一种基于交叉注意力融合的雷达双分支目标识别方法

本发明属于雷达信号处理，具体涉及一种基于交叉注意力融合的雷达双分支目标识别方法。

背景技术：

1、随着智能感知与自动识别技术不断发展，雷达目标识别在空中目标监测、复杂环境目标判别、多源信息融合识别等场景得到广泛应用。在受限观测条件下，单一信息源所能提供的判别依据有限，仅依靠单一回波统计量或者单一图像表征，往往难以对外形相近、机动特性相似或者散射特征接近的目标实现稳定区分。

2、目标类别判别信息通常分布在不同观测表征当中，一类信息体现为时频图像的局部纹理、谱线形态以及能量分布结构，适于刻画目标局部模式与空间结构关系；另一类信息为从回波信号中提取的时域、频域、时频域等手工统计物理特征，能够从信号物理先验层面补充目标类别差异。因此联合利用时频图像深度语义特征与手工物理特征，是提升雷达目标识别性能的重要途径。

3、现有雷达目标识别技术中，仅利用手工特征构建分类决策模型，缺少对时频图像深层视觉表征的挖掘，难以充分利用目标局部纹理与结构信息，同时对手工特征仅做简单组合，未针对手工特征内部域级结构、域间关联以及特征重要性开展自适应建模。或者将时频图像特征与极点等手工特征直接拼接实现融合，但其融合方式仅停留在浅层特征拼接，没有在统一高层语义空间构建两类特征的深度交互机制，无法充分挖掘不同模态之间的关联关系，也不能有效剔除模态间冗余信息。

4、实际工况下，不同模态、不同特征域的特征质量参差不齐，对分类的贡献程度各不相同。传统方案中固定权重、简单拼接或者孤立建模的融合方式，无法依据样本信号质量、特征域可靠性自适应调整各部分特征的贡献占比，容易造成多源特征互补信息利用不充分，冗余噪声特征大量残留的问题，最终导致在低信噪比、复杂电磁环境下识别准确率与模型鲁棒性不足。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明通过以下技术方案实现：

2、在本发明的第一方面提供了一种基于交叉注意力融合的雷达双分支目标识别方法包括以下步骤：

3、对获取的待识别雷达回波信号进行预处理，得到多域信号，对多域信号进行特征提取得到多域手工特征，将多域手工特征按顺序拼接，得到输入手工特征向量；根据多域信号中的二维时频谱构建得到时频图像；

4、基于双分支网络中mobilenetv3的时频图像分支提取时频图像的图像token序列；

5、基于双分支网络中域间交互增强的tabnet特征分支提取输入手工特征向量的决策token序列；

6、利用图像token序列与决策token序列进行预热阶段训练，更新图像分支主干与决策特征分支主干；对预热阶段训练完成后输出的图像token序列与决策token序列进行跨模态更新，得到更新后的图像token序列和决策token序列，经池化拼接得到最终融合嵌入，将最终融合嵌入输入正式主分类头，输出最终类别分数向量，根据最终类别分数向量计算正式训练交叉熵损失，通过正式训练交叉熵损失对双分支网络进行迭代更新，得到训练完成的双分支网络；

7、将待识别的雷达回波信号输入训练完成的双分支网络模型，得到目标分类识别结果。

8、对获取的待识别雷达回波信号进行预处理，得到多域信号，包括：

9、对雷达回波信号进行时域离散采样，得到离散时域信号；对离散时域信号进行快速傅里叶变换得到频谱信号；对雷达回波信号进行短时傅里叶变换得到二维时频谱信号；对离散时域信号进行滑窗，得到滑窗后的子信号；计算得到子信号的自相关toeplitz矩阵，对自相关toeplitz矩阵进行特征值分解，提取分解得到的特征值，将分解得到的特征值按非递增顺序排列，得到特征谱。

10、对多域信号进行特征提取得到多域手工特征，包括：

11、多域信号包括，从离散时域信号中提取得到的时域特征；从频谱信号中提取得到的频域特征；从二维时频谱信号中提取得到时频域特征和从特征谱中提取得到的特征谱域特征。

12、根据多域信号中的二维时频谱构建得到时频图像，包括：

13、对二维时频谱进行取模得到时频幅度矩阵，对时频幅度矩阵进行归一化，得到归一化二维时频幅度矩阵，对归一化二维时频幅度矩阵进行双线性插值采样至统一分辨率，并增加单通道维度，得到时频图像。

14、基于双分支网络中mobilenetv3的时频图像分支提取时频图像的图像token序列，包括：

15、将时频图像输入mobilenetv3主干网络进行卷积特征提取，得到图像特征图，对图像特征图进行维度投影映射，得到维度对齐的投影特征图，对维度对齐的投影特征图进行空间维度展平，得到图像token序列。

16、基于双分支网络中域间交互增强的tabnet特征分支提取输入手工特征向量的决策token序列，包括：

17、将输入手工特征向量通过切片索引划分为多个子域，得到子手工特征向量；

18、将子手工特征向量输入域编码模块，得到域表示序列；

19、将域表示序列输入域间交互模块，通过自注意力处理，得到域间交互后的子域表示；

20、根据域间交互后的子域表示计算各子域评分，得到各子域对应的归一化域权重；根据各子域对应的归一化域权重构造域引导筛选向量，对输入手工特征向量进行逐元素重加权，得到增强手工特征向量；

21、将增强手工特征向量输入tabnet编码网络，执行t个稀疏特征选择决策步，得到多步决策输出向量集合；将多步决策输出向量集合按顺序堆叠，并进行线性映射至统一融合维度，得到决策token序列。

22、将增强手工特征向量输入tabnet编码网络，执行t个稀疏特征选择决策步，得到多步决策输出向量集合，包括：

23、将增强手工特征向量输入第t个决策步，根据上一决策步输出的中间特征表示，经注意力映射层及批归一化，得到第t个决策步的候选注意力分数；

24、将候选注意力分数与上一决策步更新后的先验向量进行逐元素相乘，进行先验抑制约束，再通过sparsemax函数运算，得到第t个决策步的特征选择掩码；

25、将特征选择掩码与归一化后的输入手工特征向量进行逐元素相乘，得到第t个决策步对应的筛选特征；

26、重复执行上述决策步运算步骤，直至全部决策步运算完成，得到多步决策输出向量集合。

27、利用图像token序列与决策token序列进行预热阶段训练，更新图像分支主干与决策特征分支主干，包括：

28、将图像token序列与决策token序列进行池化拼接，得到预热阶段融合表示；将预热阶段融合表示输入预热分类头，得到预热阶段类别分类向量，根据预热阶段类别分类向量得到预热阶段交叉熵损失，通过交叉熵损失对图像分支主干和决策特征分支主干进行更新，直到达到预热阶段迭代轮次，完成预热训练。

29、与现有技术相比，本发明的有益效果在于：

30、1、构建了图像-手工特征双分支提取架构，同时获取时频图像的深度语义信息与多域手工特征的物理判别信息，利用两类模态的互补信息提升目标区分能力，弥补单一模态信息不足的缺陷。

31、2、设置域间自注意力交互与域级权重分配机制，建模不同特征域之间的关联关系，根据样本条件自适应完成手工特征域的增强与筛选，抑制无效域特征带来的干扰，提升手工特征分支的表征质量。

32、3、进行图像token与决策token细粒度的跨模态交互融合，在高层语义空间完成两种模态信息的深度交互；通过tabnet多步注意力稀疏特征选择，结合先验向量约束减少多决策步之间的重复选择，进一步滤除冗余噪声特征。

33、以下将结合附图及实施例对本发明做进一步详细说明。