[发明专利]基于注意力机制的雷达信号调制方式识别方法

权利要求书

1.一种基于注意力机制的雷达信号调制方式识别方法，其特征在于包括如下步骤：

步骤1：对雷达时序信号特征进行标注，然后按照一定的比例将雷达信号数据区分为训练集、测试集并进行数据预处理；

步骤2：使用Pytorch构建LSTM神经网络模型，初始化模型中的节点数量、学习率等超参数；

步骤3：将训练集中的样本按照一定数量切分成为几个批次，随机选取一个批次送入LSTM神经网络开展训练；

步骤4：LSTM神经网络层对输入的多个批次中的数据进行特征提取，再交给Attention层进行注意力权重计算，最后在全连接层输出识别的结果；

步骤5：将本网络模型识别结果和实际结果的标签数据一一对照，对训练集的识别准确率进行计算，若达到设定的标准，则转为下面的步骤，否则，根据交叉熵损失函数计算本次网络训练的损失，并进行LSTM的网络参数更新，再转入步骤3；

步骤6：把预处理后的测试集输入到训练好的基于Attention机制的LSTM网络模型中，计算测试集的预测准确率，评估识别效果。若识别率未收敛，则转入步骤2，直到对于测试集的识别率趋于收敛。

2.根据权利要求1所述的雷达信号调制方式识别方法，其特征在于上述步骤2的具体过程为：

通过在神经元加入遗忘门f、输入门i、内部记忆单元c、输出门o，使得该网络结构在处理长序列数据存在一定的优势，减轻梯度消失和爆炸现象的发生；输入门i决定了输入时刻t存留到内部记忆单元的状态C_t的数量，遗忘门f决定上一时刻内部记忆单元的状态C_t-1存留到当前时刻C_t的数量，由输出门和单元状态C_t计算LSTM的输出H_t；

当输入雷达序列为时X＝[x₁,x₂,…,x_k]，则LSTM的更新公式为：

i_t＝σ(W_i·[H_t-1，x_t]+b_i) (1)

o_t＝σ(W_o·[H_t-1，x_t]+b_o) (2)

f_t＝σ(W_f·[H_t-1，x_t]+b_f) (3)

在上式中，i_t表示在时刻t时的输入，H_t-1表示在t-1时刻隐藏状态，x_t表示t时刻输入信息，o_t表示t时刻的内部输出，f_t表示t时刻的遗忘门，tanh(·)表示双曲正切函数，H_t表示最终输出，σ(·)表示Sigmoid激活函数，b表示对应的偏置，W表示对应的权重。

3.根据权利要求2所述的雷达信号调制方式识别方法，其特征在于上述步骤4的具体过程为：

假设雷达序列x₁,x₂,…,x_k，根据LSTM产生的隐藏层特征H＝[h₁,h₂,…,h_k]构建注意力机制的输入，H∈R^d×k，

u_i＝tanhσ(W_sh_i+b_s)

∑_ia_i＝1

其中：i∈[1，k]，u_i表示第i个神经元的输出，W_s表示权重，h_i表示第i个隐含层输入，b_s表示偏置向量，表示第i个神经元输出所占比重，d表示隐藏层的长度；K表示输入数据的数量；这里，注意力权重矩阵用a表示，特征矩阵用V表示。