雷达信号特征提取方法和复数域卷积网络架构

1.本发明属于雷达信号处理技术领域，具体涉及一种雷达信号特征提取方法和复数域卷积网络架构。


背景技术：

2.成像雷达利用微波进行环境感知与目标探测，不受天气、光照等条件的制约，可实现对待测目标全天时、全天候的远距离观测，在空间环境监视、军事侦察领域发挥重要作用。
3.高质量的提取雷达信号特征是提高目标成像效果与识别准确度，有效识别辐射源信号、实现雷达目标探测的重要保证。目前，多数雷达信号处理系统不具备根据任务需求自适应提取目标高分辨特征的能力，仍依赖专业的雷达技术人员人工设定特征。人工设计的目标特征受技术人员主观因素影响大，鲁棒性和自适应性难以满足保证较高的准确度与时效性。
4.在日益复杂的电磁环境下，传统的雷达信号特征提取方法适用范围越来越小。人工智能领域的卷积神经网络（convolutional neural network, cnn）具有较强的数据分析与处理能力，能够有效改善人工设计特征泛化能力弱的缺点，在图像识别、信号处理领域得到广泛应用。深度学习方法利用层次化的cnn网络结构，对输入信号进行层次化特征分析。与技术人员凭经验设计的特征相比，cnn提取到的特征对目标具备更优的表征能力。因此，利用cnn处理雷达信号，可充分挖掘数据特点，自适应提取分辨率更高、鲁棒性更强的特征，可大幅改善传统雷达信号特征提取耗时、耗力等问题。
5.雷达信号中含有丰富的幅值与相位信息，信号通常为复数形式，复数实部与虚部包含了信号的幅度和相位信息，信息量远大于实数含有的信息量。迄今为止，多数卷积神经网络为实数卷积，适用于复数特征提取的网络架构较少。利用实数卷积神经网络处理复数雷达信号后，仅保留了幅值信息，舍弃了相位信息，然而复数信息含有更多利于提升成像与识别效果的高分辨特征，提取的数据特征越丰富，实现雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等任务时越易取得较好的处理效果。此外，与利用实数域卷积仅仅处理目标幅值信息相比，利用复数卷积提取的特征更易优化，泛化能力与鲁棒性更强。
6.从成像任务分析，雷达发射较大的带宽信号以获取较高的图像分辨率，若目标尺寸过大或观测时间较长，越距离单元徙动易造成散焦，影响成像效果。从信号分选与辐射源识别任务分析，准确提取目标高分辨特征是有效区分不同目标的前提，若雷达信号处理系统无法从噪声数据中提取利于区分目标的高分辨特征，将大幅影响目标探测与识别效果。为充分提取雷达复数信号中的高分辨特征，有效利用幅值与相位之间的相关性，设计适用于多类不同任务的雷达信号特征提取复数域卷积网络架构十分必要。现有复数卷积神经网络分析方法仅对点目标识别与成像任务进行优化，用于相邻散射点相关性较强的体目标，尚未取得较好的特征提取效果。
7.综上，现有的雷达信号特征提取方法存在不足主要有以下几点。
8.（1）针对辐射源识别、信号分选、散焦补偿等多类复杂任务，传统的雷达信号特征提取方法需要技术人工手动选取特征，算法效果局限于技术人员经验与能力，需要大量重复实验测定参数，难以保证较高的鲁棒性与时效性；（2）利用传统实数cnn提取特征，仅保留雷达信号中的幅度信息，丢弃了相位信息，数据特征的完整性遭到破坏；现有算法对数据特征利用不充分，难以有效融合复数中的多模态信息；若能够同时利用实数与复数卷积对雷达信号建模，将大幅提升特征维度的数据利用率，增强特征提取效果；（3）现有复数卷积神经网络特征处理方法仅对点目标成像与识别任务进行优化，用于结构特征复杂的体目标易导致特征混叠，噪声干扰严重影响特征提取效果。
9.分析可知，若能够利用雷达复信号特点，充分挖掘其中蕴含的高分辨特征，结合复数卷积神经网络完成参数的快速迭代寻优，实现雷达复数信号高分辨特征提取，有助于大幅提升雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务的性能。


技术实现要素：

10.有鉴于此，本发明提供了一种雷达信号特征提取方法和用于雷达信号特征提取的复数域卷积网络架构，该方案能够利用雷达复信号特点，充分挖掘其中蕴含的高分辨特征，结合复数卷积神经网络完成参数的快速迭代寻优，实现雷达复数信号高分辨特征提取。
11.本发明特别适用于雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务下的雷达信号特征提取。
12.为了解决上述技术问题，本发明是这样实现的。
13.一种雷达信号特征提取复数域卷积网络架构，包括：实数域处理分支、复数域处理分支和融合单元；所述融合单元包括交叉增强融合模块、双模态特征融合模块、第一加权融合模块和第二加权融合模块；实数域处理分支处理雷达信号的幅值相位特征，包括针对实数的n层下采样模块sd1~sdn、第一语义特征提取模块和n层上采样模块su1~sun；其中，不同分辨率的下采样模块sdn与上采样模块sum的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块su
m 1
的部分输入；n≠m；n和m的取值范围为1至n；复数域处理分支处理复数形式的雷达信号，包括针对复数的n层下采样模块fd1~fdn、第二语义特征提取模块和n层上采样模块fu1~fun；其中，不同分辨率的下采样模块fdn与上采样模块fdm的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块fu
m 1
的部分输入；交叉增强融合模块在上采样部分实现实数域处理分支与复数域处理分支所得特征图的融合，并反馈到实数域处理分支；双模态特征融合模块实现两个分支最后一级所提取特征的融合。
14.优选地，所述交叉增强融合模块为p个，p《n，对应最后p级连续的上采样模块；针对某一级p，将两个分支中的上采样模块su
p
和fu
p
的输出特征图在对应的交叉增强融合模块中进行融合，融合特征与上采样模块su
p
的输出结合后作为下一级上采样模块su
p 1
的输入。
15.优选地，实数域处理分支包括6个下采样模块sd1~sd6、6个上采样模块su1~su6；下采样模块sd5与上采样模块su3的输出在第一加权融合模块中进行融合，融合结果作为上采
样模块su4的部分输入；下采样模块sd6与上采样模块su1利用跳跃连接完成输出对应像素相加，作为上采样模块su2的输入；复数域处理分支包括6个下采样模块fd1~fd6、6个上采样模块fu1~fu6；下采样模块fd5与上采样模块fd3的输出在第二加权融合模块中进行融合，融合结果作为上采样模块fu4的部分输入；下采样模块fd6与上采样模块fu1利用跳跃连接完成输出对应像素相加，作为上采样模块fu2的输入；所述交叉增强融合模块为4个，对应上采样模块su2~ su5和fu2~ fu5。
16.优选地，在实数域处理分支中：所述下采样模块sd1~sdn的下采样处理，将特征图的尺度变为原来的二分之一，通道数扩张成处理前的二倍；所述第一语义特征提取模块实现核为3的卷积、批量归一化操作与激活函数处理；所述上采样模块su1~sun采用实数卷积上采样，逐层增加特征分辨率，同时降低通道数。
17.优选地，在复数域处理分支中：针对复数形式的雷达信号，首先经过卷积核为3，步长为1，扩充数为1的复数卷积，再经过复数归一化层与复数prelu激活函数处理，得到复数特征图输入下采样模块fd1；所述下采样模块fd1~fdn的下采样处理，将输入特征图的尺度变为处理前的二分之一，通道数扩张成处理前的二倍；所述第二语义特征提取模块实现核为3的复数卷积、复数批量归一化操作与复数激活函数处理；所述上采样模块fu1~fun采用复数域卷积上采样，逐层增加特征分辨率，同时降低通道数。
18.优选地，所述交叉增强融合模块输入上采样模块su
p
的幅值相位特征f
k1
与上采样模块fu
p
的复数域信号特征f
p1
；交叉增强融合模块中，先将幅值相位特征f
k1
映射到复数域进行特征对齐，与复数域信号特征f
p1
逐像素相加，后使用卷积核为3的复数卷积与转置卷积块进行特征融合与上采样，输出通道数为复数域信号特征f
p1
二分之一的特征f
p1’；再将幅值相位特征f
k1
用卷积核为3的实数域转置卷积实现上采样，与特征f
p1’进行逐像素相加，输出融合后的多模态融合特征f
u1
。
19.优选地，所述双模态特征融合模块输入分别为实数域处理分支输出的幅值相位特征f
k2
与复数域处理分支输出的复数域信号特征f
p2
；双模态特征融合模块中，首先利用sigmoid函数处理初始化的权重因子w，得到可在网络训练过程中随损失函数进行梯度更新的比例因子λ，按照公式（i）利用比例因子λ将两个分支分别提取出的特征进行逐像素相加，然后利用核数为1的卷积块与激活函数完成加权融合后输出；f
u2
=(1-λ)* f
k2
λ*real(f
p2
) λ*imag(f
p2
)
ꢀꢀꢀꢀ
（i）其中，real( )表示取实部，imag( )表示取虚部， 表示逐像素相加，f
u2
表示双模态特征融合模块的输出。
20.优选地，所述第一加权融合模块和第二加权融合模块结构相同，第一加权融合模块采用实数域卷积完成特征运算，第二加权融合模块采用复数域卷积完成特征运算；
设下采样阶段的特征图为fe，上采样阶段的特征图为fd；第一加权融合模块和第二加权融合模块首先将fe通过相应实数或复数域操作提取特征，再利用双线性插值调整成与fd具有相同分辨率与通道数的特征f
e’，再与fd进行加权融合，输出融合结果f
out
。
21.优选地，所述加权融合为：利用公式（ii）、公式（iii）实现特征间的自适应加权融合；γ=sigmoid(w)
ꢀꢀꢀ
（ii）f
out
=up[(1-γ)*f
e’ γ*fd]
ꢀꢀꢀꢀ
（iii）式中，m为初始化的权重因子，γ为可在网络训练过程中随损失函数进行梯度更新的比例因子；f
out
为加权融合结果，up表示利用反置卷积增大特征图分辨率，同时降低通道数； 表示逐像素相加。
[0022]
本发明还提供了一种利用上述雷达信号特征提取复数域卷积网络架构的特征提取方法，包括：提取雷达回波的幅值相位特征，输入所述实数域处理分支；将雷达回波的复数信号，输入所述复数域处理分支；两个分支的输出结果通过双模态特征融合模块进行融合，得到特征提取结果。
[0023]
有益效果：通过挖掘雷达复数信号中含有的目标特征，本发明设计了适用于雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务的雷达信号特征提取复数域卷积网络架构，称为rfec net。rfec net架构利用复数卷积神经网络提取复数实部、虚部特征，同时较好的保留了幅值相位数据中的高分辨纹理特征；设计了交叉增强融合模块、加权融合模块与双模态特征融合模块，将不同特征对当前任务贡献度作为权重因子实现了特征间的加权融合；在不增加模型复杂度的同时，通过相同分支之间的特征复用，进一步增强rfec net特征处理性能，实现了雷达复数信号高分辨特征的有效提取，取得了较好的实验效果。具体如下。
[0024]
（1）本发明设计的雷达信号特征提取复数域卷积网络架构针对复数域特征提取需求设计，用于雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等多类任务时，均可较好提取高分辨目标特征，时效性与泛化能力强。
[0025]
传统的雷达信号特征提取方法需要针对不同识别或成像任务人工选取特征，提取效果局限于技术人员经验与能力，存在目标重要特征缺失的风险；算法迭代阈值需经过多次实验设定，耗费大量人力与时间成本。本发明有效结合深度卷积神经网络强大的特征提取与参数优化能力，可针对数据特点利用迭代运算与梯度更新自适应提取特征。
[0026]
散焦补偿实验表明，本架构在大转角或稀疏孔径情况下仍能取得较好的徙动补偿效果；信号去噪实验表明，本架构可实现噪声或干扰条件下的体目标特征提取，具备较高的实验鲁棒性。上述测试结果表明，针对不同雷达信号特征处理任务，本架构均可较好提取高分辨目标特征。此外，在应用阶段，本架构可加载训练好的权重模型，对目标雷达复数信号直接进行特征提取，无需重复实验手工调优，时效性更好，具备较高应用价值。
[0027]
（2）有效利用雷达复数信号特点实现了多模态特征融合，优化了特征提取结果。
[0028]
传统实数卷积特征分析方法主要描述目标表层信息，实数卷积仅利用了幅度信息，忽略了相位信息；利用提取到的目标特征进行重聚焦或目标识别任务时，数据信息越丰
富，包含的特征越多，实验效果越好。复数信息具备更好的泛化特性与更快的学习效率，其虚部的幅度与相位信息同样包含较多的目标特征参量；然而仅利用复数信息建模易丢失高分辨特征，同样无法获得较好的散焦补偿效果。
[0029]
本发明提出的雷达信号特征提取复数域卷积网络架构，可提取幅值相位分支中分辨率较高的纹理信息，同时利用复数卷积充分提取雷达复数信号中表征能力强的目标轮廓信息。考虑到浅层特征图噪声与干扰较多，rfec net在利用深层语义特征进行上采样的阶段，将两类特征进行自适应加权融合。设计了交叉增强融合模块，在保留较多纹理信息的同时，用复数信息增强幅值相位分支的相应特征图，有利于改善网络加深引起的模型退化。最后设计的双模态特征融合模块实现了不同模态特征之间的加权融合，较好的保留了高分辨率的纹理特征与区分度较高的轮廓特征，可取得更优的特征提取效果，同时有助于后续雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等任务的性能提升。
[0030]
（3）现有复数雷达信号特征提取方法多基于点目标识别任务优化，本发明针对复杂体目标设计，应用潜力更高。
[0031]
现有的基于深度学习的雷达信号复数特征提取方法多用于点目标，可实现孤立点目标的特征优化与定位，直接用于空间目标这类结构特性较为复杂的体目标仍存在特征混叠、噪声干扰影响大等不足。本发明针对复杂体目标设计了用于目标雷达复数信号高分辨特征提取、特征融合的双分支网络架构，并结合跳跃连接与加权融合模块保留丰富的语义信息，使用交叉增强融合模块增强了上采样过程中的特征表达，最后利用双模态特征融合模块实现了高分辨特征的加权融合，实验结果表明，rfec net特征提取与特征融合能力较强，可实现雷达信号多层次特征提取，较好的保留适用于多类下游任务的高分辨特征。rfec net为适用于诸如雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等任务的通用复数域信号处理网络，特征提取与特征融合能力强，具备较好的泛化能力与时效性。
[0032]
（4）本发明一优选实施例中设计了跳跃连接，将最后一个下采样模块与第一个上采样模块利用跳跃连接完成对应像素相加，有利于高分辨特征的保留。
[0033]
（5）本发明一优选实施例中，在选择加权融合模块的融合对象时，根据输出信息的可信度，选择了倒数第二个下采样模块与第四个上采样模块的输出进行融合，实现了深浅层特征加权融合，缓解了网络加深可能导致的特征退化与过拟合问题。
附图说明
[0034]
图1为雷达信号特征提取复数域卷积网络架构的结构示意图。
[0035]
图2为交叉增强融合模块基本单元结构图。
[0036]
图3为双模态特征融合模块基本单元结构图。
[0037]
图4为加权融合模块基本单元结构图。
[0038]
图5为以散焦补偿实验为例目标雷达复数信号训练集与测试集构建流程图。
[0039]
图6为以散焦补偿实验为例利用rfec net实现特征提取的整体流程图。
[0040]
图7为仿真获取的目标雷达信号数据三维图。
[0041]
图8为仿真获取的散焦空间目标isar像。
[0042]
图9为采用本发明架构对图7进行特征提取后的空间目标isar像。
[0043]
图10为噪声干扰下的目标雷达复数信号三维图。
[0044]
图11为采用本发明架构对图10所示噪声条件下的雷达目标信号进行特征提取后的实验结果。
具体实施方式
[0045]
下面结合附图并举实施例，对本发明进行详细描述。
[0046]
本发明提出了一种雷达信号特征提取方案，其核心思想在于：首先设计了能够有效提取雷达复数信号中目标高分辨特征的双分支融合网络架构，本架构充分挖掘雷达信号数据特点，针对不同任务均可实现自适应特征提取与参数寻优。针对实数卷积处理雷达信号仅保留目标幅度信息，丢失相位信息，以及雷达复数信号特征利用率不足的问题，本发明设计的实数与复数结合的卷积网络特征处理架构能够充分提取目标的高分辨特征；针对现有算法对结构复杂的体目标特征分析能力不足，难以有效融合多模态数据提高特征分辨率的问题，设计了可用于复杂体目标特征提取的双分支网络架构。结合上述实数域卷积与复数域卷积同时进行特征提取，同时通过设计跳跃连接与可优化的深浅层特征的加权融合模块（以下简称mixup模块），缓解了网络加深可能导致的特征退化与过拟合问题；设计了交叉增强融合模块（以下简称cef模块，cef含义是cross enhancement fusion）与双模态特征融合模块，实现了两个不同分支中高分辨特征的自适应加权融合，增强了rfec net的雷达信号特征提取能力。
[0047]
采用本发明提出的雷达信号特征提取复数域卷积网络架构，在目标徙动、环境噪声等因素干扰下，仍能够有效提取目标高分辨特征，有利于提升雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等下游任务的实验效果。
[0048]
图1示出了本发明雷达信号特征提取复数域卷积网络架构（rfec net）的结构图，该rfec net包括两个分支，上层分支为处理雷达信号的幅值相位特征的实数域处理分支，下层分支为处理复数形式的雷达信号的复数域处理分支。复数域处理分支由处理复数特征的复数域卷积、复数批量归一化与复数激活函数组成，其输入、输出与权值均为复数数据。
[0049]
其中，实数域处理分支用于提取并融合雷达信号的幅值相位特征。该分支包括针对实数的多层下采样模块sd1~sdn、第一语义特征提取模块和多层上采样模块su1~sun。下采样相当于编码，上采样相当于解码。其中，不同分辨率的下采样模块sdn与上采样模块sum的输出在第一加权融合模块（以下简称第一mixup模块）中进行融合，实现了深浅层特征加权融合，缓解了网络加深可能导致的特征退化与过拟合问题，融合结果作为下一级上采样模块su
m 1
的部分输入；n,m∈[1,n]，n≠m。第一语义特征提取模块包括卷积、批归一化和激活函数处理。
[0050]
复数域处理分支用于处理雷达复数信号中实部与虚部之间的相互关系。该分支包括针对复数的多层下采样模块fd1~fdn、第二语义特征提取模块和多层上采样模块fu1~fun。其中，不同分辨率的下采样模块fdn与上采样模块fdm的输出在第二加权融合模块（以下简称第二mixup模块）中进行融合，融合结果作为下一级上采样模块fu
m 1
的部分输入。第二语义特征提取模块包括复数域的卷积、批归一化和激活函数处理。
[0051]
cef模块用于在保留较多纹理信息的同时，用复数信息增强幅值相位分支的相应特征图，有利于改善网络加深引起的模型退化。该cef模块设计在上采样部分，实现实数域处理分支与复数域处理分支所得特征图的融合，融合结果反馈到实数域处理分支。具体可
以设计p（p《n）个，对应最后p个连续的上采样模块。针对某一级p，将两个分支中的上采样模块su
p
和fu
p
的输出特征图在对应的cef模块中进行融合，融合特征与上采样模块su
p
的输出结合后作为下一级上采样模块su
p 1
的输入。
[0052]
双模态特征融合模块实现两个分支最后一级所提取特征的融合。
[0053]
如图1所示，该架构实现雷达信号特征提取的过程为：雷达信号中的幅值相位特征与复数中实部与虚部特征，分别输入到两个分支中进行特征处理并在cef模块中进行融合，融合后的特征图叠加到幅值相位特征处理分支，增强了本分支特征图内的细节信息。rfec net完成编码与解码后，通过双模态特征融合模块对两个分支提取到的特征进行加权融合，实现了雷达复数信号中的目标轮廓特征与纹理特征的充分融合。
[0054]
实施例一本实施例中的雷达信号特征提取复数域卷积网络架构包括实数域处理分支、复数域处理分支和融合单元。实数域处理分支包括6个下采样模块sd1~sd6、6个上采样模块su1~su6、第一语义特征提取模块；复数域处理分支包括6个下采样模块fd1~fd6、6个上采样模块fu1~fu
6、
第二语义特征提取模块。融合单元包括4个cef模块、双模态特征融合模块、第一mixup模块和第二mixup模块。
[0055]
实数域处理分支中，6个下采样模块sd1~sd6、第一语义特征提取模块、6个上采样模块su1~su6顺序相连；下采样模块sd5与上采样模块su3的输出在第一mixup模块中进行融合，融合结果作为上采样模块su4的部分输入；下采样模块sd6与上采样模块su1利用跳跃连接完成输出对应像素相加，作为上采样模块su2的输入，有利于高分辨特征的保留。
[0056]
复数域处理分支中，6个下采样模块fd1~fd6、第二语义特征提取模块、6个上采样模块fu1~fu6顺序相连；下采样模块fd5与上采样模块fd3的输出在第二mixup模块中进行融合，融合结果作为上采样模块fu4的部分输入；下采样模块fd6与上采样模块fu1利用跳跃连接完成输出对应像素相加，作为上采样模块fu2的输入。
[0057]
cef模块为4个，对应上采样模块su2~ su5和fu2~ fu5。
[0058]
双模态特征融合模块实现两个分支最后一级su6和fu6所提取特征的融合。
[0059]
下面针对每个模块进行详细描述。
[0060]
（1）实数域处理分支实数域处理分支包括下采样模块su1~su6、第一语义特征提取模块、上采样模块。
[0061]
下采样模块sd1~sd6用于降低图像分辨率同时扩张通道数。该模块对输入特征经过下采样处理后，特征图尺度变为处理前的二分之一，通道数扩张成处理前的二倍。本实施例中，雷达回波经过两次fft处理后提取幅值相位信息，得到通道数为4的特征。然后经过6个下采样模块，分别输出通道数为8、16、32、64、128、256的特征。
[0062]
第一语义特征提取模块包括实现核数为3的卷积、批量归一化操作与激活函数处理，提取语义特征；上采样模块su1~su6采用实数卷积上采样，逐层增加特征分辨率，同时降低通道数。在一实例中，上采样操作使用核数为3的转置卷积与prelu激活函数。通道数为256的特征通过6个上采样模块，分别输出通道数为128、64、32、16、8、4的特征。
[0063]
本实施例中，对于跳跃连接部分：
①
输入的特征经过五次下采样后，通道数为128的特征图与上采样过程中通道数
为32的特征图共同输入第一mixup模块，经第一mixup模块处理后的输出与通道数为32的特征上采样后相加，得到通道数为16的特征。
[0064]
②
对幅值相位特征经过六次下采样后，得到的通道数为256的特征图经过跳跃连接与上采样过程中通道数同样为256的特征图相加，上采样得到通道数为128的特征。
[0065]
使用跳跃连接能够保留更多的特征信息，mixup模块实现了不同分辨率特征图的自适应融合。上述模块能够有效缓解网络加深可能导致的梯度消失等问题，同时降低了过拟合风险。
[0066]
本实施例包括4个cef模块。具体来说，经过两次上采样后，特征通道数由256变为64。通道数为64的特征经过上采样后，与来自复数特征处理分支中通道数为128的特征共同输入cef模块，经由cef模块运算后，输出通道数为32的特征；同理，通道数为32的特征经过上采样后，与来自复数特征处理分支中通道数为64的特征共同输入cef模块，经由cef模块运算后，输出通道数为16的特征；通道数为16的特征经过上采样后，与来自复数特征处理分支中通道数为32的特征共同输入cef模块，经由cef模块运算后，输出通道数为8的特征；通道数为8的特征经过上采样后，与来自复数特征处理分支中通道数为16的特征共同输入cef模块，经由cef模块运算后，输出通道数为4的特征，输入双模态特征融合模块进行最后的自适应特征融合。
[0067]
（2）复数域处理分支复数域处理分支如图1下层所示，输入为复数形式的空间目标雷达信号。首先经过卷积核为3，步长为1，扩充数为1的复数卷积、复数归一化层与复数prelu激活函数处理输入的目标雷达信号，得到通道数为8的复数特征。由于图1下层是对复数雷达信号进行处理，包括实部和虚部两个部分，因此分辨率相同的层级，通道数是实数域处理分支的2倍。本架构所用复数激活函数cprelu(x
complex
)如公式（1）所示。
[0068]
cprelu(x
complex
)=prelu(x
real
) jprelu(x
imag
)
ꢀꢀꢀꢀ
（1）其中，下角标real表示实部，下角标imag表示虚部。
[0069]
与幅值相位处理分支相似，本分支用于降低图像分辨率、扩张通道数的共计六个下采样操作。经过下采样处理后，输入特征尺度变为处理前的二分之一，通道数扩张成二倍；经过六次复数域下采样处理后的特征，输入核数为3的复数卷积、复数批量归一化操作与复数激活函数提取语义特征，然后利用上采样操作逐层增加特征分辨率，同时降低通道数。本分支所用卷积模块、归一化操作、激活函数与特征拼接、特征融合等操作均为复数域。
[0070]
如图1所示，复数域处理分支共计六个上采样模块。考虑到深层特征同样包含较多高分辨目标语义特征，由于通道数为512的特征包含高维较多，将其直接输入mixup模块可能导致细节特征混叠。经实验测试，本分支将经过五次复数域下采样后，通道数为256的特征与上采样过程中通道数为64的特征共同输入图4所示mixup模块，经模块处理输出的特征与通道数为64的特征上采样后相加，得到通道数为32的复数域特征；为提升rfec net收敛效果，本特征提取架构将输入的复数特征经过六次下采样后得到的、通道数为512的复数域特征图经过跳跃连接，与上采样过程中通道数同样为512的复数域特征图相加。
[0071]
经过六次复数域下采样与卷积模块处理后，得到通道数为512的复数特征图。上采样操作使用核数为3的复数转置卷积、复数批归一化与复数prelu激活函数。然后经过两次上采样后，特征通道数由512变为128。特征通道数为128、64、32、16的复数特征继续使用复
数上采样得到更高分辨率的特征向下传输，同时，rfec net利用cef模块将其与具有相同特征分辨率的幅值相位特征进行融合，实现高分辨特征增强。
[0072]
复数特征处理分支经过上采样最终得到通道数为8的复数域特征，使用图5所示双模态特征融合模块与幅值相位处理分支输出的，通道数为4的特征图进行自适应特征融合，输出雷达信号复数域高分辨特征。rfec net能够在实现多模态特征融合的同时，实现高分辨雷达复数信号特征的有效提取。
[0073]
（3）cef模块如图2所示，本cef模块分别输入信号幅值相位特征f
k1
与复数域信号特征f
p1
。cef模块中，第一步先将f
k1
映射到复数域进行特征对齐，与f
p1
逐像素相加，后使用卷积核为3的复数卷积与转置卷积块进行特征融合与上采样，输出通道数为f
p1
二分之一的特征f
p1’；第二步将f
k1
用卷积核为3的实数域转置卷积实现上采样，再与第一步操作输出的f
p1’进行逐像素相加，输出融合后的多模态特征f
u1
。
[0074]
（4）双模态特征融合模块双模态特征融合模块单元结构如图3。rfec net特征提取架构将输入的雷达信号划分为幅值相位特征与复数域特征进行特征提取，并在rfec net输出部分设计了双模态特征融合模块,实现幅值相位信息与复数域特征的自适应加权融合。
[0075]
本模块输入分别为雷达信号中的幅值相位特征f
k2
与复数域特征f
p2
。如公式（2）、公式（3）所示，该模块首先利用sigmoid函数处理初始化的权重因子w，得到可在训练过程中，随损失函数进行梯度更新的比例因子λ，按照公式（3）利用比例因子将实数特征与复数特征进行逐像素相加，进一步，利用核数为1的卷积块与激活函数完成加权融合。
[0076]
λ=sigmoid(w)（2）f
u2
=(1-λ)* f
k2
λ*real(f
p2
) λ*imag(f
p2
)（3）其中，real( )表示取实部，imag( )表示取虚部， 表示逐像素相加，f
u2
表示双模态特征融合模块的输出。
[0077]
（5）可优化的mixup模块可优化的mixup模块的结构图如图4所示。对复数域信号特征下采样的过程中，不可避免会丢失具有较高分辨率的浅层信息。散焦或噪声干扰情况下的浅层特征与标签真值具有较大的结构差异，若直接将受噪声影响较大的浅层信息与上采样过程中的特征图相连，可能引入较多噪声影响特征提取效果。针对上述问题，rfec net特征提取架构设计了mixup模块用于深层特征与浅层特征的加权融合。
[0078]
设编码阶段（下采样阶段）的特征图为fe，解码阶段（上采样阶段）的特征图为fd。mixup模块首先将fe通过相应实数或复数域卷积操作等提取特征，再利用双线性插值将其调整成为与fd具有相同分辨率与通道数的特征f
e’，再与fd进行加权融合，输出融合结果f
out
。
[0079]
本实施例中加权融合利用公式（4）、公式（5），从而实现特征间的自适应加权融合。
[0080]
设初始化的权重因子为m，m经过sigmoid激活函数得到比例因子γ，在利用误差函数进行梯度更新的过程中，比例因子γ会向着生成与标签数据更贴近、特征更清晰的梯度方向更新。融合后的深层与浅层特征利用反置卷积实现进一步的特征融合与上采样。使用mixup模块实现特征增强过程中，比例因子与深浅层融合特征计算公式如公式（4）、公式（5）
所示。
[0081]
γ=sigmoid(w)(随梯度更新)（4）f
out
=up[(1-γ)*f
e’ γ*fd]
ꢀꢀꢀꢀ
（5）式中，m为初始化的权重因子，γ为可在网络训练过程中随损失函数进行梯度更新的比例因子；f
out
为利用mixup模块实现深浅层加权融合后的特征，up表示利用反置卷积增大特征图分辨率，同时降低通道数， 表示逐像素相加。
[0082]
为验证本架构可较好实现雷达成像、辐射源识别、信号分选、散焦补偿与信号去噪等不同任务下的特征提取，下面以散焦补偿实验为例，验证rfec net用于雷达信号特征的提取效果。具体方案包括以下步骤：步骤1：获取目标原始雷达复数信号。
[0083]
如图5所示，利用cad建模与feko电磁仿真软件实现空间目标三维面元分析，获取各点面元的结构参数；利用stk仿真软件模拟太空目标轨道可观测弧段，并结合matlab分析处理得到的雷达信号；根据目标运动参数，获取散焦条件（或噪声干扰）下的雷达信号；将干扰条件下的雷达复数信号作为训练样本，将未受到干扰的复数信号作为标签；获取训练样本与标签后，按照8:2的比例将数据划分为训练样本集与测试样本集；训练样本集用于输入设计的rfecnet进行训练得到权重参数，测试样本集用于测试本架构的特征提取结果。
[0084]
步骤二：如图6所示，完成训练集与测试集样本构建后，首先对训练样本进行数据预处理，计算雷达复数信号的均值和方差，完成数据标准化。
[0085]
步骤三：将预处理后散焦（或干扰条件下的）雷达复数信号输入rfecnet。网络首先进行特征编码，利用下采样操作逐渐降低特征分辨率，同时扩展特征通道数；利用复数卷积处理雷达复数信号，结合复数归一化、复数激活函数完成复数域的特征提取；利用实数卷积处理散焦（或干扰条件下的）幅值特征，提取浅层纹理特征与深层语义特征。
[0086]
步骤四：在深层特征融合阶段，分别利用实数、复数域的转置卷积逐渐恢复下采样后特征图的分辨率。rfecnet针对多模态数据特性设计了相应的特征融合模块，完成了幅值相位特征与复数域特征的加权融合，同时增强了雷达信号蕴含的目标轮廓特征与纹理特征。
[0087]
步骤五：计算经由rfecnet处理后的特征数据与未发生散焦或干扰的标签真值之间的差值，利用均方损失函数对其进行优化，并更新rfecnet的梯度与权重。达到最大迭代次数后保存网络训练模型，用于测试rfecnet对雷达复数信号的特征提取效果。
[0088]
本发明设计的雷达信号特征提取复数域卷积网络架构rfecnet中，网络训练所用超参数为：总迭代次数为150次，批训练量为80，学习率为0.005。使用adam优化器迭代训练。
[0089]
步骤六：加载训练好的网络模型，将测试样本集中散焦（或干扰条件下）的雷达复数信号输入rfecnet，利用复数网络架构与训练好的模型完成特征提取。
[0090]
为验证本发明提出的雷达信号特征提取复数域卷积网络架构对不同干扰条件下的特征提取具有鲁棒性，分别测试了散焦条件、噪声干扰条件下的rfecnet特征提取效果。图7为仿真获取的目标雷达信号三维图；利用rfecnet进行特征提取前的空间目标散焦图像数据如图8；采用rfecnet对图7所示雷达复数信号进行特征提取后的目标isar像如图9。
[0091]
图10与图11为噪声干扰条件下的rfecnet特征提取测试图。图10为噪声干扰下的目标雷达复数信号三维图；将测试样本集中存在噪声干扰的雷达复数信号输入rfecnet，加
载训练模型，同时利用rfecnet复数网络架构完成特征提取；对图10所示噪声条件下的雷达目标信号进行特征提取后的实验结果如图11。
[0092]
以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。