矩阵

40、ir＝topkindex(ar)  (8)，

41、至此，ir的第i行包含与第i区域内最相关的k个区域的索引；

42、有了区域到区域的路由索引矩阵ir，就可以应用更为精细的单元到单元的注意力机制；对于区域i中的每个查询单元，它将关注与索引的路由区域集合中的所有键-值对；因为这些路由区域散布在整个图上，所以需要首先将键和值张量进行集合，即：

43、kg＝gather(k,ir),vg＝gather(v,ir)  (9)，

44、公式(9)中，是集合的键和值张量；然后，在集合的键值对上使用注意力机制，如下：

45、o＝attention(q,kg,vg)+lce(v)  (10)，

46、公式(10)中，lce(v)为一种局部上下文增强函数，使用深度卷积进行参数化，这里将内核大小设置为5；

47、经过四个阶段的patch操作与biformer模块的多尺度特征提取，得到输出特征向量并送入分类模块；

48、在分类模块中，首先对输出特征进行归一化，即应用层归一化将在每个通道上对输入进行归一化，使得每个通道的均值为0，方差为1，并通过可学习的缩放和偏移参数进行调整，其公式如下：

49、

50、公式(11)中，k表示通道索引，表示归一化后的值，ò是一个小的正数；

51、然后将输出特征的维度进行转置，然后通过自适应平均池化将其空间维度降为1，得到形状为[batchsize,c,1]的张量；其中batchsize是批大小，c是特征维度；

52、然后将张量展平为形状为[batchsize,c]的特征向量，通过线性分类层将其映射到类别数量的维度，输出形状为[batchsize,classnum]，从而可以得到分类结果。

53、进一步的，步骤四中对经分选得到的测试雷达脉冲信号进行长度一致化预处理，得到与训练集样本长度一致的雷达脉冲信号。

54、进一步的，步骤五中将预处理后的雷达脉冲信号输入cwd变换模块得到时频图。

55、进一步的，步骤六中将时频图放入经步骤三训练后得到的多尺度特征提取模块，并输出至分类模块得到工作模式识别结果。

56、本发明的有益效果是：

57、1、本发明使用cwd时频变换将雷达脉冲信号转化为时频图，并对样本进行了长度一致化处理，有利于深度学习模型充分提取信号的时频演化规律；

58、2、该发明采用基于biformer的多尺度特征提取网络，引入了分层的双层路由注意力机制，可以更好地在捕捉雷达信号时频图的全局和局部特征，能够在有效降低算法的复杂度的同时取得更高的识别准确率。