雷达信号特征提取方法和复数域卷积网络架构

技术特征：
1.一种雷达信号特征提取复数域卷积网络架构，其特征在于，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~sd
n
、第一语义特征提取模块和n层上采样模块su1~su
n
；其中，不同分辨率的下采样模块sd
n
与上采样模块su
m
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~fd
n
、第二语义特征提取模块和n层上采样模块fu1~fu
n
；其中，不同分辨率的下采样模块fd
n
与上采样模块fd
m
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。2.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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。3.如权利要求2所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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。4.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，在实数域处理分支中：所述下采样模块sd1~sd
n
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~su
n
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。5.如权利要求1所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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~fd
n
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~fu
n
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。6.如权利要求2所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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
。7.如权利要求2所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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。8.如权利要求2所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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f
e
，上采样阶段的特征图为f
d
；第一加权融合模块和第二加权融合模块首先将f
e
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f
d
具有相同分辨率与通道数的特征f
e’，再与f
d
进行加权融合，输出融合结果f
out
。9.如权利要求8所述的雷达信号特征提取复数域卷积网络架构，其特征在于，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*f
d
]
ꢀꢀꢀꢀ
（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。10.一种利用权利要求1-9任意一项雷达信号特征提取复数域卷积网络架构的特征提取方法，其特征在于，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。

技术总结
本发明公开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，属于雷达信号处理技术领域。该特征提取方法提取雷达回波的幅值相位特征输入实数域处理分支，将雷达回波的复数信号输入复数域处理分支；两个分支对输入数据进行下采样、特征提取、上采样，并附加分支间的交叉增强融合、两分支输出结果融合，以及上采样和下采样之间的融合，实现了高分辨率特征的有效融合，大幅提升了雷达复数信号的特征提取效果。了雷达复数信号的特征提取效果。了雷达复数信号的特征提取效果。


技术研发人员：朱卫纲 李晨瑄 李永刚 朱霸坤 曲卫 杨君 何永华 邱磊
受保护的技术使用者：中国人民解放军战略支援部队航天工程大学
技术研发日：2022.09.23
技术公布日：2022/10/25