一种基于双分支融合与Transformer模型的角反射体干扰识别方法、系统及可读存储介质

本发明涉及雷达目标识别，具体涉及一种基于双分支融合与transformer模型的角反射体干扰识别方法、系统及可读存储介质。

背景技术：

1、在现代海战电磁环境中，角反射体作为一种典型的无源干扰手段，凭借成本低廉、反射信号强、识别难度大等优势，已成为对抗反舰导弹雷达导引头的重要装备。随着宽带雷达技术的发展，角反射体阵列被广泛采用，通过多个角反射体的组合形成等效扩展目标，在雷达回波中产生与真实舰船高度相似的散射特征，严重干扰雷达目标识别。然而，在高海情条件下，海杂波增强导致目标回波信杂比显著降低，舰船与角反射体干扰之间的散射特征差异更容易被杂波掩盖，传统固定分段方法难以自适应突出关键判别片段，识别稳健性大幅下降。

技术实现思路

1、本发明目的在于提供一种基于双分支融合与transformer模型的角反射体干扰识别方法、系统及可读存储介质，通过设置选择性分段与动态重组，通过片段重要性评估网络自适应筛选关键散射片段，并依据排序优先级对关键片段进行动态重组，突破传统固定分段的局限性，使模型能够聚焦于目标的有效散射信息，抑制海杂波干扰。通过构建了基于交叉注意力的双分支融合机制，以优化重组片段序列为查询信息、以传统分段序列为上下文信息，通过注意力计算实现关键判别片段与原始结构片段的自适应对齐与融合，兼顾hrrp整体结构信息和关键局部散射信息。

2、第一方面，本发明提供一种基于双分支融合与transformer模型的角反射体干扰识别方法，包括以下步骤：

3、获取待识别目标的高分辨距离像时序数据，并对所述时序数据进行归一化预处理；

4、构建传统分段分支，对预处理后的时序数据进行固定步长滑动分段处理，得到传统分段序列；

5、构建优化重组分支，对预处理后的时序数据进行选择性分段与动态重组，得到优化重组片段序列；所述选择性分段为遍历时序数据的全部候选片段，自适应筛选关键片段；所述动态重组为基于关键片段特征重要度，对筛选后的关键片段的顺序进行自适应学习与重组；

6、采用交叉注意力融合机制，将所述优化重组片段序列作为查询信息，传统分段序列作为键和值，通过注意力计算实现关键片段与传统分段序列间的自适应对齐与信息融合；

7、通过堆叠的transformer编码器对融合后的片段特征进行全局时序建模与深度特征提取；对提取的深度特征进行平均池化、多层全连接网络处理后，通过softmax函数输出最终类别概率分布；

8、采用包含交叉熵损失、监督对比损失与一致性损失的联合损失函数，对整体模型进行训练优化，基于训练完成的模型实现目标干扰识别。

9、作为一种可能的实现方式，所述高分辨距离像时序数据为雷达对海面目标照射后形成的hrrp数据，所述待识别目标包括单个角反射体、角反射体阵列、舰船以及舰船与角反射体阵列重叠场景；所述归一化预处理为最大值归一化，用于消除回波幅度敏感性。

10、作为一种可能的实现方式，所述固定步长滑动分段处理包括：对时序数据进行末尾填充，采用固定片段长度、固定滑动步长截取时序片段。

11、作为一种可能的实现方式，所述选择性分段，具体包括：

12、采用步长为1的滑动扫描方式遍历整个填充后的时序数据，枚举全部候选片段集合；

13、通过多层感知机的评分器对每个候选片段进行自适应打分，从全部候选片段中自适应筛选关键片段，允许同一片段重复采样；通过梯度附着策略，实现硬选择条件下的可微训练。

14、作为一种可能的实现方式，所述梯度附着策略包括：根据索引取出每次采样中的最大分数及其对应片段，对分数取倒数且与计算图分离，通过张量广播将梯度附着至选中片段。

15、作为一种可能的实现方式，所述动态重组为基于关键片段特征重要度，对筛选后的关键片段进行自适应重排序，具体包括：

16、通过多层感知机的评分器对每个已选片段生成一个分数，基于评分结果对已选片段执行一次可学习的自适应排序；

17、采用梯度附着策略，在不改变排序结果的前提下，为重组后的片段序列建立可导的梯度传递路径。

18、作为一种可能的实现方式，所述堆叠的transformer编码器由多头注意力模块与前馈网络模块堆叠构成，每个模块后设置相加与层归一化操作，实现特征的深度时序建模。

19、作为一种可能的实现方式，所述联合损失函数为：

20、

21、其中，为交叉熵损失，为监督对比损失，为一致性损失，

a和

b分别为监督对比损失和一致性损失的权重系数；所述联合损失函数用于约束目标在不同噪声扰动下的特征一致性。

22、第二方面，本发明提供一种基于双分支融合与transformer模型的角反射体干扰识别系统，包括：

23、数据预处理模块，用于获取待识别目标的高分辨距离像时序数据，并对所述时序数据进行归一化预处理；

24、传统分段分支模块，用于对预处理后的时序数据进行固定步长滑动分段处理，得到传统分段序列；

25、优化重组分支模块，用于对预处理后的时序数据进行选择性分段与动态重组，得到优化重组片段序列；所述选择性分段为遍历时序数据的全部候选片段，自适应筛选关键片段；所述动态重组为基于关键片段特征重要度，对筛选后的关键片段的顺序进行自适应学习与重组；

26、交叉注意力融合模块，用于将所述优化重组片段序列作为查询信息，传统分段序列作为键和值，通过注意力计算实现关键片段与传统分段序列间的自适应对齐与信息融合；

27、深度特征提取模块，用于通过堆叠的transformer编码器对融合后的片段特征进行全局时序建模与深度特征提取；对提取的深度特征进行平均池化、多层全连接网络处理后，通过softmax函数输出最终类别概率分布；

28、模型训练模块，用于采用包含交叉熵损失、监督对比损失与一致性损失的联合损失函数，对整体模型进行训练优化，基于训练完成的模型实现目标干扰识别。

29、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的基于双分支融合与transformer模型的角反射体干扰识别方法。

30、本发明的有益效果在于：

31、1. 本发明通过设置选择性分段与动态重组，通过片段重要性评估网络自适应筛选关键散射片段，并依据排序优先级对关键片段进行动态重组，突破传统固定分段的局限性，使模型能够聚焦于目标的有效散射信息，抑制海杂波干扰。

32、2.本发明通过构建了基于交叉注意力的双分支融合机制，以优化重组片段序列为查询信息、以传统分段序列为上下文信息，通过注意力计算实现关键判别片段与原始结构片段的自适应对齐与融合，兼顾hrrp整体结构信息和关键局部散射信息。

33、3.本发明通过引入联合损失函数，在交叉熵损失基础上叠加监督对比损失和一致性损失，增强特征空间的类别可分性并约束模型对不同海杂波扰动下的特征稳定性，提升模型在高海情条件下的识别稳健性。