视频帧-时序跨模态注意力机制的雷达信号分选方法及装置

本发明属于电子侦察，更进一步涉及一种雷达信号分选方法及装置，可用于复杂电磁环境下多部雷达辐射源脉冲参数高度重叠、脉冲序列密集交错以及存在漏脉冲、虚假脉冲和未知辐射源条件下的雷达脉冲去交错。

背景技术：

1、雷达信号分选是电子侦察系统中的重要处理环节，其任务是根据侦察接收机截获的脉冲描述字pdw参数，从多部雷达形成的交错脉冲流中分离出各辐射源对应的脉冲序列。随着雷达信号体制日趋复杂，截获脉冲流中不同辐射源的参数容易发生重叠，并可能受到测量误差、脉冲漏失、虚假脉冲和噪声干扰的影响，使脉冲参数分布和时间间隔规律发生扰动，增加了雷达信号分选的难度。现有雷达信号分选方法主要包括多维参数聚类、脉冲重复间隔分析以及基于深度学习的分选方法。传统方法依赖参数门限、统计规律和序列搜索，在辐射源参数高度重叠或脉冲序列不完整时容易出现错分和漏分；深度学习方法虽然能够自动提取脉冲特征，但多数侧重于参数图像或时间序列等单一特征形式，对多维参数空间变化与脉冲到达时间差所反映的时序规律缺乏协同建模。当截获数据中存在未知辐射源时，现有闭集分类方法还可能将其错误划入已知类别，因而在复杂开放电磁环境下的分选鲁棒性和可靠性仍有待提高。

2、公开号为cn113030958a的专利文献公开了一种基于深度迁移学习的雷达信号分选方法，其实现过程为：第一步，获取不同侦察区域截获的雷达脉冲序列，并提取载频、脉宽、到达时间和脉冲重复间隔等参数；第二步，根据载频和脉宽构建二维脉冲点图，并通过网格统计生成固定尺寸的灰度图像；第三步，将所述灰度图像输入以resnet50为特征提取网络的faster r-cnn模型，检测不同雷达辐射源对应的图像区域；第四步，将其他侦察区域训练得到的模型参数迁移至当前侦察区域，根据目标检测结果完成雷达信号分选。但是，该方法主要依据载频和脉宽形成的静态参数图像进行分选，对脉冲到达顺序、参数动态变化以及脉冲幅度、到达角和到达时间差等信息利用不足，因而在辐射源参数重叠、脉冲漏失或虚假脉冲干扰条件下，分选准确性和鲁棒性受到限制

3、公开号为cn110109060a的专利文献公开了一种基于深度学习网络的雷达辐射源信号分选方法及系统，其实现过程为：第一步，将接收信号与样本库中的参数范围进行匹配，滤除不相关信号；第二步，对筛选后的雷达信号进行崔—威廉斯时频分析，并通过二值化、区域裁剪和尺寸调整生成二维时频图像；第三步，将所述时频图像输入由去噪自编码器、稀疏自编码器和普通自编码器组成的堆栈混合自编码器，提取深层特征；第四步，利用半监督线性判别方法对所提取特征进行降维；第五步，根据降维后的特征完成雷达辐射源信号分选。但是，该方法主要基于单个雷达信号的时频图像进行特征提取，未充分利用交错脉冲流中的多维脉冲描述字参数及到达时间差所反映的时序规律，并依赖样本库参数范围进行前端筛选，因而在辐射源参数重叠、脉冲密集交错以及存在测量误差、漏脉冲和虚假脉冲时，分选性能容易受到影响。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于视频帧-时序跨模态注意力机制的雷达信号分选方法及装置，以充分利用交错脉冲流中多维脉冲参数的空间演变特征和脉冲重复间隔时序变化特征，提高在参数高度重叠、脉冲密集交错、漏脉冲、虚假脉冲、测量误差及未知辐射源混入情况下的雷达信号分选性能。

2、实现本发明目的的技术思路是：通过将载频和脉宽映射为二维特征帧中的空间坐标，将脉冲幅度和到达角映射为对应位置的通道强度，并按照脉冲到达时间顺序构建连续视频帧序列，提取多维脉冲参数随时间变化形成的空间分布轨迹，降低静态参数图像对脉冲先后关系和动态变化规律表征不足的影响；通过对脉冲到达时间进行一阶差分、对数变换和二阶差分非线性映射，构建脉冲重复间隔时序特征流，并利用独立的双向序列编码网络提取脉冲序列的前向上下文信息和后向上下文信息，增强对pri调制规律及脉冲序列演变关系的建模能力；通过双向跨模态注意力机制实现视频帧空间特征和时序特征的相互引导与互补增强，并利用自适应门控机制动态调节两类特征的融合权重，弥补直接拼接或固定加权方式对不同模态可靠性和贡献比调节能力不足的缺陷，从而提高复杂开放电磁环境下雷达脉冲逐脉冲分选的准确性、鲁棒性以及对未知辐射源和噪声脉冲的拒识能力。

3、根据上述思路，本发明的技术方案包括：

4、1.一种基于视频帧-时序跨模态注意力机制的雷达信号分选方法，其特征在于，包括：

5、（1）对仿真生成雷达脉冲描述字pdw序列数据的载频、脉宽、脉冲幅度和到达角进行预处理处理，得到视频帧空间序列；

6、（2）根据脉冲到达时间计算一阶与 二阶到达时间差，对该到达时间差进行归一化及非线性变换，得到pri时序特征序列；

7、（3）构建包括视频帧空间特征提取分支和pri时序特征提取分支的双流特征提取网络，分别对视频帧空间序列进行逐帧特征提取和序列编码，并对pri时序特征序列进行特征升维和时序关联建模，得到视频帧空间上下文特征和pri时序上下文特征；

8、（4）对视频帧空间上下文特征和pri时序上下文特征进行双向跨模态注意力计算，得到空间增强特征和时序增强特征，再对其进行跨模态特征融合，得到跨模态融合特征；

9、（5）基于视频帧空间上下文特征、pri时序上下文特征和融合增强特征分别设置辅助分类器和主分类器，并计算其辅助分类概率和主分类概率，再将该分类器与上述双流特征提取网络、跨模态特征融合共同组成雷达信号分选模型；

10、（6）根据所述辅助分类概率和主分类概率分别计算辅助分类损失和主分类损失，构建联合损失函数，并输入仿真数据集对雷达信号分选模型进行训练；

11、（7）将待分选pdw序列输入训练完成的雷达信号分选模型，确定各脉冲的预测类别。

12、进一步，所述（1）中对仿真生成雷达脉冲描述字pdw序列数据的载频、脉宽、脉冲幅度和到达角进行预处理处理，其实现包括：

13、（1a）对输入的雷达脉冲描述字pdw数据中的载频、脉宽、脉冲幅度和到达角参数分别进行归一化处理，得到归一化后的载频、脉宽、脉冲幅度和到达角：

14、（1b）分别将归一化的载频、脉宽映射至二维特征帧的横坐标和纵坐标，得到第个脉冲在二维参数空间中的离散像素横坐标和离散像素纵坐标；

15、（1c）将归一化后的脉冲幅度和到达角分别赋值至对应像素位置的不同通道，得到第个脉冲对应的二维稀疏特征帧：

16、（1d）将二维稀疏特征帧输入二维高斯核进行平滑，得到平滑后的二维稀疏特征帧

17、（1e）将二维稀疏特征帧按照脉冲到达时间顺序排列，得到视频帧空间序列：

18、进一步，所述（3）中构建包括视频帧空间特征提取分支和pri时序特征提取分支的双流特征提取网络，其实现包括：

19、（3a）将按照脉冲到达时间顺序排列的二维特征帧进行逐帧空间特征提取，得到各二维特征帧的空间表征，再将帧级空间表征进行空间序列编码进行上下文关联建模，构成包含逐帧空间特征提取和空间序列编码的视频帧空间特征提取分支；

20、（3b）将低维pri时序特征采用时序特征升维映射至高维特征空间，得到高维pri嵌入特征；再将所述高维pri嵌入特征进行时序关联建模，构成包含时序特征升维和时序关联建模的pri时序特征提取分支；

21、（3c）将视频帧空间特征提取分支和pri时序特征提取分支进行并行设置，按照脉冲到达顺序对两分支特征进行位置对齐，并映射至统一特征维度，构成用于输入跨模态注意力计算的视频帧空间上下文特征序列和pri时序上下文特征序列提取的双流特征提取网络。

22、进一步，所述（3）中分别对视频帧空间序列进行逐帧特征提取和序列编码，并对pri时序特征序列进行特征升维和时序关联建模，其实现包括：

23、（3d）将所述视频帧空间序列按照脉冲到达时间顺序排列，采用参数共享的深度可分离卷积对各二维特征帧进行进行逐帧特征提取，得到第个脉冲对应的帧级空间特征：

24、（3e）将各帧级空间特征按照脉冲到达时间顺序排列，得到帧级空间特征序列，并将所述帧级空间特征序列输入视频帧空间特征提取分支进行序列编码，得到视频帧空间上下文特征序列：

25、（3f）将pri时序特征序列中的第个pri时序特征向量依次输入全连接层和非线性激活函数进行特征升维，得到第个脉冲对应的时序嵌入特征：

26、（3g）将所述高维时序嵌入特征按照脉冲到达时间顺序排列，并输入pri时序特征提取分支进行时序关联建模，得到第i个脉冲对应的pri时序上下文特征：

27、进一步，所述（4）中对视频帧空间上下文特征和pri时序上下文特征进行双向跨模态注意力计算，其实现包括：

28、（4a）将视频帧空间上下文特征作为查询向量，将pri时序上下文特征作为键向量和值向量，进行时序模态引导的空间跨模态注意力计算，得到空间增强特征：

29、（4b）将pri时序上下文特征作为查询向量，将视频帧空间上下文特征作为键向量和值向量，进行空间模态引导的时序跨模态注意力计算，得到时序增强特征：

30、（4c）将第个脉冲对应的空间增强特征和时序增强特征在特征通道维度进行拼接，并将拼接特征输入到自适应门控网络，得到第个脉冲对应的模态融合权重：

31、（4d）根据模态融合权重，对第个脉冲对应的空间增强特征和时序增强特征进行逐元素加权融合，并对加权融合结果进行层归一化处理，得到第个脉冲对应的跨模态融合特征：

32、10. 一种基于视频帧-时序跨模态注意力机制的雷达信号分选装置，其特征在于，包括：

33、视频帧空间序列构建模块，用于对雷达脉冲描述字pdw序列中的载频、脉宽、脉冲幅度和到达角进行预处理，构建二维特征帧，并按照脉冲到达顺序组合得到视频帧空间序列；

34、pri时序特征构建模块，用于根据脉冲到达时间计算一阶和二阶到达时间差，并对所述到达时间差进行归一化及非线性变换，得到pri时序特征序列；

35、双流特征提取模块，用对视频帧空间序列和pri时序特征序列进行特征提取，得到视频帧空间上下文特征和pri时序上下文特征；

36、跨模态注意力融合模块，用于对视频帧空间上下文特征和pri时序上下文特征进行双向跨模态注意力计算，得到空间增强特征和时序增强特征，并对所述空间增强特征和时序增强特征进行融合，得到跨模态融合特征；

37、分类模型构建模块，用于基于视频帧空间上下文特征、pri时序上下文特征和跨模态融合特征分别设置空间辅助分类器、时序辅助分类器和主分类器，并与双流特征提取模块及跨模态注意力融合模块共同构成雷达信号分选模型；

38、联合损失优化模块，用于根据空间辅助分类器、时序辅助分类器和主分类器的输出分别计算空间辅助分类损失、时序辅助分类损失和主分类损失，并构建联合损失函数，对所述雷达信号分选模型进行训练；

39、逐脉冲分类模块，用于将待分选pdw序列输入训练完成的雷达信号分选模型，得到各脉冲对应的雷达辐射源类别。

40、本发明与现有技术相比具有如下优点：

41、其一，本发明将雷达脉冲描述字中的载频和脉宽映射为二维特征帧的空间位置，将脉冲幅度和到达角映射为对应位置的通道强度，并按照脉冲到达时间顺序构建视频帧空间序列。其与现有方法相比，本发明能够保留各脉冲的到达顺序，并将载频捷变、脉宽变化、幅度起伏和到达角变化表示为连续特征帧中的位置迁移和通道强度变化；同时，通过二维高斯核对稀疏特征帧进行平滑处理，能降低参数测量误差引起的像素位置跳变，提高参数空间表征的连续性和稳定性。

42、其二，本发明分别构建视频帧空间特征提取分支和pri时序特征提取分支，对多维脉冲参数形成的空间演变特征和到达时间差形成的时序变化特征进行独立建模。与现有方法相比，本发明能够根据两类特征不同的物理含义采用相应的特征提取方式，提高空间参数变化规律和pri时序规律的表征完整性。

43、其三，本发明采用双向跨模态注意力机制，以pri时序上下文特征引导视频帧空间特征增强，并以视频帧空间上下文特征引导pri时序特征增强，实现两类特征之间的双向交互；在此基础上，根据空间增强特征和时序增强特征生成自适应融合权重，对两类增强特征进行动态加权融合。其与现有方法相比，本发明能够根据当前脉冲中空间特征和时序特征的响应状态调节两类特征的贡献比例，在参数空间特征受到测量扰动时利用时序信息进行补充，在时序结构受到漏脉冲或虚假脉冲影响时利用空间参数信息进行约束，从而提高复杂干扰条件下融合特征的鲁棒性。

44、其四，本发明分别基于视频帧空间上下文特征、pri时序上下文特征和融合增强特征构建联合损失函数。与现有方法相比，本发明能够在模型训练过程中同时约束空间分支、时序分支和融合特征的类别判别能力，并通过类别加权和标签平滑处理减小辐射源类别及噪声类别样本不均衡造成的训练偏差，从而提高雷达信号分选模型的训练稳定性及逐脉冲分选准确性。