[发明专利]基于Transformer和时间卷积网络的雷达目标识别方法

说明书

本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理；通过卷积模块对样本进行特征提取并改变数据格式；再通过基于VIT的MoCo对比学习模块，在特征空间上学习区分不同样本；之后将经过MoCo对比学习模块得到的特征，输入时间卷积模块，进一步地加强模型的表征能力，得到可分性更强的特征；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络，使模型获取HRRP中更为全面的信息，进一步提高模型的特征提取能力，得到可分性更强的特征用于分类。

技术领域

本发明属于雷达目标识别领域，具体涉及一种基于Transformer 和时间卷积网络的雷达目标识别方法

背景技术

雷达(Radar)诞生于20世纪初，其名称的初始意义为“无线电探测与测距”，是一种利用电磁波来探测目标的电子设备。雷达通过向目标发射指定参数的电磁波，并接其后向散射回波，来获取目标的距离、方位、高度等信息。雷达可以实现对目标进行全天时、全天候、远距离的探测，被广泛应用于目标侦察、目标成像、导弹制导等领域，在军事领域中享有较高的地位，并在国防建设中起着举足轻重的作用。

现代战争以高科技信息战、电子战为中心。在军事场景中，能否对来袭目标进行提前探测，能否对实时信息进行有效的获取、检测，能否对战场形势进行实时高效监测，成为了战争胜败的重要因素。正因此，雷达作为一种可以稳定获取信息的重要设备，在战场情报信息获取手段中具有极高的地位。

根据雷达的距离分辨性能不同，RATA可以分为低分辨窄带和高分辨宽带两种不同的雷达目标识别任务。低分辨窄带信号的距离分辨率比较差，这意味着雷达观测目标在回波中被视为“点”目标，因此雷达回波中蕴含的目标信息较少，通常只能基于其回波序列的起伏、微多普勒以及调制等特征实现简单的辨别任务或者粗分类，这显然无法满足现代信息社会对RATA应用场景的需求。

高分辨宽带雷达的距离分辨率较好且远小于目标尺寸，其回波也被称为目标的一维高分辨距离像(HRRP)。HRRP信号提供了目标散射中心沿雷达视线方向的分布情况，反映了目标的尺寸、结构等重要信息，并因其数据量小、易于获取和处理的特点，被广泛地应用于雷达自动目标识别(RATR)领域。传统的基于HRRP的雷达目标识别方法大多是无监督且有损的，可分的特征会在建模过程中丢失一部分，从而影响模型的识别准确率和泛化性。而一些基于深度学习的HRRP 识别方法，在训练数据量较少时，会出现识别性能骤降的现象。

发明内容

为了解决上述问题，我们提出了一种新的深度学习雷达目标识别模型，

该模型由数据预处理模块、卷积模块、基于Transformer的MoCo 对比学习模块、卷积时间网络和分类模块组成。其中MoCo对比学习模块由数据增强、Transformer编码器模块和对比损失模块组成。经过预处理后的HRRP数据，先通过卷积模块并变换成三通道图片格式的数据；然后通过MoCo对比学习模块，在特征空间上学习区分不同样本，拉近同类别样本在特征空间中的距离，同时拉开不同类别样本之间的距离；接着将经过对比学习模块得到的表征输入时间卷积网络，得到可分性更强的特征用于分类，完成HRRP的识别。

基于Transformer和时间卷积网络的的雷达目标识别方法，包括以下步骤：

S1：对原始HRRP样本集进行预处理。

采用L2范数归一化对HRRP原始回波数据进行处理，将幅度划分到统一尺度内消除HRRP的幅度敏感性。采用重心对齐法来改善HRRP 的平移敏感性。

S2:通过卷积模块对样本进行特征提取并改变数据格式；

通过卷积模块CNN对预处理后的HRRP数据进行处理，通过控制和调整卷积模块卷积核的大小和步长，将一维距离像卷积成后续网络所需的数据格式。