一种基于小样本的低慢小目标雷达回波识别方法与流程

技术特征：
1.一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，包括以下步骤：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。2.根据权利要求1所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，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。3.根据权利要求1所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，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。4.根据权利要求3所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，多步双向长短记忆函数如下式所示：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。5.根据权利要求3所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，多头注意力机制公式如下式所示：multihead(q,k,v)＝concat(z1,...,z
h
)w
z
,z
i
＝attention(qw
iq
,kw
ik
,vw
iv
)；其中，d
k
＝d
v
＝d
model
/h，h为自注意力的头数。6.根据权利要求1所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，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。7.根据权利要求6所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，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：fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)其中，α
t
为权重参数，p
t
为预测值，γ为可调节因子。8.根据权利要求1至7任一项所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，在构建雷达回波识别网络模型之前还包括以下步骤：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。9.根据权利要求8所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，所述预处理包括以下步骤：
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；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。10.根据权利要求9所述的一种基于小样本的低慢小目标雷达回波识别方法，其特征在于，通过构建小样本带标签数据集m((x
i
,y
i
)∈m)，输入一个未知雷达回波信号输出的分类标签为：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，x
i
表示数据集m中的标记样本，y
i
表示x
i
的标签。

技术总结
本发明公开了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：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。验证和测试。验证和测试。


技术研发人员：李胜军 胡友章 王沫然 王正伟 刘志刚 王梦馨
受保护的技术使用者：四川九洲电器集团有限责任公司
技术研发日：2022.03.04
技术公布日：2022/7/12