基于卷积块注意力的雷达个体辐射识别方法、系统及介质

1.本发明涉及辐射源识别技术领域，尤其是基于卷积块注意力的雷达个体辐射识别方法、系统及介质。


背景技术：

2.在雷达个体辐射源识别领域，传统方法是通过设计和提取手工特征来实现的。然而，随着雷达系统的快速发展，传统方法的性能大幅下降。
3.近年，深度学习被成功用到了信号识别领域，其基本思路为：首先对信号进行域变换，得到相应的域变换图(如时频图)，然后域变换图作为深度学习网络的输入，完成识别的任务。虽然深度学习在信号识别任务具有较好的性能，但其仍具有一定的缺陷。首先，要使深度学习模型达到较好的性能，需要大量的标注数据支撑，这在雷达个体辐射源识别领域是比较困难的。由于低截获雷达的存在以及电磁环境信号交叠严重，因此较难获得高质量的雷达辐射源标注数据。其次，深度学习模型良好的性能一般只针对于训练集存在的数据类别，即对新信号类别的泛化性能较差。如果我们需要对新信号类别进行识别，就需要重新设计并训练网络，大幅增加了成本。


技术实现要素：

4.有鉴于此，本发明实施例提供基于卷积块注意力的雷达个体辐射识别方法、系统及介质，能够增强网络的特征提取能力，从而提高辐射源个体识别方法的准确率和适应性，解决部分雷达设备辐射源信号样本不足的问题，使得侦察系统更具实用性。
5.本发明实施例的第一方面提供了一种基于卷积块注意力的雷达个体辐射识别方法，包括：
6.构建卷积块注意力关系网络，所述卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；
7.获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络；
8.向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，所述目标数据集包括支撑集和查询集；其中，所述支撑集用于表征标注数据，所述查询集用于表征待识别数据；
9.根据所述关系分数向量，确定所述目标数据集的数据类型，完成雷达个体辐射源识别。
10.可选地，所述构建卷积块注意力关系网络，包括：
11.根据第一卷积模块和第二卷积模块，构建特征提取网络；
12.根据通道注意力模块和空间注意力模块，构建卷积块注意力模块；
13.根据第一卷积模块和全连接层，构建相似网络；
14.根据所述特征提取网络、所述卷积块注意力模块和所述相似网络构建卷积块注意力关系网络；
15.其中，所述第一卷积模块包括卷积层、批标准化层、激活函数和最大池化层，所述第二卷积模块包括卷积层、批标准化层和激活函数。
16.可选地，所述根据通道注意力模块和空间注意力模块，构建卷积块注意力模块，包括：
17.根据并行池化层、共享多层感知器和激活层，构建通道注意力模块；
18.根据双层池化层、卷积层和激活层，构建空间注意力模块；
19.根据所述通道注意力模块和所述空间注意力模块，构建卷积块注意力模块。
20.可选地，所述获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络，包括：
21.获取训练数据集；
22.根据所述训练数据集，输入所述特征提取网络得到特征图集；
23.根据所述特征图集，输入所述卷积块注意力模块得到注意力特征图集；
24.根据所述注意力特征图集，基于通道维度的连接得到支撑-查询样本对；
25.根据所述支撑-查询样本对，输入所述相似网络得到关系分数向量。
26.可选地，所述获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络，还包括：
27.根据均方误差准则构建损失函数；
28.根据所述损失函数，衡量数据样本之间的相似程度，实现参数回传完成所述卷积块注意力关系网络的优化。
29.可选地，所述根据所述训练数据集，输入所述特征提取网络得到特征图集，包括：
30.根据所述训练数据集的支撑集，输入所述特征提取网络得到支撑集特征图；
31.根据所述训练数据集的查询集，输入所述特征提取网络得到查询集特征图。
32.可选地，所述根据所述特征图集，输入所述卷积块注意力模块得到注意力特征图集，包括：
33.根据所述支撑集特征图，输入所述卷积块注意力模块得到支撑集注意力特征图；
34.根据所述查询集特征图，输入所述卷积块注意力模块得到查询集注意力特征图。
35.本发明实施例第二方面提供了一种基于卷积块注意力的雷达个体辐射识别系统，包括：
36.第一模块，用于构建卷积块注意力关系网络，所述卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；
37.第二模块，用于获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络；
38.第三模块，用于向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，所述目标数据集包括支撑集和查询集；其中，所述支撑集用于表征标注数据，所述查询集用于表征待识别数据；
39.第四模块，用于根据所述关系分数向量，确定所述目标数据集的数据类型，完成雷达个体辐射源识别。
40.本发明实施例的第三方面提供了一种电子设备，包括处理器以及存储器；
41.所述存储器用于存储程序；
42.所述处理器执行所述程序实现如前面所述的方法。
43.本发明实施例的第四方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
44.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
45.本发明实施例通过在关系网络中引入了卷积块注意力模块，能够指导该关系网络关注更关键的区域，增强了网络的特征提取能力，并且基于卷积块注意力模块构建的卷积块注意力关系网络，由于增强了特征提取能力，使得该关系网络即使在低信噪比下仍能有较好的性能。
附图说明
46.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本发明实施例提供的基于卷积块注意力的雷达个体辐射识别方法的流程示意图；
48.图2为本发明实施例提供的基于卷积块注意力的雷达个体辐射识别方法的整体流程示意图；
49.图3为本发明实施例提供的基于卷积块注意力模块的少样本学习框架示意图；
50.图4为本发明实施例提供的卷积块注意力模块结构示意图；
51.图5为本发明实施例提供的通道注意力模块结构示意图；
52.图6为本发明实施例提供的空间注意力模块结构示意图；
53.图7为本发明实施例提供的基于卷积块注意力模块的关系网络结构示意图；
54.图8为本发明实施例提供的基于卷积块注意力关系网络的验证流程示意图；
55.图9为本发明实施例提供的基于卷积块注意力关系网络的数据识别准确率曲线示意图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
57.为了使本技术内容及技术方案更加清楚明白，对相关技术的特性、术语及含义进行说明：
58.(1)传统的辐射源识别方案
59.传统的辐射源个体识别主要基于手工特征的设计与提取，即通过预先设计相关的指纹特征，然后通过机器学习分类器进行识别。常见的指纹特征有脉冲包络特征，高阶谱特
征，相位噪声，器件非线性特征等。由于数据的质量参差不齐(信噪比较低等)以及实测数据的缺乏，使得部分指纹特征的设计和提取存在困难，且较为耗时，导致了传统的辐射源个体识别方法部分或全部失效。
60.(2)基于深度学习的辐射源识别方案
61.由于深度学习在计算机视觉，语音处理等领域的巨大成功，因此有学者考虑将深度学习用于辐射源个体识别。现有的基本思路如下：首先对雷达个体辐射源信号作域变换，得到相应的变换图，然后将变换图作为深度学习网络的输入，进行雷达辐射源个体的识别。对于传统的深度学习方法而言，训练集和测试集所包含的样本类别是相同的，因此模型的识别能力一般只限定于训练集所含有的数据类别。
62.下面结合说明书附图，对本发明的方法的实现原理进行详细说明：
63.图1所示为本发明实施例提供的基于卷积块注意力的雷达个体辐射识别方法的流程图，方法包括：
64.构建卷积块注意力关系网络，卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；
65.获取训练数据集，根据训练数据集训练卷积块注意力关系网络；
66.向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，目标数据集包括支撑集和查询集；其中，支撑集用于表征标注数据，查询集用于表征待识别数据；
67.根据所述关系分数向量，确定所述目标数据集的数据类型，完成雷达个体辐射源识别。
68.需要说明的是，在实际应用中，支撑集为已知的少量标注数据，查询集为未知数据。本发明提出了基于卷积块注意力关系网络，并基于该网络实现了雷达辐射源个体识别。通过引入卷积块注意力模块，提高了网络的特征提取能力，使得网络提取到的特征更具有可分性，提高了识别准确率。将目标数据集输入卷积块注意力关系网络进行辐射源识别时，在少量样本情况下也能具有较高的雷达个体辐射源识别能力，解决部分雷达设备辐射源信号样本不足的问题。
69.在一些实施例中，构建卷积块注意力关系网络，包括：
70.根据第一卷积模块和第二卷积模块，构建特征提取网络；
71.根据通道注意力模块和空间注意力模块，构建卷积块注意力模块；
72.根据第一卷积模块和全连接层，构建相似网络；
73.根据特征提取网络、卷积块注意力模块和相似网络构建卷积块注意力关系网络；
74.其中，第一卷积模块包括卷积层、批标准化层、激活函数和最大池化层，第二卷积模块包括卷积层、批标准化层和激活函数。
75.在一些实施例中，根据通道注意力模块和空间注意力模块，构建卷积块注意力模块，包括：
76.根据并行池化层、共享多层感知器和激活层，构建通道注意力模块；
77.根据双层池化层、卷积层和激活层，构建空间注意力模块；
78.根据通道注意力模块和空间注意力模块，构建卷积块注意力模块。
79.需要说明的是，并行池化层由最大池化层和平均池化层并行构成，共享多层感知
network,rn)的基础上，添加了卷积块注意力模块，以更有效的进行特征提取。特征提取网络由四个卷积模块组成，前两个卷积模块包含一个卷积层(64个卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)，以及一个最大池化层，后两个卷积模块包含一个卷积层(64个卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)。相似网络由卷积模块，两个全连接层组成，卷积模块包含一个卷积层(64个卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)以及一个最大池化层。
100.参照图4，卷积块注意力模块包含两个注意力机制模块，分别为通道注意力模块和空间注意力模块。通道注意力模块结构如图5所示,通道注意力模块包括两个并行的池化层(最大池化层，平均池化层)，一个共享多层感知器(由两个卷积层，一个激活层组成)，其中共享多层感知器设于两个并行的池化层之间，且模块尾部还设有一个激活层。空间注意力模块结构如图6所示，空间注意力模块由双层池化层(最大池化层，平均池化层)，一个卷积层，一个激活层顺序排列组成。
101.卷积块注意力模块的运算流程如下：
102.如图4所示，假设输入特征图f的规模为c
×h×
w。通过通道注意力模块，我们得到规模为1
×1×
c的通道注意力特征图。然后将f与通道注意力特征图作点乘，得到特征图g(规模为c
×h×
w)。特征图g作为空间通道注意力模块的输入，可得到空间注意力特征图(规模为1
×h×
w)。最后空间注意力特征图与g相点乘，得到卷积块注意力模块最终的输出结果(规模为c
×h×
w)。
103.本发明实施例的卷积块注意力关系网络的运算流程如下：
104.图7为本发明实施例所采用网络的结构图，参照图2和7，支撑集样本xi输入特征提取网络，得到特征图其中为特征提取网络的权重。查询集样本xj输入特征提取网络得到特征图特征图输入注意力网络得到注意力特征图其中θ为注意力网络的权重。特征图输入注意力网络得到注意力特征图通过在通道维度上连接特征图与得到支撑-查询集样本对将其输入相似网络得到关系分数，关系分数的表达式为：
[0105][0106]
其中，r
i,j
表示支撑集样本xi和查询集样本xj之间的关系分数，h表示相似网络，ρ表示相似网络的权重。
[0107]
网络模型采用均方误差准则来构建损失函数(mean square error,mse)。损失函数通过关系分数和标签示性函数的量化关系来衡量样本之间的相似程度，损失函数的表达式为：
[0108][0109]
其中，arg min表示使公式达到最小值时变量的取值，表示特征提取网络的权重，θ表示注意力模块的权重，ρ表示相似网络的权重，i表示第i个支撑集样本，p表示支撑集
中数据类别的数量，k表示支撑集中各数据类别中标签样本的数量，j表示第j个查询集样本，n表示查询集样本的数量，r
i,j
表示支撑集样本xi和查询集样本xj之间的关系分数，δ()表示单位脉冲序列，且a为函数自变量，yi表示支撑集样本xi的标签，yj表示查询集样本xj的标签。
[0110]
c、卷积块注意力关系网络的应用
[0111]
首先通过已有的仿真雷达数据对网络进行离线训练，从而得到训练完成的网络。将新信号类别的数据输入训练后的网络，可完成对新信号类别数据的识别。若有少量未知类别的雷达实测数据，同样可直接输入网络完成未知类别的雷达辐射源个体识别。
[0112]
在一些具体地实施例中，为了验证基于卷积块注意力关系网络的少样本学习方法在雷达辐射源个体识别方面的性能，通过以下的流程步骤结合仿真信号数据进行实验验证上述方法得到的卷积块注意力关系网络：
[0113]
①
数据集
[0114]
参照图8，本发明实施例通过在仿真雷达信号数据集上进行验证。雷达信号数据集i以线性调频为信号调制样式，通过不同的参数组合和指纹特征组合，生成不同的雷达辐射源个体信号，共50类。信号参数包括载频，带宽。具体采用相位噪声模型，taylor级数模型来进行指纹特征建模，通过模型内参数的变化，来生成不同的指纹特征。信号的采样率为512mhz，脉宽为10μs。对于这50类信号，每类信号含50个样本，并在50个样本中分别添加信噪比为-12db至-7db的高斯白噪声，信噪比步长为1db。生成信号样本后，通过choi-williams分布(cwd)将信号转化为时频图，并将时频图裁剪至84
×
84。时频图将作为模型训练和测试的样本。
[0115]
数据集将划分为训练集，测试集，验证集，其中32类信号为训练集，10类信号为测试集，8类信号为验证集。
[0116]
为了进一步验证模型对新信号类别的泛化能力，建立数据集ⅱ与数据集ⅲ。数据ⅱ的调制样式为bpsk,qpsk,p1。通过不同的参数组合和指纹特征组合(包括载频、码型和码宽)，每个调制样式生成16类信号，共48类信号。数据集ⅲ的调制样式为p2,p3,p4,通过不同的参数(包括载频，码宽)和指纹特征组合，每个调制样式生成16类信号，共48类信号。数据集ⅱ和ⅲ的指纹特征建模方式及其他相关的设置与数据集ⅰ均相同。
[0117]
②
实验设定
[0118]
实验网络训练采用adam优化器，学习率为0.001，训练轮次为30000，验证轮次为500。每个测试阶段含有500个测试轮次，最终的准确率为5个测试阶段准确率的平均值。网络模型初始参数采用随机初始化的方式进行设定。根据被大多数少样本学习工作所采取的标准设定，实验所用的任务为5-way-5-shot。该任务的查询集样本数为10。
[0119]
③
实验结果
[0120]
5-way-5-shot任务的识别准确率如图9所示。其中图9(a)为数据集i的识别准确率，图9(b)为数据集ii的识别准确率，图9(c)为数据集iii的识别准确率。由图9(a),cbarn的识别准确率与rn相比相差较小，部分信噪比点有略微下降。所有信噪比点准确率均超过了90％。由图9(b)，cbarn对数据集ii中的新信号类别具有较好的泛化能力，且其泛化性能较rn有一定幅度的提升。在-10db下，模型的识别准确率接近80％。在-7db下，模型的识别准
确率超过90％。由图9(c)，cbarn对数据集iii中的新信号类别具有较好的泛化能力，且识别准确率有一定的提升。在-10db下,模型的识别准确率超过80％。在-9db下，模型的识别准确率超过了85％。在-7db下，模型的识别准确率超过90％。实验结果说明，卷积块注意力结构在低信噪比条件下能增加网络的特征提取能力，并且模型对新信号类别有较强的泛化能力。
[0121]
本发明实施例提供了基于卷积块注意力的雷达个体辐射识别系统，包括：
[0122]
第一模块，用于构建卷积块注意力关系网络，卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；
[0123]
第二模块，用于获取训练数据集，根据训练数据集训练所述卷积块注意力关系网络；
[0124]
第三模块，用于向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，目标数据集包括支撑集和查询集；其中，支撑集用于表征标注数据，查询集用于表征待识别数据；
[0125]
第四模块，用于根据关系分数向量，确定目标数据集的数据类型，完成雷达个体辐射源识别。
[0126]
本发明实施例提供了一种电子设备，包括处理器以及存储器；
[0127]
存储器用于存储程序；
[0128]
处理器执行程序实现上述的基于卷积块注意力的雷达个体辐射识别方法。
[0129]
本发明方法实施例的内容均适用于本电子设备实施例，本电子设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0130]
综上所述，本发明通过在关系网络中引入了卷积块注意力模块，指导网络关注更关键的区域，增强了网络的特征提取能力，使得网络在低信噪比下仍能有较好的性能，并根据改进的网络模型采用少样本学习的方法进行辐射源信号识别，较好的解决了传统深度学习模型数据样本不足和泛化能力差的问题。本发明实施例构建的卷积块注意力关系网络，通过增强网络的特征提取能力，从而提高辐射源个体识别方法的准确率和适应性，解决部分雷达设备辐射源信号样本不足的问题，在少量样本情况下也能具有较高的雷达个体辐射源识别能力，使得侦察系统更具实用性，为解决侦察系统的实时性和准确性提供技术支持。同时，本发明实施例可通过已有的实测数据和仿真数据进行网络模型的离线训练，在实际工作场景中，采集到的少量数据也能够作为在线训练的支撑集样本以供识别。
[0131]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
[0132]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被
改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0133]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理系统和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理系统或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的系统中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0134]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0135]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、系统或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、系统或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、系统或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、系统或设备或结合这些指令执行系统、系统或设备而使用的系统。
[0136]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子系统)，便携式计算机盘盒(磁系统)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤系统，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0137]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0138]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0139]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0140]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。