一种基于小样本的低慢小目标雷达回波识别方法与流程

1.本发明涉及雷达回波信号处理技
2.术领域，具体涉及一种基于小样本的低慢小目标雷达回波识别方法。


背景技术：

3.雷达是通过发射电磁波来进行目标探测、识别和跟踪，是获取目标信息的重要手段。雷达回波目标识别技术作为一种通过散射回波分析判别标的物属性和特征的技术，具有非常广泛的应用。本技术所针对的“低慢小”目标主要是指飞行高度一般在1000米以下的速度较慢无人机，或水面上体积较小的无人舰艇，这些设备的雷达反射面积小，难发现、难捕捉、难处置、难应对，对重要目标的安全形成极大威胁。对低慢小目标的识别是新时期雷达的重要任务之一。
4.随着技术的不断更新发展、计算能力的不断提高，人工智能技术在各个领域也都大放异彩，尤其在图像，文本，语音，信号等诸多方面取得了极大进展，为全球的经济发展做出了重大贡献。深度学习技术大多依赖于大量的标注数据来支撑，但是很多场景由于场景的独特性不能够提供充足的样本进行学习，在实际中不能够采集到足够的数据进行学习。


技术实现要素：

5.本发明所要解决的技术问题是：无人艇、漂浮水雷、潜艇望远镜、旋翼无人机等新型低慢小目标在雷达探测过程中存在目标散射面积小、飞行高度低、速度慢、多普勒频移不明显、目标信杂比低的问题，本发明提供了解决上述问题的一种小样本的低慢小目标雷达回波识别方法，可适用于在环境受限的情况下通过传统神经网络不能有效提取低、慢、小目标特征的学习场景，可有效提高雷达在复杂环境下提高对低慢小目标的识别能力。
6.本发明通过下述技术方案实现：
7.一种基于小样本的低慢小目标雷达回波识别方法，包括以下步骤：
8.构建雷达回波识别网络模型，所述雷达回波识别网络模型包括残差网络特征提取模块、融合双向长短记忆网络的多头注意力机制的记忆增强模块和相似性度量模块；采用数据集对雷达回波识别网络模型进行训练、验证和测试。
9.进一步优选，所述残差网络特征提取模块是采用3个残差结构进行堆叠构建形成一个10层的残差网络进行特征提取。
10.进一步优选，所述融合双向长短记忆网络的多头注意力机制的记忆增强模块，是将多步双向长短记忆网络(bi-lstm)和多头注意力机制进行有机结合，通过多步双向长短记忆网络进行共有特征提取，将多步双向长短记忆网络的输出作为多头注意力机制的输入。多头注意力机制通过关注样本间的共性特征，从而提取样本间的共有语义信息。
11.进一步优选，多步双向长短记忆函数如下式所示：
[0012][0013]
其中，f和g表示神经网络，s表示支持集，k表示迭代步数，表示目标特征。
[0014]
进一步优选，多头注意力机制公式如下式所示：
[0015]
multihead(q,k,v)＝concat(z1,...,zh)wz；
[0016]
zi＝attention(qw
iq
,kw
ik
,vw
iv
)；
[0017]
其中，dk＝dv＝d
model
/h，h为自注意力的头数。
[0018]
进一步优选，相似性度量模块用于学习数据间的距离或差异，用来描述样本之间的相似度；通过卷积神经网络提取特征及将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离和余弦距离。
[0019]
进一步优选，所述卷积神经网络的目标是克服难易样本不均衡，最大化预测测试数据集概率和最小化损失函数，目标损失函数为：
[0020]
fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)
[0021]
其中，α
t
为权重参数，p
t
为预测值，γ为可调节因子。其中对于概率较大的样本(1-p
t
)
γ
趋近于0，可以降低它的损失函数值，而真实概率比较低的困难样本，(1-p
t
)
γ
对损失函数的影响较小。
[0022]
进一步优选，在构建雷达回波识别网络模型之前还包括以下步骤：
[0023]
采集雷达回波数据，构建低慢小目标雷达回波数据库；对采集的雷达回波数据进行预处理后，构建包含小训练集、验证集和测试集的数据集；所述雷达回波数据包括目标的种类以及目标的坐标，尺寸，姿态角以及速度。
[0024]
进一步优选，所述预处理包括以下步骤：
[0025]
首先，删除构建的数据库中的无效数据、重复数据、处理缺失值、异常值；
[0026]
其次，进行构建源任务数据集和目标任务数据集；并对数据进行截取，所截取信号长度l；以绝对幅值检测法对清洗后的数据进行目标检测，阈值设为
±
0.75，再进行目标截取；其中，截取长度l
[0027]
最后，对标记样本进行特征提取；特征提取手段包括小波变换、频域特征提取和特征融合。
[0028]
进一步优选，通过构建小样本带标签数据集m((xi,yi)∈m)，输入一个未知雷达回波信号输出的分类标签为：
[0029][0030]
其中，f为步骤s4中训练得到的多头注意力核函数，k为数据集m的类别数，xi表示数据集m中的标记样本，yi表示xi的标签。
[0031]
本发明具有如下的优点和有益效果：
[0032]
本发明提供的方法，可有效解决低慢小目标散射面积小、飞行高度低、速度慢、多普勒频移不明显、目标信杂比低等识别困难，具有实用性和高效性等特点，尤其适用于复杂环境下目标样本少、特征提取困难的学习场景。
[0033]
1、传统深度学习分类识别算法在复杂环境、样本不足的条件下，无法有效提取低慢小目标的本质特征，识别难度大，本发明提供的方法，通过注意力机制，只需要少量样本就可以提取目标的本质特征，克服了传统深度学习方法在复杂环境下低慢小目标特征提取
能力的不足，具有很高的实用性和高效性，可节约大量人力物力，实现低成本、高灵活度操作，且获得的验证结果表示准确率＞98％；
[0034]
2、针对复杂的应用场景，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于低信噪比电磁辐射源而言，人们很难提取辐射源的本质特征，传统机器学习分类识别算法在这种情况下使用受限。本而发明提供的方法尤其适用于解决复杂场景中的工程应用问题。
附图说明
[0035]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0036]
图1为本发明的一种基于小样本的低慢小目标雷达回波识别方法的流程图；
[0037]
图2为本发明的构建模型算法的流程图；
[0038]
图3为本发明特征提取模块残差网络的结构示意图；
[0039]
图4为本发明多头注意增强模块的结构示意图；
[0040]
图5为本发明模型训练过程示意图；
[0041]
图6为训练样本差异性实验结果。
具体实施方式
[0042]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0043]
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
[0044]
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
[0045]
实施例1
[0046]
本实施例提供了一种基于小样本的低慢小目标雷达回波识别方法，具体步骤如下所示：
[0047]
步骤1：采集数据
[0048]
采集不同型号的无人机、无人船设备的雷达回波信号，分别进行编号，建立样本库。雷达回波信号包括但不限于目标的种类、及坐标、尺寸、姿态角以及速度等信息。
[0049]
步骤2：对样本库的数据进行预处理，构建训练集、验证集和测试集
[0050]
数据预处理，主要包括数据清洗、数据标注和特征提取等步骤。
[0051]
数据清洗的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。以绝对幅值检测法对清洗后的数据进行目标检测，阈值设为
±
0.75(归一化后)，再进行目标信号截取，其中，截取长度l。对截取的数据打标签，其中标签为结合专家经验人工标注的目标类别。对分类后信号进行特征提取并保存，提取方法包括但不限于短时傅里叶变换和小波变换，本次实施中，采用离散小波变换。
[0052]
数据集划分，本次实施预处理后的数据集包含11类，随机选取3类为训练集，训练集分为两种情况，一是每类样本30个共90个样本；二是每类100个，共300个样本。随机选取3类每类300个样本作为验证集，剩余5类为测试集。训练集、验证集和测试集的类别不交叉。
[0053]
步骤3：构建雷达回波小样本识别网络模型
[0054]
该小样本识别网络模型由三大部分模块构成：残差网络特征提取模块、融合多步长短记忆网络的多头注意力机制的记忆增强模块和相似性度量模块，输入的数据先经残差网络特征提取获得高纬特征，再经融合bi-lstm的多头注意力机制处理，以增强性能，最后经相似度量模块处理，输出分类结果。对各模块具体介绍如下：
[0055]
(1)残差网络特征提取模块是采用3个残差结构进行堆叠构建形成一个10层的残差网络进行特征提取。残差网络特征提取模块能在避免过拟合和退化的情况下保证目标特性的学习能力，尽可能拟合复杂的雷达目标特征提取过程，从而提升目标识别的准确性。如图3所示。
[0056]
(2)融合多步长短记忆网络的多头注意力机制的记忆增强模块，是将多步双向长短记忆网络(bi-lstm)和多头注意力机制相结合学习样本之间的共有特征，在强表示性的特征提取模块基础上，增加全条件编码，增强模型的共有特征提取性能。通过多步双向长短记忆网络(bi-lstm)进行共有特征提取，将多步双向长短记忆网络的输出作为多头注意力机制的输入。多头注意力机制通过关注样本间的共性特征，从而提取样本间的共有语义信息。如图4所示。
[0057]
多步双向长短记忆函数如下式所示：
[0058][0059]
其中，f和g表示神经网络，s表示支持集，k表示迭代步数，表示目标特征。
[0060]
多头注意力机制公式如下式所示：
[0061]
multihead(q,k,v)＝concat(z1,...,zh)wz；
[0062]
zi＝attention(qw
iq
,kw
ik
,vw
iv
)；
[0063]
其中，dk＝dv＝d
model
/h，h为自注意力的头数。
[0064]
(3)度量学习是学习数据间的距离或差异，用来有效地描述样本之间的相似度。通过卷积神经网络提取特征及将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离等。本次实施中采用余弦距离计算样本间的相似度，当向量a(x
11
,x
12
,x
13
,...,x
1n
)和b(x
21
,x
22
,x
23
,...,x
2n
)都在一个向量空间中，则有：
[0065][0066]
其中，a和b表示特征向量。
[0067]
将余弦距离做归一化，a＝softmax(cosθ),输入样本的预测类别为：
[0068][0069]
其中，表示查询样本，xi表示第i类支持样本，yi表示第i类支持样本标签，k表示支持集类别数。
[0070]
步骤4：用训练集对小样本识别网络模型进行训练
[0071]
将训练集数据输入小样本识别网络模型，如图5所示，每个训练周期，从数据集中随机抽取3类，每类采样k个样本作为支持集s，b个样本作为查询集q，训练模型的训练目标是使支持集s预测查询集q中标签的概率最大化，并控制难易样本对训练的影响。目标损失函数为：
[0072]
fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)；
[0073]
其中，α
t
为权重参数，p
t
为预测值，γ为可调节因子。该损失函数用来解决难易样本不均衡的问题，(1-p
t
)
γ
称为调制系数。对于概率较大的样本(1-p
t
)
γ
趋于0，可以降低损失函数值，而对于真实概率比较低的困难样本，(1-p
t
)
γ
对损失函数值影响并不大。利用α
t
增加误分类权重。
[0074]
训练过程中，定期用验证集进行验证，当模型达到一定准确率后，固化模型参数，验证结果如图6所示，由图可知，差异性实验验证准确率达到98％。
[0075]
步骤5：用验证集对小样本识别网络模型进行验证
[0076]
用步骤2构建的数据集中的验证集定期验证网络模型，当验证精度达到设定值后，固化模型。
[0077]
步骤6：测试模型
[0078]
向所固化的模型输入雷达回波信号，输出相应的分类标签，最终获得目标所属的类别。
[0079]
在小样本小样本识别网络模型训练完成后，实时输入雷达回波信号，加载训练好的模型参数，可实时输出目标类别。
[0080]
通过构建小样本带标签数据集m((xi,yi)∈m)，输入一个，未知雷达回波信号输出的分类标签为：
[0081][0082]
其中，f为步骤s4中训练得到的多头注意力核函数，k为数据集m的类别数，xi表示数据集m中的标记样本，yi表示xi的标签。
[0083]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。