[发明专利]基于卷积块注意力的雷达个体辐射识别方法、系统及介质

说明书

本发明公开了一种基于卷积块注意力的雷达个体辐射识别方法、系统及介质，方法包括：构建卷积块注意力关系网络，卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；获取训练数据集，根据训练数据集训练卷积块注意力关系网络；向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，目标数据集包括支撑集和查询集；根据关系分数向量，确定目标数据集的数据类型，完成雷达个体辐射源识别。本发明通过在关系网络中引入卷积块注意力模块，指导网络关注更关键的区域，增强了网络的特征提取能力，使得网络在低信噪比下仍能有较好的性能，可广泛应用于辐射源识别技术领域。

技术领域

本发明涉及辐射源识别技术领域，尤其是基于卷积块注意力的雷达个体辐射识别方法、系统及介质。

背景技术

在雷达个体辐射源识别领域，传统方法是通过设计和提取手工特征来实现的。然而，随着雷达系统的快速发展，传统方法的性能大幅下降。

近年，深度学习被成功用到了信号识别领域，其基本思路为：首先对信号进行域变换，得到相应的域变换图(如时频图)，然后域变换图作为深度学习网络的输入，完成识别的任务。虽然深度学习在信号识别任务具有较好的性能，但其仍具有一定的缺陷。首先，要使深度学习模型达到较好的性能，需要大量的标注数据支撑，这在雷达个体辐射源识别领域是比较困难的。由于低截获雷达的存在以及电磁环境信号交叠严重，因此较难获得高质量的雷达辐射源标注数据。其次，深度学习模型良好的性能一般只针对于训练集存在的数据类别，即对新信号类别的泛化性能较差。如果我们需要对新信号类别进行识别，就需要重新设计并训练网络，大幅增加了成本。

发明内容

有鉴于此，本发明实施例提供基于卷积块注意力的雷达个体辐射识别方法、系统及介质，能够增强网络的特征提取能力，从而提高辐射源个体识别方法的准确率和适应性，解决部分雷达设备辐射源信号样本不足的问题，使得侦察系统更具实用性。

本发明实施例的第一方面提供了一种基于卷积块注意力的雷达个体辐射识别方法，包括：

构建卷积块注意力关系网络，所述卷积块注意力关系网络包括特征提取网络、卷积块注意力模块和相似网络；

获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络；

向训练完成的卷积块注意力关系网络输入目标数据集，得到关系分数向量，所述目标数据集包括支撑集和查询集；其中，所述支撑集用于表征标注数据，所述查询集用于表征待识别数据；

根据所述关系分数向量，确定所述目标数据集的数据类型，完成雷达个体辐射源识别。

可选地，所述构建卷积块注意力关系网络，包括：

根据第一卷积模块和第二卷积模块，构建特征提取网络；

根据通道注意力模块和空间注意力模块，构建卷积块注意力模块；

根据第一卷积模块和全连接层，构建相似网络；

根据所述特征提取网络、所述卷积块注意力模块和所述相似网络构建卷积块注意力关系网络；

其中，所述第一卷积模块包括卷积层、批标准化层、激活函数和最大池化层，所述第二卷积模块包括卷积层、批标准化层和激活函数。

可选地，所述根据通道注意力模块和空间注意力模块，构建卷积块注意力模块，包括：

根据并行池化层、共享多层感知器和激活层，构建通道注意力模块；

根据双层池化层、卷积层和激活层，构建空间注意力模块；

根据所述通道注意力模块和所述空间注意力模块，构建卷积块注意力模块。

可选地，所述获取训练数据集，根据所述训练数据集训练所述卷积块注意力关系网络，包括：