基于一致性VAE与Transformer的非合作目标识别及微动参数提取方法

本发明涉及基于一致性vae与transformer的非合作目标识别及微动参数提取方法，属于雷达信号处理。

背景技术：

1、非合作目标（如弹道导弹诱饵、空间碎片等）的识别与微动参数提取是雷达信号处理领域的关键难题。微多普勒效应携带了目标的精细结构及运动姿态信息，通常通过时频分析将雷达回波转换为时频图进行处理。随着人工智能技术的发展，基于深度学习的方法已逐渐取代传统手工特征提取方法，成为该领域的主流研究方向。

2、目前关于信号去噪与特征降维的现有技术，为了应对雷达回波中的噪声干扰，研究者广泛采用了数字滤波、小波变换等传统去噪算法，以及基于卷积神经网络（cnn）和变分自编码器（vae）的深度去噪方法。然而，上述现有技术存在明显缺陷： 首先，大多数深度去噪模型属于“盲去噪”或无监督学习范畴，未能充分利用仿真数据中丰富的“噪声等级标签”信息。在实际应用中，不同信噪比下的信号需要不同的去噪策略，现有模型无法根据噪声等级条件自适应地调整去噪强度，导致在强噪声下特征丢失严重，或在弱噪声下去噪不彻底。其次，标准 vae 及其简单变体缺乏对潜在空间一致性的约束。在噪声干扰下，同一目标在不同噪声等级下的潜在编码分布差异较大，导致重构后的特征稳定性差，难以满足高精度参数提取的需求。

3、关于目标识别与参数提取的网络架构现有技术，在特征提取与任务执行阶段，现有技术主要采用卷积神经网络、循环神经网络（rnn/lstm）或基础的 transformer 架构。近年来，也有研究尝试将 transformer 引入雷达信号处理，利用其自注意力机制捕捉全局特征。 在多任务处理方面，现有的主流方案通常采用并行多任务学习框架（parallel multi-task learning），即共享底层特征提取器，后端并联一个分类头和一个回归头，同时输出目标类型和微动参数。 然而，上述现有技术在处理非合作目标微动参数提取时仍存在以下不足： 第一，虽然 transformer 具备强大的时序建模能力，但现有应用多为直接的端到端映射，未结合雷达微动特性的物理机理进行架构优化。特别是对于进动角度等难以直接从时频图中观测的参数，单纯依靠数据驱动的黑盒映射，在低信噪比下泛化能力较差。 第二，现有的并行多任务框架割裂了“目标类型”与“微动参数”之间固有的物理逻辑联系。在物理现实中，目标的类型决定了其可能的微动模式及参数范围。现有技术让分类任务和回归任务“各自为战”，未能利用相对容易准确获取的“目标类型”信息，去指导和约束难以提取的“微动参数”的解空间。这种缺乏先验知识引导的机制，导致模型在复杂环境下参数估计精度受限，且容易出现不符合物理常识的错误预测。

技术实现思路

1、本发明为解决现有基于cnn的特权信息指导网络在强噪声下特征易失真、缺乏全局时序建模能力以及多任务指导机制僵化的问题，进而提出基于一致性vae与transformer的非合作目标识别及微动参数提取方法。

2、本发明为解决上述问题采取的技术方案是：本发明包括以下步骤：

3、步骤1：根据雷达回波信号获取时频图；

4、步骤2：对一致性变分自编码器和transformer编码器进行分阶段训练；

5、步骤3：将时频图输入至一致性变分自编码器，通过编码器将时频图映射至潜在空间，并利用一致性损失约束同一目标在不同噪声等级下的潜在特征向量趋于一致，获取去噪后的低维潜在特征向量；

6、步骤4：将去噪后的低维潜在特征向量沿时间轴切分为特征切片序列，并为各特征切片注入位置编码，获取具备时序信息的token序列；

7、步骤5：将token序列与可学习的目标类型专属token及微动参数专属token拼接，构建联合输入序列；

8、步骤6：将联合输入序列输入至transformer编码器，通过自注意力机制使微动参数专属token与目标类型专属token及特征切片进行信息交互，获取融合类别先验信息的参数特征表示；

9、步骤7：根据目标类型专属token对应的输出，获取目标类型识别结果；

10、步骤8：根据参数特征表示，获取微动参数回归结果。

11、进一步的，步骤1包括：

12、对雷达回波信号进行时频变换，将时域信号转换为时频域表示，获取时频图。

13、进一步的，步骤3具体包括：

14、将纯净信号样本及含噪信号样本输入至共享权重的统一编码器，分别获取第一潜在特征向量及第二潜在特征向量；

15、根据第一潜在特征向量与第二潜在特征向量之间的均方误差，获取一致性损失；

16、将第一潜在特征向量及第二潜在特征向量分别输入至共享权重的统一解码器，获取第一重构信号及第二重构信号；

17、根据第一重构信号及第二重构信号与纯净信号样本之间的差异，获取重构损失；

18、根据一致性损失及重构损失，获取总损失并根据总损失更新统一编码器及统一解码器的权重参数；

19、将训练后的统一编码器作为一致性变分自编码器的编码器，将待测时频图输入编码器，获取去噪后的低维潜在特征向量。

20、进一步的，获取第一潜在特征向量及第二潜在特征向量，包括：

21、将含噪信号样本及纯净信号样本分别映射至内部向量空间，并依次进行进行特征重组及非线性变换；

22、将非线性变换后的特征分别映射为均值向量及方差向量，并通过重参数化采样获取第一潜在特征向量及第二潜在特征向量。

23、进一步的，步骤4具体包括：

24、将低维潜在特征向量由图像域表示转换为沿时间轴排列的连续多帧特征切片；

25、为各特征切片添加位置编码信息以保留雷达信号的时序物理演进规律，获取具备时序信息的token序列。

26、进一步的，步骤5具体包括：

27、将目标类型专属token及微动参数专属token置于token序列的首部，使目标类型专属token及微动参数专属token在后续注意力计算中优先与特征切片建立关联，获取联合输入序列。

28、进一步的，步骤6具体包括：

29、将联合输入序列输入至多层transformer编码器，通过多头自注意力机制计算微动参数专属token与目标类型专属token之间的注意力权重，使目标类型专属token携带的类别语义信息传递至微动参数专属token；

30、根据注意力权重，获取融合类别先验信息的参数特征表示。

31、进一步的，步骤7具体包括：

32、提取transformer编码器输出序列中目标类型专属token对应位置的向量；

33、将目标类型专属token对应位置的向量输入至分类任务头，通过全连接层及softmax激活函数，获取目标类型识别结果。

34、进一步的，根据参数特征表示，获取微动参数回归结果，包括：

35、提取transformer编码器输出序列中微动参数专属token对应位置的向量作为参数特征表示；

36、将参数特征表示输入至参数回归头，通过全连接回归层，获取进动频率及进动角度的微动参数回归结果。

37、进一步的，步骤2中分阶段训练具体包括：

38、在第一阶段，冻结transformer编码器的参数，设置初始学习率并使用优化器更新一致性变分自编码器中编码器与解码器的权重，直至收敛，根据重构损失、kl散度损失及一致性损失构建vae总损失；

39、在第二阶段，冻结一致性变分自编码器的权重，将含噪时频图输入编码器获取降噪潜在特征，根据分类损失及回归损失构建任务总损失，利用adam优化器更新transformer编码器、分类任务头、参数回归头及目标类型专属token和微动参数专属token的嵌入权重，并在反向传播至编码器输出端时执行梯度截断；

40、vae总损失的表达式为：

41、（1）；

42、任务总损失的表达式为：

43、（2）。

44、本发明的有益效果是：

45、1.本发明显著提升了低信噪比环境下的特征鲁棒性与去噪效果 针对空间非合作目标回波微弱、噪声干扰强的问题，本发明通过一致性vae模块，利用仿真数据中丰富的噪声等级标签和配对样本，强制潜在特征向量在噪声扰动下保持一致性。相较于传统小波去噪和普通 vae 方法，本发明在极低信噪比的极端环境下，仍能有效滤除背景噪声并完整保留微多普勒特征的精细结构（如进动产生的周期性调制条纹），显著降低了特征重构误差，为后续高精度参数提取奠定了坚实的特征基础。

46、2.本发明突破了微动参数提取的精度瓶颈，特别是难提取参数 针对现有方法中分类与回归任务割裂、缺乏物理引导的问题，本发明提出了层级指导机制。本发明通过将目标类型识别结果转化为上下文向量指导参数回归，模型能够自动利用“目标类型 - 微动参数”的物理关联（例如，识别为“锥柱体”后，自动约束进动角度的解空间）。这使得进动角度等对噪声敏感、难以直接观测的参数提取精度得到实质性提升，均方根误差（rmse）较传统并行多任务网络大幅降低，且有效避免了产生违背物理常识的参数预测值。

47、3.本发明实现了计算效率与长距离时序建模能力的平衡 针对传统 cnn 难以捕捉长时依赖且计算量大的问题，本发明采用 vae 降维 + transformer 架构。首先通过vae 将高维时频图压缩为低维张量，大幅减少了输入 transformer 的数据量，从而有效降低了模型的整体计算复杂度；其次，利用 transformer 的自注意力机制，能够出色地捕捉微动信号在长时间跨度上的演化规律和全局相关性。该方法既保障了系统实时处理的可行性，又提升了对复杂微动模式（如复合自旋进动）的识别泛化能力，使得模型面对不同尺寸输入数据时具有更强的兼容性。

48、4.本发明解决了非合作目标先验未知导致的适应性差问题 针对非合作目标缺乏先验模板的难题，本发明构建了数据驱动的端到端学习框架。无需预先构建精确的目标电磁散射模板，模型即可从数据中自动学习各类目标的微动特征分布。结合一致性去噪和层级指导策略，模型在面对未知的复杂噪声环境或存在轻微形变的目标结构时，依然表现出优异的泛化性能，切实提高了空间态势感知系统对未知非合作目标的综合识别率与参数估计的可靠性。