[发明专利]基于多损失特征自校准网络的雷达有源干扰识别方法

权利要求书

1.一种基于多损失特征自校准网络的雷达有源干扰识别方法，其特征在于，包括步骤：

获取包括雷达有源干扰信号的待识别时频谱图数据；

将所述待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别，得到识别分类结果；

其中，所述训练好的多损失特征自校准网络包括依次连接的特征提取模块、特征映射模块和重构模块，所述训练好的多损失特征自校准网络为利用混合损失函数对多损失特征自校准网络的参数进行训练更新得到，所述混合损失函数由训练集样本标签传播的交叉熵损失、所述特征映射模块的聚类损失和所述重构模块的均方误差损失确定，按照如下步骤进行干扰类型识别：

通过所述特征提取模块对所述待识别时频谱图数据进行干扰特征自适应提取，并且自适应缩小同类别干扰特征在特征空间的距离，拉大不同类别干扰特征在特征空间的距离，得到不同类型干扰特征向量；

通过所述特征映射模块对所述不同类型干扰特征向量降维映射后进行分类，得到所述识别分类结果；

所述特征提取模块包括依次连接的第一特征自校准卷积块、第二特征自校准卷积块、第三特征自校准卷积块和第四特征自校准卷积块，所述第一特征自校准卷积块、所述第二特征自校准卷积块、所述第三特征自校准卷积块和所述第四特征自校准卷积块的结构相同，均包括第一卷积块、第二卷积块、第三卷积块、通道特征自校准模块、空间特征自校准模块、升维模块、第一相加模块和第一最大池化层，其中，所述第一卷积块、所述第二卷积块、所述第三卷积块依次连，用于对特征自校准卷积块的输入特征图依次进行卷积处理，得到第三卷积块的输出特征图；所述通道特征自校准模块用于对所述第三卷积块的输出特征图进行通道特征自校准，得到通道特征自校准特征图；所述空间特征自校准模块用于对所述通道特征自校准特征图进行空间特征自校准，得到空间特征自校准特征图；所述升维模块用于对特征自校准卷积块的输入特征图进行升维操作，得到升维特征图；所述第一相加模块用于将所述升维特征图加在所述空间特征自校准特征图上，得到相加特征图；所述第一最大池化层用于对所述相加特征图进行下采样，得到特征自校准卷积块的输出特征图；

所述通道特征自校准模块包括自适应最大池化层、自适应平均池化层、多层感知机、第二相加模块、通道权重归一化模块和第一相乘模块，其中，所述自适应最大池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应最大池化，归纳出每一通道维上的最大值响应；所述自适应平均池化层用于对第三卷积块的输出特征图中特征图高度和特征图宽度同时进行自适应平均池化，归纳出每一通道维上的平均响应；所述多层感知机用于对每一通道维上的最大值响应依次进行特征缩放、特征还原、提取通道维信息得到最大值响应输出，并对所述每一通道维上的平均响应依次进行特征缩放、特征还原、提取通道维信息得到平均响应输出；所述第二相加模块用于将所述最大值响应输出和所述平均响应输出进行相加融合，得到相加特征图；所述通道权重归一化模块用于利用激活函数将所述相加特征图中通道的权重归一化，得到通道归一化权重；所述第一相乘模块用于将所述通道归一化权重与所述第三卷积块的输出特征图相乘得到通道特征自校准特征图；

所述空间特征自校准模块包括第二最大池化层、平均池化层、拼接模块、卷积模块、空间权重归一化模块和第二相乘模块，其中，所述第二最大池化层用于对所述通道特征自校准特征图进行通道维最大池化，得到压缩到空间维的最大池化特征图；所述平均池化层用于对所述通道特征自校准特征图进行通道维平均池化，得到压缩到空间维的平均池化特征图；所述拼接模块用于采用拼接方法将所述最大池化特征图和所述平均池化特征图进行融合，得到拼接特征图；所述卷积模块用于对所述拼接特征图进行卷积映射，得到映射特征图；所述空间权重归一化模块用于利用激活函数将所述映射特征图中空间的权重归一化，得到空间归一化权重；所述第二相乘模块用于将所述空间归一化权重与所述通道特征自校准特征图相乘得到空间特征自校准特征图；

所述特征映射模块包括第一全连接层和第二全连接层，其中，所述第一全连接层用于将所述不同类型干扰特征向量的展平特征投影到特征空间，得到嵌入向量；所述第二全连接层用于对所述嵌入向量进行分类，得到所述识别分类结果；

所述重构模块包括依次连接的第三全连接层、第四非线性层、第四全连接层、第五非线性层、第五全连接层和激活函数层。