![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于舰载雷达小样本的低慢小目标识别方法.pdf
《基于舰载雷达小样本的低慢小目标识别方法.pdf》由会员分享,可在线阅读,更多相关《基于舰载雷达小样本的低慢小目标识别方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、第45 卷第18 期2023年9 月舰船科学技术SHIP SCIENCEAND TECHNOLOGYVol.45,No.18Sep.,2023基于舰载雷达小样本的低慢小目标识别方法李,张建强1,李胜军,王沫然12(1.海军工程大学电子工程学院,湖北武汉430 0 33;2.四川九洲电器集团有限责任公司,四川绵阳6 2 10 0 0)摘要:本文针对舰载雷达低、慢、小目标探测面临的小样本识别问题,提出一种基于小样本学习的低慢小目标分类识别方法。该方法将低慢小目标雷达回波数据转换到小波变换域,利用多头注意力机制和双向长短记忆人工神经网络相结合的方式,解决了小样本目标分类识别的问题。在低慢小目标雷达回
2、波仿真数据集上,开展模型训练和算法验证,分析任务差异性与识别准确率的关系,实验结果表明该方法对典型低慢小目标识别精度可达9 0%以上,在雷达目标识别领域具有较好的应用价值。关键词:目标识别;小波变换;多头注意力机制;长短期记忆网络;小样本学习中图分类号:TN959.1-7文章编号:16 7 2-7 6 49(2 0 2 3)18-0 12 3-0 6Low-slow and small target recognition method with few shot learning based on shipborne radar(1.Electronic Engineering Instit
3、ute,Naval University of Engineering,Wuhan 430033,China;Abstract:Aiming at a small number of sample recognition problems faced by low-slow and small target detection ofshipborne radar,a low-slow and small target recognition method with few shot learning based on shipborne radar is pro-posed.The metho
4、d converts the radar echo data of low-slow and small targets into the wavelet transform domain,and solvesthe problem of target recognition by using a combination of multi-headed attention mechanism and bi-directional long short-term memory artificial neural network.Model training and algorithm valid
5、ation are carried out on the low-slow and small tar-get radar echo simulation dataset,and the relationship between task variability and recognition accuracy is analyzed.Experi-mental results show that the recognition accuracy of typical low-slow and small targets can reach more than 90%,which veri-f
6、ies the good performance of this method and shows promising application in the field of radar target recognition.Key words:target recognition;wavelet transform;multi-head attention;long-short term memory;few shot learning0引言低、慢、小目标具有雷达散射截面积小、飞行高度低、速度慢或多普勒频移不明显的特点,在复杂海洋环境中,低、慢、小目标的识别成为一个世界性难题-3。目前低、慢
7、、小目标主要通过雷达、光电、声学等手段探测 4-5 。雷达作为一种全天候探测手段,在低、慢、小目标识别中应用越来越广。舰载雷达接收的雷达回波主要由目标回波和海杂波组成,由于海杂波空时变化的复杂性,传统基于规则和目标特征库的收稿日期:2 0 2 2-0 8-2 9基金项目:武器装备综合研究项目(2 0 2 0 10 32 8 0)作者简介:李(19 8 5),男,博士,教授,研究方向为目标检测与识别技术。文献标识码:ALI Ke,ZHANG Jian-qiang,LI Sheng-jun,WANG Mo-ran22.Sichuan Jiuzhou Electric Group Co.,Ltd.,
8、Mianyang 621000,China)doi:10.3404/j.issn.1672-7649.2023.18.021目标识别方式难以满足复杂海况下低、慢、小目标识别的需求,深度学习技术作为智能识别的有效手段,为低、慢、小目标识别提供了技术基础。然而,传统深度学习对样本的过度依赖限制了模型在实际场景种的应用。如何挖掘小样本的优势已成为目标识别应用的迫切问题 0 。小样本学习的概念最早源自于计算机视觉领域,近几年在电磁目标识别方向受到广泛关注。在视觉方向,OriolVinyals等 7 利用余弦注意力机制学习类别间的度量来推断目标样本的类别,通过训练和测试一致124性匹配原则,该方法在目标
9、识别和自然语言处理上表现出优异的性能。Li等 8 提出了一个协方差度量网络,在基于小样本分类任务的分布一致性上,利用协方差表示和协方差矩阵对图片进行识别。在电磁方向,丁辰伟等 9 将图像增强技术和生成对抗网络应用于雷达辐射源个体识别中,实验证明该方法的有效性,解决了小样本条件下目标识别概率较低的问题。综上,当前主流先进的小样本识别算法模型主要针对视觉图像等领域,对于电磁信号目标识别领域的研究相对较少,特别是低、慢、小目标识别领域。针对以上问题,本文借鉴匹配网络,整合多头注意力机制和残差模块去构造一个表征学习单元,将经过小波变换预处理后的信号输人学习单元,利用FocalLoss损失函数实现对低慢
10、小目标雷达回波信号的特征提取和分类。1网络结构设计本文通过多头注意力机制和双向长短期记忆人工神经网络相结合的方式,利用少量带标签的样本训练一个分类器解决舰载雷达小样本目标识别的问题,整体框架如图1所示。1.1基于小波变换的域转换模块考虑到雷达在探测过程中受到海上多种环境因素干扰,降低了目标识别性能 10 。基于小波变换原理,对探测到的目标信号进行分解,尽可能消除干扰因素带来的影响。小波变换的重要核心是小波基函数(t),通过尺度因子a和平移因子b来控制小波函数的伸缩和平移,小波基函数为:(1)雷达回波信号小波变换舰船科学技术式中:山为小波基函数;a为尺度因子;b为平移因子。小波变换同时满足了时域
11、和频域的高分辨,有良好的时频局部化特性。考虑目标回波信号受海杂波影响较大以及SWT(Synchrosqueezed Wavelet Transform)小波函数的消噪特性。选用SWT小波函数进行目标回波特征域转换,使用db1小波基做3层小波分解。1.2基于残差与多头注意力机制的特征表征模块在小样本学习中对目标信号的特征提取通常采用46 层的卷积进行特征提取,该网络易于训练,但学习能力有限11-15 。因此,本文提出使用残差神经网络与多头注意力机制进行特征提取。多头自注意力机制发挥了对输人序列中元素之前相关关系进行建模的强大能力,可进一步联合关注来自不同表示子空间的信息,提高模型性能。多头注意力
12、模型通过对输入的序列分别进行3次线性映射得到Q、K、V,利用Q与K的点积计算得到的权重对V进行加权求和。在计算时通过输人多次映射,每个映射使用不同参数进行相同计算,最后将各个输出合并在一起,相比缩放点积注意力更适合处理含有细微变化的数据,多头注意力模块如图2 所示。给定目标回波通过线性映射计算查询向量、键向量和值向量注意力矩阵。注意力矩阵计算如下:Attention(Q,K,V)=softmaxVVdk式中:Q为查询矩阵;K为键值矩阵;V为值矩阵;dk为尺度因子。基于残差与多头注意力机制的特征表征模块利用卷积神经网络提取目标回波信号的局部信息,同时使用多头注意力机制对全局信息进行建模,捕捉各散
13、射点的本质特征,在特征学习中增强目标回波显著信a息,特征提取模块如图3所示。残差卷积神经网络与多头注意力基于全局上下文感知记忆增强模块相似性度量attLSTM第45 卷(QKT)(2)分类结果图1基于舰载雷达小样本的低慢小目标识别分类框架Fig.1 Low-slow and small target recognition framework with few shot learning based on shipborne radar第45 卷李柯,等:基于舰载雷达小样本的低慢小目标识别方法LinearConcatScaleddot-product attentionLinearQconv图
14、2 多头注意力模块Fig.2Multi-head attention module125如图4所示,为增强网络记忆容量,将学习样本的共有特征信息保存在辅助记忆中,在特征信息提取时再进行读取。通过多步双向长短记忆网络进行共有特征提取,将支持集样本特征生成序列输人多步双向长短记忆网络使支持集和查询集的样本之间相互作LinearLinearKV4conv文3用,通过关注样本间的共性特征提取样本间的共有语义信息。多步双向长短记忆函数为:convf(x,S)=attLS TM(f(x),g(S),k)。式中:f(3)为标准卷积神经网络,用来提取目标输人特征;g(S)为嵌入支持集函数,用来提取支持集特征;
15、S为支持集;k为固定展开迭代步数;表示目标数据。相关特征(3)共有特征征相关特征9533H图3基于残差与多头注意力机制的特征提取Fig.3 Based on residual and multi-head attention mechanism offeature extraction1.3基于全局上下文注意力感知记忆增强模块源域和目标域的样本特征由共有特征和相关特征构成。共有特征为可学习的通用特征,这些特征与领域无关;相关特征与每个域独有的特征,用来保持每个域的可区分性 10 。每个样本对象包含了每个样本的多种特征表征类型,每种表征都在存在不同程度的信息损失,为提高目标识别精度,本文结合多步
16、双向长短记忆网络和注意力机制学习样本之间的共有特征。在强表示性的特征提取模块基础上,增加全条件编码,增强模型的共有特征提取性能。线下训练输入线下识别输入实例1图4目标源数据表示Fig.4 Target source data represention2基于迁移学习的分类识别利用迁移学习的思想来解决舰载雷达低慢小目标识别问题,流程如图5 所示。舰载雷达低慢小目标识别包括线下训练、线下识别2 个部分,训练采用n-wayk-shot的形式构建包含支持集样本和查询集样本的任务数据集。面对目标任务时,模型利用源任务学习的共有特征,通过少量的支持集样本,实现目标的识别。分类器以“正间隔”来区分目标,由于低
17、、慢、小目标样本特征极为相似,在基础类上,“正间隔”可形成清晰的类簇结构并取得了较高的准确率;然而在目标类上,正的“间隔”破坏了特征的类簇结构。考虑特征的可迁移性和可分性,利用FocalLoss损失函训练基于小波变换的域转换验证基于小波变换的域转换实例2基于残差与多头注意力基于全局上下文注意力机制的特征表征模块感知记忆增强模块固定权重基于残差与多头注意力基于全局上下文注意力机制的特征表征模块分类器分类器感知记忆增强模块图5 小样本迁移学习框架Fig.5Few-shot transfer learning framework126数解决难易样本数量不平衡的问题,完成低、慢、小目标的分类识别,其表
18、达式为:FL(pt)=-i(1-pt)log(pt)。式中:t为权重参数;pt为预测值;为可调节因子。训练中,对于容易区分的样本,也就是p值趋近于1的样本,可降低它的损失函数值,而对于p值趋近于0 的样本,对损失函数值影响并不大,这样可促使网络的学习权重向困难样本倾斜,提高网络区分困难样本的敏感度。同时为提高误分类样本的权重,利用t增加误分类权重。3实验结果3.1数据集及实验设置仿真工具为电磁计算软件FEKO和Matlab,将仿真场景设置为远场舰载单站雷达,海杂波采用复合舰船科学技术雷达所在坐标系为参考坐标系,计算可得滑翔机与雷达之间俯仰角为5.47。激励设置与计算得到的目标RCS值如图6 和
19、图7 所示。(4)Z/N图6 激励设置Fig.6Incentive settings90135第45 卷Y/VX/U451052015K分布,SCNR(信号杂波噪声比)为3dB。仿真参数设置如下:雷达天线高度为2 0 m;工作波段为L波段;信号载频为1GHz;脉冲重复频率PRF为40 9 6 Hz;波束宽度3;天线扫描速度为30%/s。信号带宽5 0 MHz,时宽10 s。以雷达所在位置在地平面上的投影为O-XYZ坐标系原点。仿真的11种低、慢、小目标具体参数如表1所示。表1低慢小目标数据集Tab.1 Low-slow and small target datasets参数种类坐标/m华微6
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 舰载 雷达 小样 低慢小 目标 识别 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。