[发明专利]基于混合神经网络与注意力机制的海杂波预测方法及系统

说明书

本发明公开了一种混合神经网络与注意力机制的海杂波预测方法及系统，其中方法包括：首先，对海杂波数据进行预处理，然后建立基于Attention机制的混合神经网络结构，最后将预处理后的海杂波数据输入所述混合神经网络结构，输出海杂波预测值。本发明可以学习海杂波的复杂特征，提高了海杂波预测的泛化能力和目标识别精度。

技术领域

本发明涉及一种海杂波预测方法及系统，尤其涉及一种基于混合神经网络与注意力机制的海杂波预测方法及系统。

背景技术

海杂波背景下的目标检测在民用、军事方面有着很高的研究价值，随着目标和杂波类别的增多，现有的杂波分布模型常常难以与实际信号匹配，导致经典目标检测方法性能受环境影响严重，难以实现高性能检测。此外，由于复杂环境下的海杂波具有非线性、非平稳性和非高斯性等特点，海杂波无法完全被抑制，导致检测性能不稳定。

深度学习网络虽然广泛且长久地应用于图像处理，但它们对数字信号同样具有强大的处理能力。无论是输入一维信号、时序数据还是文本，深度学习网络都能采用新的方式处理数据，而且可以极为迅速地得出准确的结果。然而，现有的神经网络网络多为单一网络，且无法学习海杂波的复杂特征。

发明内容

发明目的：本发明提出一种可学习海杂波复杂特征以进行海杂波预测的方法。本发明的另一目的在于提出基于上述方法的海杂波预测系统。

技术方案：本发明所述的基于混合神经网络与注意力机制的海杂波预测方法，包括：

(1)对海杂波数据进行预处理；

(2)基于Attention机制，建立混合神经网络结构；

(3)将预处理后的海杂波数据输入所述混合神经网络结构，输出海杂波预测值。

进一步地，所述步骤(1)包括：

(11)获取检测到的海杂波数据，对其进行分段聚合近似，得到样本数据；

(12)对所述样本数据进行归一化、相空间重构，得到预处理后的数据；

(13)将所述预处理后的数据划分为训练集和测试集。

其中，分段聚合近似(PAA)将时间序列分割成多个子序列，每个子序列是以原始序列的均值来表示，实现时序信号的降维，应用在海杂波中以实现长时间海况的检测。

进一步地，步骤(2)中，所述混合神经网络结构包括CNN网络、LSTM模型、Attention机制、两层全连接层，所述CNN网络的输出经过Connect层输入到LSTM模型中，所述LSTM模型的输出输入到Attention机制中，再经过所述两层全连接层输出。

进一步地，所述CNN网络为三层结构，依次为第一卷积层、第二卷积层与池化层；其中，所述第一卷积层、第二卷积层均为1维。

优选得，所述第一卷积层、第二卷积层的激活函数均使用ReLU函数，输出如下公式所示：

其中，x_i为卷积层神经元以局部连接方式接收的输入区域信号，b为偏置项。

优选地，所述池化层采用最大池化方式，所述池化层的输出如下公式所示：

f(x)＝max(x_{[i,i+2][j,j+2]})

其中，x_i为卷积层神经元以局部连接方式接收的输入区域信号，i,j代表元素所在位置。

优选地，所述Connect层包含Flatten层与RepeatVector层。